API ou Self-Host? A Conta que Toda Empresa Deveria Fazer

Q: Quando o self-host de um LLM fica mais barato que a API?

Quando o volume mensal de tokens ultrapassa o break-even. A API cobra por token e o self-host cobra por hora de GPU, independente do volume. Dividindo o custo mensal da instância pelo preço por milhão de tokens da API, você obtém o ponto de virada. Com uma RTX 4090 a R$ 3,42/h (cerca de R$ 2.462 por mês rodando 24 horas por dia, 30 dias) e um preço combinado de referência de R$ 32,40 por milhão de tokens, o break-even fica em torno de 76 milhões de tokens por mês. Abaixo disso, API. Acima, e de forma constante, self-host.

Q: Dá para fazer self-host do Kimi K3?

Hoje, na prática, não. Os pesos do Kimi K3 ainda não são públicos (previsão de saída até 27 de julho de 2026) e o modelo tem 2,8 trilhões de parâmetros. Mesmo em MXFP4 os pesos ficam em torno de 1,4 TB, mais do que um único nó de 8 GPUs entrega hoje. Para o K3 especificamente, a decisão racional em julho de 2026 é usar a API oficial da Moonshot. O self-host faz sentido para os modelos open-weight que cabem de fato em uma máquina: GLM-5.2, Kimi K2, DeepSeek-R1 e Qwen3.

Q: O que entra na conta além do preço por token?

Latência e controle sobre a variação dela, controle de versão do modelo (uma API pode alterar ou aposentar o modelo debaixo de você, enquanto pesos baixados ficam congelados), privacidade e o que você consegue prometer contratualmente aos seus clientes, a possibilidade de fine-tuning, e o custo de engenharia para operar inferência em produção, que não é zero: alguém precisa cuidar de deploy, atualização, observabilidade e plantão.

Q: Vale a pena um modelo híbrido de API mais self-host?

Para muitas empresas é a melhor configuração. Você dimensiona a instância dedicada para a carga base, que é previsível e roda 24 horas por dia com custo fixo, e manda os picos e as tarefas mais difíceis para a API, pagando por token só quando precisa. Um roteador na frente decide para onde vai cada requisição, com fallback automático para a API se a instância cair.

O lançamento do Kimi K3, em 16 de julho de 2026, reacendeu a discussão que volta a cada modelo grande: "agora dá para rodar em casa?". A Moonshot AI publicou o maior modelo open-weight já lançado — 2,8 trilhões de parâmetros em Mixture-of-Experts, ~32B ativos por token, 896 experts e 1 milhão de tokens de contexto — e a internet técnica começou a somar VRAM.

A resposta honesta é: depende. E, diferente da maioria dos "depende", esse tem conta fechada. A maior parte das empresas nunca a fez — escolhe por hábito ou por manchete.

⚡ Resumo

API cobra por token. Self-host cobra por hora, independente do volume. Logo: volume baixo ou esporádico → API. Volume alto e constante → self-host. O break-even é custo mensal da GPU ÷ preço por milhão de tokens. Depois disso, avalie latência, controle de versão, privacidade e custo de engenharia — que não é zero.

A matemática do break-even

Na API o custo é linear no uso: se ninguém usar o produto neste mês, a fatura é zero; se o uso dobrar, a fatura dobra. No self-host o custo é fixo no tempo: você paga a hora de GPU ligada, tendo ela processado dez requisições ou dez milhões. Duas retas com inclinações diferentes se cruzam em exatamente um ponto — e esse ponto é a sua decisão. Premissas declaradas (troque pelas suas):

Preço oficial da API do K3: US$ 3,00 por milhão de tokens de entrada (US$ 0,30 em cache hit) e US$ 15,00 por milhão de saída. A câmbio de R$ 6,00: R$ 18,00 e R$ 90,00.
Mistura 4:1 — a cada milhão de tokens, 800 mil de entrada (prompt, contexto, RAG) e 200 mil de saída.
Preço combinado: 0,8 × R$ 18 + 0,2 × R$ 90 = R$ 32,40 por milhão de tokens.
Instância ligada 24 h/dia × 30 dias = 720 horas/mês.

Instância	Custo/hora	× 720h = custo/mês	Break-even (tokens/mês)
RTX 4090 24 GB (Econômica)	R$ 3,42	R$ 2.462	~76 milhões
RTX 5090 32 GB (Econômica)	R$ 3,51	R$ 2.527	~78 milhões
A100 80 GB (Econômica)	R$ 6,44	R$ 4.637	~143 milhões
H100 SXM 80 GB (Econômica)	R$ 19,02	R$ 13.694	~423 milhões

Lendo a primeira linha: abaixo de ~76 milhões de tokens por mês, uma instância 24/7 sai mais cara que pagar por token; bem acima disso, e de forma constante, ela se paga e a economia cresce com o volume — a curva do self-host é horizontal. E 76 milhões por mês são ~2,5 milhões por dia: um chatbot interno de 200 pessoas dificilmente chega lá; uma pipeline que classifica documentos em lote passa disso numa tarde.

⚠️ A ressalva que a maioria dos artigos omite

Essa tabela compara preços, não modelos equivalentes. Uma RTX 4090 não roda um modelo de fronteira. A conta só é honesta se você responder antes: qual é o menor modelo que resolve a minha tarefa com qualidade aceitável? Se for algo de 8B a 70B, o break-even da tabela vale; se o seu caso exige o topo da fronteira, o self-host pede múltiplas GPUs de alta VRAM e a conta muda de patamar.

Falta um terceiro número: throughput. O break-even em tokens só vale se a sua GPU entregar aquele volume — o que depende do modelo, do contexto e do padrão de tráfego. Faça um teste de carga com tráfego real. Se a instância não alcança o break-even, a decisão está tomada: fique na API.

Onde o K3 entra nessa conta

Aqui é preciso ser direto, mesmo que não seja o que vende infraestrutura: para o Kimi K3 especificamente, hoje a resposta racional é a API oficial. Os motivos são de aritmética, não de opinião:

Os pesos ainda não são públicos. A Moonshot indicou publicação até 27 de julho de 2026. Sem pesos, não há self-host.
Mesmo no formato nativo MXFP4 — treinado com QAT desde a fase de SFT, então degrada menos que quantização post-hoc — os pesos ficam em torno de 1,4 TB. Em FP16, ~5,6 TB. Quantizações agressivas da comunidade podem chegar a 650–700 GB, com perda a ser medida.
O maior nó com estoque hoje é de 8× H100 80 GB = 640 GB de VRAM. Nós de 8× H200 (1.128 GB) e 8× B200 estão com estoque zerado. E cada deploy é uma VM: não há interconexão multi-nó para juntar máquinas num único job.

Sem rodeio: o K3 completo não cabe hoje — nem no maior nó em estoque, e nem o MXFP4 nativo caberia em 1.128 GB. Quando os pesos saírem, vamos publicar aqui o teste real assim que as primeiras quantizações da comunidade aparecerem. Até lá, quem quiser K3 usa a API, e paga em dólar.

O que o K3 de fato muda é o enquadramento: 1º no Frontend Code Arena da Arena.AI (1.679), à frente de Claude Fable 5 e GPT-5.6 Sol; 3º no GDPval-AA v2 (1.687); 2º no AA-Briefcase (1.527), agêntico de longo horizonte. O open-weight chegou à fronteira — e os modelos que cabem numa máquina (GLM-5.2, Kimi K2, DeepSeek-R1, Qwen3) herdam o mesmo argumento e já resolvem a maior parte dos casos corporativos.

Os fatores que não aparecem na planilha

Preço é o eixo mais fácil de comparar e quase nunca é o que decide. Cinco fatores costumam pesar mais:

1. Latência e sua variância

Na API você herda a fila de todo mundo: o p50 pode ser ótimo e o p99 desabar num pico global, sem aviso. Numa instância dedicada a fila é só sua — a latência fica mais previsível, ainda que não necessariamente menor. Em experiência interativa, previsibilidade costuma valer mais que média.

2. Controle de versão do modelo

O risco mais subestimado. Uma API pode mudar ou aposentar o modelo debaixo de você, e um upgrade silencioso quebra avaliações que passavam há meses. Pesos baixados ficam congelados: o modelo de hoje é o modelo de daqui a dois anos. Para produto regulado, isso é diferença de natureza, não de grau. (Mais em o que fazer quando o modelo some.)

3. Privacidade e o que você pode prometer por contrato

A pergunta prática não é "é seguro?", e sim "o que eu consigo escrever no contrato do meu cliente?". Com API de terceiro, você promete o que o fornecedor promete a você. Com instância dedicada, os prompts não saem da sua máquina e você controla pesos, logs e retenção — e afirma isso com precisão. Em saúde, jurídico e financeiro, essa frase costuma destravar o contrato.

4. Fine-tuning e especialização

Se o seu diferencial depende de um modelo ajustado ao seu domínio, jargão ou formato de saída, o self-host abre a porta inteira: LoRA, ajuste de instrução, versões por cliente. Em API fechada você fica limitado ao que o fornecedor expõe — quando expõe. Veja fine-tuning a baixo custo.

5. Custo de engenharia — sejamos honestos

Operar inferência não é de graça: alguém sobe o servidor, testa quantização, configura batching, monitora latência e erro, trata OOM, atualiza runtime e fica de plantão quando cai às 3h da manhã. Regra prática: some o custo de engenharia ao de GPU antes de comparar com a API. Se o self-host economiza R$ 800/mês e consome dois dias de um sênior, você não economizou — perdeu. Quando a economia é de 60% a 80% sobre uma fatura de cinco dígitos, vira folgadamente. Por isso o self-host raramente compensa no começo e quase sempre compensa na escala.

Checklist de decisão

Responda na ordem. A primeira resposta que travar decide.

Qual é o menor modelo que passa na sua avaliação? Se só a fronteira absoluta resolve e ela não cabe num nó, é API. Ponto final.
Quantos tokens por mês você consome, medido? Não estimado — pegue a fatura dos últimos três meses. Abaixo do break-even, é API.
Esse volume é constante ou tem picos de 10×? Carga em rajada desperdiça instância ligada; carga constante ama custo fixo.
Precisa congelar a versão do modelo? Se sim, o self-host ganha um peso que preço nenhum compensa.
O que você precisa prometer ao cliente sobre os dados dele? Se a promessa é "o prompt não vai para API de terceiro", só há um caminho.
Precisa de fine-tuning? Se sim, pesos abertos.
Você tem quem opere? Se a resposta é "a gente dá um jeito", fique na API mais um trimestre.
Faça o teste de carga. 48 horas de tráfego de sombra custam menos que uma reunião — e respondem o que a planilha não responde.

O cenário híbrido: quase sempre a melhor resposta

A pergunta "API ou self-host" tem um pressuposto errado — o ou. Em empresa, o que mais funciona é as duas, com papéis distintos:

Self-host para a carga base: o volume previsível de todo dia — classificação, extração, resumo, primeira resposta de suporte, embeddings. Custo fixo, em reais.
API para os picos e o topo da dificuldade: lote atípico ou a fração de requisições que exige raciocínio de fronteira. Paga por token só quando precisa.

Na frente, um roteador — regras simples resolvem: tamanho do prompt, tipo de tarefa, cliente ou fila cheia. E o benefício menos comentado é o fallback automático: se a instância cair, o tráfego escoa para a API em vez de virar incidente; se a API mudar o modelo sem avisar, você tem uma base própria que não mudou.

# Roteador mínimo: carga base na instância dedicada, picos na API
from openai import OpenAI

base = OpenAI(base_url="https://sua-instancia.gpubrasil.com.br/v1", api_key="chave-local")
picos = OpenAI(base_url="https://api.moonshot.ai/v1", api_key="chave-da-api")

def responder(mensagens, dificil=False):
    if dificil:
        return picos.chat.completions.create(model="kimi-k3", messages=mensagens)
    try:
        return base.chat.completions.create(model="glm-5.2", messages=mensagens)
    except Exception:
        # instância indisponível: não vira incidente, vira custo por token
        return picos.chat.completions.create(model="kimi-k3", messages=mensagens)

Como os dois lados falam o protocolo compatível com OpenAI, trocar de rota é trocar de base_url. Isso também é decisão de arquitetura: não acople o seu código a um fornecedor — nem ao nosso.

Uma parte da conta que só aparece na contabilidade

A API é cobrada em dólar. Os US$ 3 e US$ 15 por milhão de tokens do K3 viram uma linha em reais que muda todo mês, com IOF e spread por cima — um orçamento aprovado em janeiro estoura em maio sem que o uso tenha aumentado um token.

No GPUBrasil você contrata a instância em reais, por hora, sem contrato e sem exposição cambial, com suporte em português e um preço que você defende no orçamento do ano. E a instância é dedicada e só sua: você controla o modelo, os pesos e os logs, sem enviar prompt para API de terceiro. Nota de transparência, porque honestidade é o ponto do artigo: as GPUs ficam em datacenters no exterior. O que oferecemos é cobrança em reais, suporte no seu idioma e isolamento real da sua carga — não localização geográfica dos dados. Se o seu requisito for território nacional, avalie-o à parte.

Faça a conta com números reais

Suba uma instância dedicada com vLLM em 1 clique, rode 48 horas de tráfego de sombra e descubra onde está o seu break-even. Ganhe R$ 25 grátis para testar — por hora, em reais, sem contrato.

Começar Grátis →

Perguntas frequentes

Quando o self-host de um LLM fica mais barato que a API?

Quando o volume mensal ultrapassa o break-even: custo mensal da instância dividido pelo preço por milhão de tokens da API. Com uma RTX 4090 a R$ 3,42/h (~R$ 2.462 em 720 horas) e R$ 32,40 por milhão numa mistura 4:1, o ponto de virada fica perto de 76 milhões de tokens/mês.

Dá para fazer self-host do Kimi K3?

Hoje, não. Os pesos ainda não são públicos (previsão até 27 de julho de 2026) e, mesmo em MXFP4, ficam em torno de 1,4 TB — mais do que um único nó de 8 GPUs entrega, e não há interconexão multi-nó. Para o K3, a decisão racional é a API oficial; para self-host, use os modelos que cabem: GLM-5.2, Kimi K2, DeepSeek-R1, Qwen3.

O que entra na conta além do preço por token?

Latência e sua variância, controle de versão do modelo (uma API pode mudar ou aposentar o modelo debaixo de você; pesos baixados ficam congelados), privacidade e o que você promete por contrato, fine-tuning, e o custo de engenharia para operar inferência — que não é zero.

Vale a pena um modelo híbrido de API mais self-host?

Para muitas empresas é a melhor configuração: instância dedicada para a carga base, previsível e de custo fixo, e API para picos e tarefas de fronteira. Um roteador na frente decide a rota e serve de fallback automático se a instância cair.

Conclusão

O Kimi K3 prova que o open-weight chegou à fronteira — e, ao mesmo tempo, que "open-weight" e "rodável na sua empresa" não são sinônimos. A boa notícia é que você provavelmente não precisa dele: o que dá para self-hostar hoje — GLM-5.2, Kimi K2, DeepSeek-R1, Qwen3 — resolve a maior parte dos casos corporativos, por hora e em reais.

E a escolha entre pagar por token ou por hora não exige adivinhação: exige medir volume, rodar 48 horas de teste de carga e somar honestamente o custo de quem vai operar aquilo. Faça a conta — é mais barato que a opinião.