GUIA
O Custo de Métricas de Engenharia Geradas por IA
Uma estimativa detalhada — com calculadora interativa — de quanto custaria em tokens de LLM calcular métricas DORA e Flow com IA em vez de regras determinísticas.
Por que estamos publicando isso
Ferramentas de análise de engenharia "com IA" estão em toda parte agora — alimenta um modelo com seu Jira, GitHub e dado de incidente, e ele te diz seus números, sem regra pra configurar. Parece atraente até você perguntar quanto custa rodar isso, mês a mês, conforme seu volume de dado cresce. O moasy.tech calcula DORA Metrics e Flow Metrics com agregação SQL simples sobre dado que você já sincroniza — sem modelo no meio do caminho. Esta página faz a conta do lado alternativo: quanto custaria de verdade, em token puro, replicar só esses dois módulos com um LLM fazendo a classificação e correlação em vez disso.
Calcule seu custo
Marque as categorias de integração que você usaria e quantos times você tem. A estimativa atualiza ao vivo.
Custo estimado de token de IA: USD 2.25 – 22.50/mês
moasy.tech: USD 0.00/mês (plano Free)
Estimativa ilustrativa — veja o método abaixo com cada premissa usada.
Cenários típicos
Todas as 4 categorias marcadas, contra o plano real do moasy.tech que cabe nesse número de times.
| Times | Plano moasy.tech | Preço/mês | Custo estimado de token de IA/mês |
|---|---|---|---|
| 1 | Free | USD 0 | USD 2.25 – 22.50 |
| 5 | Basic | USD 19.90 | USD 11.25 – 112.50 |
| 7 | Pro | USD 49.90 | USD 15.75 – 157.50 |
Quer a quebra de só uma categoria em vez das quatro juntas? Veja o custo de IA pra classificar tickets, analisar pull requests, deploys de CI/CD, ou correlacionar incidentes separadamente.
Método
Todo número desta página é reproduzível a partir dessas premissas — audite, não confie de olhos fechados:
-
Volume de evento: modelado na própria frequência de deploy "elite"
publicada pelo DORA — múltiplos deploys por dia, ~3/dia usado aqui — e ~3 alterações
de ticket por engenheiro por semana, pra um time de 5 engenheiros. Isso dá ~180
eventos/mês por time, somando as 4 categorias: 60 tickets, 27 PRs, 90 deploys, 3
incidentes. Volume de PR e incidente vem do próprio dataset de seed de demo do
moasy.tech (
n_back/scripts/seed-demo-data.ts), construído pra screenshot de marketing — ilustrativo, não dado de cliente real. - Tokens de entrada por evento: ~2.000 tokens de instrução fixa do prompt de sistema (definindo o que conta como deploy, a janela de correlação de incidente, regras de classificação) + ~200 tokens do próprio evento + ~3.000 tokens de contexto recente pra correlação (ex: os últimos ~20 eventos relacionados) ≈ 5.000 tokens.
- Tokens de saída/raciocínio por evento: ~1.500 — o suficiente pro modelo de fato raciocinar sobre um caso ambíguo (qual categoria esse ticket pertence, esse incidente correlaciona com um deploy recente), não só declarar um número.
- Faixa de preço: US$1–10 por milhão de tokens de entrada, US$5–50 por milhão de tokens de saída — faixa genérica cobrindo do nível mais barato ao mais avançado de APIs de LLM comerciais, sem atrelar a um fornecedor específico.
- Cadência: uma chamada por evento, no momento em que ele acontece — não um recálculo em lote diário. Um modelo de lote subestima o custo, porque paga o overhead do prompt de sistema só 1x/dia em vez de 1x por evento.
Isso implica um custo por evento de US$0,0125 (nível barato) a US$0,125 (nível topo de linha).
O que esse número não inclui
Isso é um piso, não um teto. Conta só o gasto bruto de token de LLM pra 2 dos 7 módulos do moasy.tech. Exclui:
- A margem e a hospedagem do próprio provedor de IA
- Os outros 5 módulos — Integrações, Capacity & Workload, Timeline, Cost Classification, Activity Reports
- A UI do dashboard, autenticação, alertas — tudo mais que um produto de verdade precisa
- Tempo de engenharia pra escrever, testar e manter os prompts, mais avaliação contínua pra pegar desvio de qualidade
Por que pode ser ainda maior na prática
Três coisas deixadas de fora de propósito, porque são mais difíceis de precificar limpo:
- Uso interativo — alguém fazendo pergunta de acompanhamento sobre as métricas reenvia a conversa crescente a cada turno, o que cresce o custo mais rápido que uma chamada única.
- Auto-verificação — um LLM calculando algo como um percentil ou uma janela de correlação de forma confiável geralmente precisa de um passo de checagem/retentativa, não só uma passada.
- Payload de evento mais rico — essa estimativa usa um JSON compacto de ~200 tokens por evento; uma ferramenta que alimenta descrição completa de PR, mensagem de commit ou post-mortem de incidente usaria bem mais que isso.
Perguntas sobre essa estimativa
Isso é uma crítica a alguma ferramenta de IA específica?
Não — não é uma comparação contra um concorrente, modelo ou fornecedor. É uma comparação entre duas abordagens de computação: agregação de banco de dados (o que a gente faz) versus uma chamada de LLM (o que um discurso "isso é feito com IA" implica). Veja nossa seção sem IA pra entender por que escolhemos a primeira.
E se eu usar um modelo mais barato ou self-hosted?
A ponta de baixo de cada faixa aqui já reflete o preço comercial mais barato disponível. Um modelo aberto self-hosted remove o preço por token, mas troca por custo de GPU, operação e ajuste — real, só mais difícil de resumir num número único, então não entrou aqui.
Por que a ponta de baixo às vezes custa menos que uma assinatura moasy.tech?
Não estamos escondendo isso — na ponta mais barata e no menor tamanho de time, o gasto bruto de token pra 2 módulos pode ficar abaixo do que nossa assinatura inteira de 7 módulos custa. O ponto não é "IA sempre custa mais" — é que o número de IA é um custo variável que escala com uso, sem produto nenhum construído em volta, enquanto o nosso é fixo e já inclui tudo.
Isso inclui o custo de construir a ferramenta de IA em si?
Não — veja "o que esse número não inclui" acima. É só gasto de token.