O AI model routing está ganhando terreno sobre a ideia de usar um único frontier model para tudo.

A Microsoft fez uma admissão incomum esta semana ao lançar o MAI-Cyber-1-Flash: o modelo lida internamente com cerca de 90% da carga de trabalho de segurança e encaminha apenas os 10% mais difíceis das tarefas para o GPT-5.4 da OpenAI. Essa divisão reduz o custo de operação do sistema completo pela metade. É um detalhe técnico pequeno enterrado no lançamento de um produto, mas aponta para uma mudança muito maior em como implantações sérias de IA realmente funcionam em 2026 — e não tem nada a ver com correr atrás do modelo mais inteligente disponível.

A tese é simples: pagar preços de frontier-model para cada requisição é desperdício de dinheiro que não melhora a qualidade da saída para a maior parte do que as empresas realmente pedem para a IA fazer. Um router posicionado entre a aplicação e os provedores de modelo avalia cada requisição recebida e a envia para o modelo que consegue lidar com ela de forma competente ao menor custo. Os frontier models são reservados para as requisições que realmente precisam deles.

Por Que Isso Não É Apenas Teatro de Redução de Custos

As economias não são marginais. Trabalhos revisados por pares em sistemas de roteamento no estilo RouteLLM demonstraram uma redução de custo de aproximadamente 85%, mantendo 95% da qualidade de saída de um frontier model em avaliações de benchmark. Essa lacuna — 85% mais barato, 5% de perda de qualidade — é todo o argumento para o roteamento. A maioria das cargas de trabalho empresariais fica muito abaixo do teto do que um frontier model pode fazer: classificação, extração, Q&A básico, formatação, respostas de suporte ao cliente rotineiras. Nada disso precisa do raciocínio de nível GPT-5.4.

As empresas de IA para consumo descobriram isso primeiro, por necessidade. A Wishroll, uma startup de IA para consumo, usou decomposição de tarefas e roteamento para cortar custos de inferência em 95% enquanto escalava para 1 milhão de usuários em 19 dias — uma taxa de crescimento que teria sido financeiramente impossível com preços fixos de frontier-model. As empresas agora estão aplicando a mesma lógica em cibersegurança, suporte ao cliente e ferramentas internas, onde o volume de requisições é alto e a maioria das consultas individuais é genuinamente simples.

Onde o Roteamento Realmente Faz Sentido

Roteamento não é sabedoria universal — ele tem um piso. Abaixo de aproximadamente 100 mil usuários ativos diários, um único modelo de nível médio lidando com tudo geralmente é mais barato de construir e manter do que uma camada de roteamento. O gasto mensal com IA nessa faixa normalmente fica entre US$ 10 mil e US$ 100 mil, e a complexidade de engenharia de rodar um router, monitorar suas decisões de roteamento e capturar classificações erradas pode facilmente superar a economia que ele gera.

O cálculo se inverte quando tanto o volume quanto a complexidade aumentam. A divisão do MAI-Cyber-1-Flash da Microsoft é instrutiva aqui: a triagem de vulnerabilidades de segurança tem um volume enorme de requisições (cada commit, cada atualização de dependência, cada alerta), mas uma distribuição de dificuldade altamente assimétrica — a maioria dos problemas sinalizados é rotineira, uma pequena fração exige raciocínio realmente difícil. Esse é precisamente o formato de carga de trabalho onde o roteamento se paga imediatamente.

O Que uma Camada de Roteamento Realmente Precisa

Três componentes fazem o roteamento funcionar na prática, e pular qualquer um deles é onde a maioria das tentativas falha:

• Um classificador rápido e barato. O próprio router precisa ser quase gratuito para rodar, senão ele derrota o propósito. Isso geralmente é um modelo pequeno ou uma heurística baseada em regras, não outra chamada de nível frontier-tier.
• Um piso de qualidade com fallback. Quando a confiança do modelo barato é baixa ou sua saída falha em uma verificação de sanidade, a requisição precisa escalar automaticamente para um modelo mais forte — e não enviar silenciosamente uma resposta fraca.
• Avaliação contínua contra tráfego real. As decisões de roteamento derivam à medida que os padrões de uso mudam. Sem um loop de feedback que reavalie a precisão do roteamento com base nos resultados reais, o sistema lentamente desvia mais tráfego para o nível barato sem que ninguém perceba até que reclamações de qualidade apareçam.

O Cenário de Preços dos Modelos

A economia só funciona porque agora existe uma dispersão real no preço por token entre modelos capazes. Modelos flagship equilibrados — com preços aproximadamente na faixa de US$ 1,25 a US$ 3 por milhão de tokens de entrada, US$ 10 a US$ 15 por milhão de tokens de saída — agora lidam com a grande maioria das cargas de trabalho empresariais de forma competente. Essa faixa de preço não existia com qualidade significativa há dois anos; é o que torna o roteamento um investimento de engenharia que vale a pena, em vez de um erro de arredondamento.

Conclusões Práticas

Se você está rodando workloads de IA em volume significativo, não adote um único frontier-model como padrão para todo tipo de requisição. Audite primeiro sua distribuição real de consultas — a maioria das equipes se surpreende ao descobrir que 70-80% do tráfego é trabalho rotineiro de classificação ou extração que um modelo de nível médio lida de forma idêntica a um frontier. Construa o classificador e o caminho de fallback antes de otimizar mais, e instrumente a precisão do roteamento desde o primeiro dia, em vez de confiar que ela se manterá correta à medida que o uso evolui. As equipes que estão vencendo no custo de IA em 2026 não são as que têm acesso ao melhor modelo — são as que pararam de usá-lo para tudo.