Precificação baseada em uso vs. baseada em resultados para IA

Por Brian Tr · Atualizado em 5 de outubro de 2026

A precificação baseada em uso cobra pelo que o cliente consome: tokens, chamadas de API, minutos de áudio, documentos processados. A precificação baseada em resultados cobra pelo que o cliente obtém: um ticket resolvido, uma reunião agendada, uma reivindicação recuperada. Ambas rompem com o hábito do preço por seat do software clássico, e ambas estão sendo testadas por empresas de IA porque um seat já não acompanha o valor nem o custo de um produto de IA.

As duas costumam ser reunidas sob o rótulo "nova precificação de IA", mas colocam o risco em lados opostos. Na precificação por uso, o comprador carrega o risco de o produto não funcionar bem, porque paga pelo consumo de qualquer forma. Na precificação por resultado, quem carrega o risco é o vendedor, porque sem resultado não há fatura. Essa única diferença orienta quase todas as outras decisões de desenho.

Este é o artigo central da seção de precificação desta coleção. Ele define os dois modelos, os coloca em um espectro, mostra como os resultados são definidos e atribuídos e termina com a mecânica contratual que impede que qualquer um dos modelos exploda. Os artigos relacionados aprofundam precificação baseada em créditos, precificação por seat na era da IA, modelos de precificação de agentes de IA e precificação híbrida.

Por que a IA afasta os fornecedores da precificação por seat

A precificação por seat funcionou porque a maior parte do software empresarial tornava as pessoas mais produtivas, então mais pessoas significavam mais valor e mais receita. Ela também era fácil de orçar. A análise de outubro de 2025 da Bain & Company sobre a precificação por seat defende que a IA enfraquece as duas metades dessa lógica, em duas dimensões: o valor que entrega e a estrutura de custos que impõe.

Quanto ao valor, muitas funcionalidades e agentes de IA trabalham em segundo plano, com pouca ou nenhuma participação humana. Se o cliente precisa de menos pessoas para operar o software, o headcount deixa de ser uma medida sensata. E um único seat agora pode entregar muito mais valor, ou um valor sem relação alguma com seats.

Quanto ao custo, a Bain destaca que inferência de modelos, fine-tuning e P&D específico de IA têm todos um custo real, e que os fornecedores precisam monetizar as funcionalidades de IA de uma forma que cubra com folga o que o uso lhes custa. O preço de um seat é fixo. O custo de inferência não é. Assim, um usuário intenso em um plano fixo pode custar mais do que paga.

A conclusão da própria Bain é mais cuidadosa do que o slogan "os seats morreram". Ela chama isso de exagero e diz que o sentimento não está totalmente fora de propósito. Tratamos de onde os seats ainda fazem sentido em precificação por seat na era da IA.

Precificação baseada em uso, definida com precisão

A precificação baseada em uso vincula o preço a uma unidade medida de consumo. A unidade é algo que o fornecedor consegue contar e o comprador consegue ver: um token, uma chamada de API, um minuto transcrito, uma imagem gerada, uma página processada, um GB de armazenamento. A cobrança cresce com a contagem, em geral com faixas de volume ou valores comprometidos. O conceito geral é anterior à IA, e nosso guia de precificação baseada em uso o aborda do lado do SaaS.

Para a IA, a precificação por uso tem três pontos fortes reais.

• Ela acompanha o seu custo. Se cada chamada custa computação para você, cobrar por chamada mantém receita e custo andando juntos, o que protege a margem bruta.
• É fácil de começar. O comprador pode experimentar o produto com uma fatura pequena e crescer aos poucos. Ninguém precisa combinar o que significa "sucesso" antes da primeira fatura.
• É simples de medir. Contar chamadas ou tokens é, em grande parte, uma tarefa de engenharia, não uma negociação.

Ela também tem fraquezas. O comprador paga pelo trabalho seja ele útil ou não, de modo que uma saída falha ou de baixa qualidade também custa dinheiro. As faturas são difíceis de prever, e os times financeiros não gostam disso. E uma unidade de consumo como o token é algo que os clientes têm dificuldade de ligar ao valor de negócio. A pesquisa de 2026 de Kyle Poyar com 230 empresas de software B2B e IA constatou que as empresas baseadas em uso e em resultados são as que mais reclamam da dificuldade de prever a receita.

Precificação baseada em resultados, definida com precisão

A precificação baseada em resultados vincula o preço a um resultado que importa ao cliente, e o fornecedor só recebe quando ele acontece. O resultado precisa ser um evento discreto e verificável: uma conversa de suporte resolvida sem intervenção humana, uma reunião qualificada agendada, uma fatura cobrada, uma reivindicação paga.

Seus pontos fortes espelham as fraquezas da precificação por uso.

• O risco do comprador diminui. Sem resultado, sem cobrança. Isso facilita muito a primeira compra, sobretudo para um comprador cético ou um fornecedor novo sem histórico.
• O preço se ajusta ao valor. O cliente pode comparar a tarifa com o que o resultado vale, ou com o que uma pessoa teria custado.
• Ela sinaliza confiança. Poyar observa que a precificação por resultado diz ao mercado que você se responsabiliza pelo produto e dá ao fornecedor um motivo embutido para continuar melhorando a taxa de sucesso.

Os custos, porém, são reais. O fornecedor paga por cada tentativa, inclusive as que falham. O cliente precisa concordar sobre o que conta como resultado. E o fornecedor precisa da instrumentação para provar que causou o resultado. Por isso a precificação por resultado ainda é rara. Na pesquisa de 2025 de Poyar, 5% dos participantes disseram que o modelo baseado em resultados era o principal, enquanto 25% esperavam que fosse até 2028. O relatório de campo de 2025 da Metronome sobre precificação de IA chegou a uma conclusão parecida a partir de entrevistas: a precificação verdadeiramente baseada em resultados continua rara, porque muitos compradores corporativos não se sentem à vontade em vincular o gasto diretamente às saídas.

O espectro entre elas

Uso e resultados não são duas caixas. São as pontas de uma linha, e a maioria dos produtos reais fica em algum ponto dela. Os comentários da pesquisa de Poyar descrevem a tendência como um afastamento da cobrança pelo acesso (seats) e uma aproximação da cobrança pelo trabalho entregue por uma combinação de software e agentes de IA. Uma forma útil de ler essa linha é em quatro etapas.

As duas etapas do meio são onde mora a confusão. Cobrar por conversa atendida é um preço baseado em trabalho: conta o trabalho, não se o problema do cliente foi resolvido. Cobrar por conversa resolvida é um preço por resultado. A unidade muda em uma palavra, e o risco troca de lado. O relatório de 2025 de Poyar faz a mesma distinção, observando que alguns modelos rotulados como baseados em resultados são mais bem entendidos como precificação baseada em trabalho, enquanto outros são de fato baseados em sucesso, nos quais o fornecedor fica com uma parte do ganho.

Avançar para a direita no espectro geralmente aumenta o valor que você pode capturar e o risco que você carrega. Avançar para a esquerda torna a receita mais previsível e os custos mais fáceis de cobrir. Nenhuma direção é melhor em abstrato.

Como os resultados são definidos e atribuídos

A parte mais difícil da precificação por resultado não é o preço. É combinar o que você está precificando. O framework CAMP de Poyar, do relatório de 2025, é um checklist claro do que precisa ser verdade para funcionar. A precificação por resultado exige consistência, atribuição, mensurabilidade e previsibilidade.

• Consistência: todos os clientes valorizam o mesmo resultado, ou cada contrato exige uma definição própria?
• Atribuição: o cliente dará ao seu produto o crédito pelo resultado, ou acreditará que o obteve sozinho, com uma pequena ajuda sua?
• Mensurabilidade: você consegue medir e reportar o resultado em tempo real, ou ele depende de relatórios do cliente, testes A/B ou uma prova de conceito?
• Previsibilidade: você consegue prever os resultados com precisão razoável, ou eles variam muito de cliente para cliente?

Duas regras práticas decorrem disso.

Defina o resultado como um evento, não como um sentimento. "Cliente satisfeito" não pode ser cobrado. "Conversa encerrada sem resposta humana e sem reabertura em sete dias" pode. A janela de reabertura importa, porque evita que você cobre por respostas que não se sustentaram.

Decida a atribuição antes de assinar. Se um atendente humano toca uma conversa, quem fica com o crédito? Se uma reunião foi agendada pelo seu sistema, mas o prospect já estava em uma cadência de vendas, ela é sua? Escreva a regra e garanta que os dois lados possam extrair o mesmo registro para conferir. A Bain alerta que os fornecedores não conseguem precificar por uso ou resultados se não sabem o que os clientes estão usando ou alcançando, e por isso recomenda que as empresas construam telemetria de produto desde cedo.

Resultados que dependem de coisas que você não controla são uma má escolha. A receita fechada, por exemplo, depende da equipe de vendas, da precificação e do mercado do cliente. Um resultado estreito, no início do funil, costuma ser mais seguro de cobrar do que um resultado de negócio distante.

Divisão de risco entre comprador e vendedor

Todo modelo de precificação decide quem arca com qual risco. Ajuda nomear quatro.

• Risco de desempenho: o produto não funciona bem. A precificação por uso coloca isso no comprador, a por resultado, no vendedor.
• Risco de volume: o consumo é maior ou menor do que o previsto. A precificação por uso expõe o comprador a uma fatura-surpresa e o vendedor a uma queda de receita.
• Risco de custo: o custo de entrega do vendedor sobe. A precificação por uso o repassa. A por resultado o mantém com o vendedor.
• Risco de medição: os dois lados discordam sobre o que aconteceu. O uso tem pouco disso. A precificação por resultado tem o máximo.

A Bain ilustra um problema relacionado, do lado do comprador, com um exemplo numérico. Um fornecedor oferece um agente de IA de US$ 40.000 que poderia, no futuro, substituir um funcionário de US$ 80.000. No curto prazo, o cliente ainda precisa dos dois enquanto avalia os resultados, então seus custos sobem 50% por um período indefinido. A Bain sugere que os fornecedores superem essa lacuna com pagamentos adiados, contratos flexíveis ou garantias de desempenho. Isso é divisão de risco na prática: o vendedor assume parte do risco de transição do comprador para fechar o negócio.

Exposição de margem pelos custos de inferência

Para a IA, precificação e margem são a mesma conversa. A pesquisa de 2026 de Poyar constatou que custos e margens internos eram o fator mais importante na precificação de capacidades de IA, escolhido por 54% dos respondentes. A margem bruta-alvo mediana dos produtos de IA era de cerca de 50%, e apenas 12% buscavam margens semelhantes às do SaaS, de 80% ou mais.

Esse enquadramento explica a exposição que cada modelo cria.

A precificação por uso mantém a receita ligada ao custo, de modo que a margem por unidade fica mais ou menos estável. O risco é uma unidade que não corresponde ao seu custo real. Se você cobra por chamada, mas algumas chamadas custam dez vezes mais para atender do que outras, os usuários intensos ou complexos corroem silenciosamente a sua margem. O relatório da Metronome cita um líder de operações de receita dizendo isso sem rodeios: o excedente de seats é receita não realizada, mas o excedente de IA é dinheiro de verdade que a empresa precisa absorver.

A precificação por resultado rompe o vínculo entre custo e receita. Você recebe a mesma tarifa quer um resultado tenha exigido uma tentativa ou vinte. Se sua taxa de sucesso cai, ou o custo de uma tentativa falha sobe, a margem encolhe enquanto o preço permanece fixo. Se a taxa de sucesso sobe ou o custo por tentativa cai, a margem se amplia. Portanto, a precificação por resultado é uma aposta de que você consegue tornar a entrega cada vez mais barata e confiável. Modele antes de oferecê-la: tarifa por resultado menos o custo por tentativa dividido pela taxa de sucesso. Para a matemática de base, veja unit economics.

Quando cada modelo se aplica

Os modelos híbridos são onde a maior parte do mercado está chegando. Nos dados de 2026 de Poyar, 37% das empresas tinham precificação híbrida, contra 25% doze meses antes, e o estudo da Bain constatou que a maioria dos fornecedores de SaaS analisados havia acrescentado um medidor de IA por cima dos seats, em vez de trocar de modelo de vez. Nosso artigo sobre precificação híbrida para produtos de IA mostra como essas estruturas são montadas, e modelos de precificação de agentes de IA examina como a escolha se desenrola quando o produto é um agente autônomo.

Mecânicas contratuais comuns

O modelo de precificação é só metade do acordo. Os termos do contrato decidem se ele sobrevive ao uso real. O relatório de 2025 de Poyar cataloga as estruturas comuns, e algumas importam mais para estes dois modelos.

Mínimos e compromissos. O comprador se compromete com um nível de uso ou faixa, normalmente "use ou perca". Há variações: a cobrança por marca d'água máxima, em que os clientes caem em excedentes assim que ultrapassam o plano, e o drawdown, em que o uso é consumido de forma flexível como um vale-presente. Poyar alerta que o medo de excedentes e de flutuações incentiva as vendas a vender demais e os clientes a comprar demais.

Tetos. O pay-as-you-go com teto limita o gasto potencial do comprador. Poyar observa que é cada vez mais visto em modelos baseados em resultados, quando os resultados não são conhecidos de antemão. O relatório da Metronome também descreve limites de uso flexíveis e rígidos como salvaguardas que permitem aos clientes se proteger de faturas inesperadas. Um teto torna a precificação por resultado muito mais fácil de comprar, mas também limita o seu ganho, então defina-o levando em conta o seu custo.

Taxas de plataforma. Uma taxa base cobre acesso, suporte e funcionalidades avançadas, com uso ou resultados por cima. A taxa de plataforma também dá ao fornecedor um piso de receita para cobrir custos que não escalam por uso.

Bônus de sucesso. Uma assinatura tradicional, mais um bônus ou comissão quando o cliente obtém um retorno melhor do que o esperado. É um ponto de entrada suave para compradores receosos de uma precificação totalmente variável.

True-ups e faixas adaptativas. Em um true-up, o uso real é conciliado com o compromisso em intervalos definidos, e a diferença é cobrada ou creditada. Em uma tarifa fixa adaptativa, o cliente usa livremente dentro de um contrato e a faixa é redefinida na renovação com base no uso real. É previsível para o comprador, mas deixa o fornecedor com o custo nesse meio-tempo.

Cláusulas de resultado. Na precificação por resultado, coloque por escrito: a definição exata do evento, a janela de observação (por exemplo, sem reabertura em sete dias), a regra de atribuição, a fonte de dados que os dois lados vão auditar e um processo de disputa com prazo.

Seja qual for a sua escolha, mantenha a estrutura simples o bastante para que um comprador consiga explicá-la ao time financeiro em duas frases. Os dados de 2026 de Poyar mostram o custo da complexidade: as empresas com precificação híbrida geralmente são as mais satisfeitas com ela, mas têm dificuldade de explicar sua precificação aos clientes.

Fatos principais: precificação de IA baseada em uso vs. baseada em resultados

• A precificação baseada em uso cobra por unidade consumida (tokens, chamadas, minutos). A precificação baseada em resultados cobra por resultado verificado (um ticket resolvido, uma reunião agendada). Na precificação por uso, o comprador carrega o risco de desempenho. Na por resultado, quem o carrega é o vendedor.
• Entre mais de 30 fornecedores de SaaS estudados pela Bain, cerca de 35% aumentaram os preços dos seats ao incluir a IA, cerca de 65% acrescentaram um medidor de IA sobre os seats e nenhum havia migrado totalmente para a precificação por uso ou resultado (outubro de 2025).
• 37% das 230 empresas de software B2B e IA pesquisadas usavam precificação híbrida em 2026, contra 25% um ano antes (Growth Unhinged, maio de 2026).
• 5% disseram que o modelo baseado em resultados era o principal, e 25% esperavam que fosse até 2028 (Growth Unhinged, pesquisa de 2025).
• A margem bruta-alvo mediana dos produtos de IA era de cerca de 50%, e apenas 12% buscavam 80% ou mais (Growth Unhinged, 2026).
• A precificação por resultado exige consistência, atribuição, mensurabilidade e previsibilidade (o framework CAMP).
• A precificação verdadeiramente baseada em resultados continua rara em negócios corporativos de IA, segundo o relatório de campo de 2025 da Metronome.

Um caminho curto de decisão

Se você está escolhendo agora, percorra estas perguntas em ordem.

1. Você consegue contar algo que acompanhe o seu custo? Se sim, você tem um medidor de uso. Comece por ele.
2. Você consegue definir um resultado em uma frase, como um evento que os dois lados possam verificar? Se não, fique na precificação por uso ou por trabalho.
3. Você consegue instrumentá-lo e manter uma trilha de auditoria? Se não, a precificação por resultado vai virar disputa.
4. Você conhece o seu custo por tentativa e a sua taxa de sucesso? Se não, não precifique por resultado ainda. Modele a margem primeiro.
5. O comprador consegue orçar isso? Se não, acrescente um compromisso, um teto ou uma taxa de plataforma.

A maioria das empresas acaba com uma taxa base, um componente de uso ou de trabalho e, às vezes, um componente de sucesso. Isso não é indecisão. É uma forma de dividir o risco em proporção ao que cada lado consegue controlar. Para um contexto mais amplo de onde essas escolhas se situam entre os demais modelos de startups de IA, veja modelos de negócio de startups de IA explicados, e para os fundamentos de cobrar por valor, veja precificação baseada em valor.

Leitura relacionada

• Modelos de negócio de startups de IA explicados
• O que é uma startup AI-native?
• Precificação baseada em créditos
• Precificação híbrida para produtos de IA
• Precificação baseada em uso
• Modelos de precificação de SaaS
• A pergunta sobre o modelo de precificação de IA para SaaS