Tokens explicados: por que 1.000 palavras ≠ 1.000 tokens

Por LW Forge — mantenedora do LLM Scout · Atualizado em 6 de julho de 2026

Todo provedor de LLM — OpenAI, Anthropic, Google, DeepSeek — cobra por token, mas quase todo mundo planeja o orçamento em palavras ou páginas. Esse descompasso é a fonte mais comum de estimativas de custo erradas que vemos. Um documento de 1.000 palavras não tem 1.000 tokens: em inglês costuma ficar entre 1.300 e 1.400 tokens, e em português o número é ainda maior. Se a sua estimativa assume um token por palavra, a fatura vai chegar 30-80% acima do planejado.

O que é um token, afinal

Token é a unidade que o modelo de linguagem lê e escreve. Antes de o seu texto chegar ao modelo, um componente chamado tokenizador o divide em pedaços de um vocabulário fixo — em geral entre 50.000 e 200.000 entradas, dependendo da família do modelo. Palavras frequentes em inglês, como "the" e "and", ganham token próprio. Palavras menos frequentes são fatiadas: "tokenização" pode virar "token" + "ização", e um termo técnico raro ou um erro de digitação pode se despedaçar em quatro ou cinco fragmentos.

A consequência prática: a contagem de tokens depende do quê você escreve, não só de quanto. Três coisas inflam o número de forma confiável:

• Idioma. Os vocabulários dos tokenizadores são treinados majoritariamente em inglês, então texto em inglês comprime melhor — cerca de 0,75 palavra por token. Português, espanhol e alemão costumam custar 10-25% mais tokens pelo mesmo conteúdo, porque acentos e flexões mais longas são fatiados com mais frequência. Para nós, brasileiros, isso significa que o mesmo prompt custa mais caro em português — vale considerar prompts de sistema em inglês quando o produto permite.
• Formatação e código. JSON, tabelas Markdown, tags XML e código-fonte são caros em tokens: cada chave, aspa e indentação é conteúdo cobrado de verdade. Um payload JSON compacto facilmente usa o dobro dos tokens da prosa equivalente.
• Números e strings incomuns. IDs, hashes, URLs e números longos não existem no vocabulário, então são picados em muitos pedaços pequenos.

As regras de bolso que funcionam

Para fins de planejamento, estas conversões funcionam bem para prosa em inglês:

Para português, multiplique o resultado por algo entre 1,1 e 1,25. Para prompts pesados em código ou JSON, é mais seguro assumir 1,5-2 tokens por "palavra" e depois conferir com uma contagem real — cole uma amostra representativa na nossa calculadora de tokens para ver o número de verdade em vários modelos antes de fechar um orçamento.

São números de planejamento, não de fatura. A única contagem exata é a do tokenizador do próprio provedor, e cada um difere um pouco: o mesmo parágrafo pode ficar alguns por cento menor num modelo do que noutro. Essa variação raramente muda uma decisão de orçamento, mas é mais um motivo para trabalhar com margens em vez de números exatos.

Por que os provedores cobram em tokens

Pode parecer uma unidade obscura escolhida para confundir quem compra, mas tokens mapeiam diretamente para computação. O modelo processa texto um token por vez: cada token de entrada precisa ser lido pelo mecanismo de atenção, e cada token de saída exige uma passada completa pelo modelo para ser gerado. Palavra seria uma unidade péssima de cobrança — "internacionalização" custa muito mais trabalho ao modelo do que "gato", e idiomas sem espaço (chinês, japonês) nem têm fronteira clara de palavra. O token é a medida honesta do trabalho feito.

É também por isso que tokens de saída custam 2-5x mais que os de entrada na maioria das tabelas de preço: gerar texto é sequencial e intensivo em computação, enquanto ler a entrada pode ser paralelizado. Para o orçamento, isso significa que o formato da sua carga importa tanto quanto o tamanho — uma tarefa de resumo (entrada longa, saída curta) e uma de geração de conteúdo (entrada curta, saída longa) com o mesmo total de tokens podem produzir faturas bem diferentes.

Onde a confusão palavra-token custa dinheiro de verdade

Três cenários reais em que a suposição de 1:1 quebra orçamentos:

1. Pipelines de documentos. "Processamos relatórios de 200 páginas" parece um problema de palavras, mas um relatório de 200 páginas a ~500 palavras por página tem 100.000 palavras — cerca de 130.000-140.000 tokens, o que nem cabe numa janela de contexto de 128k. Confira o que cabe de verdade na calculadora de janela de contexto e no nosso guia de quantas páginas cabem num prompt.
2. Histórico de chat. Cada turno de uma conversa é reenviado como entrada no turno seguinte. Um chat que troca "só" 300 palavras por turno acumula milhares de tokens de histórico que você paga de novo em toda requisição.
3. Prompts de sistema. Um prompt de sistema de 2.000 palavras são ~2.600 tokens cobrados em toda chamada. Em alto volume, cortá-lo pela metade pode economizar mais do que trocar por um modelo mais barato.

Como obter números reais para o seu caso

Regra de bolso dá o primeiro rascunho do orçamento; contagem real de tokens dá um orçamento defensável. Cole amostras representativas dos seus prompts reais — não lorem ipsum — na calculadora de tokens, com a formatação incluída, e depois rode o perfil de tokens resultante na calculadora de custo do seu provedor. Refaça a conta sempre que mudar a estrutura do prompt, o formato de saída ou a mistura de idiomas: esses três fatores mexem na contagem de tokens bem mais do que upgrades de versão de modelo.