Dois preços, um modelo
A Meta vende acesso ao Muse Spark, o seu modelo para programação e trabalho com agentes, a dois preços que diferem consoante o cliente a autorize ou não a treinar com aquilo que lhe envia. A TechCrunch noticiou o esquema a 3 de setembro.
No escalão padrão, o Muse Spark custa 1,25 dólares por milhão de tokens de entrada e 4,25 dólares por milhão de tokens de saída, e os prompts e respostas do cliente ficam fora da cadeia de treino da Meta. No escalão Contributor, o mesmo modelo custa 0,10 e 0,20. Os tokens de saída ficam 21 vezes mais baratos, os de entrada 12 vezes. A TechCrunch estimou o desconto combinado em cerca de 95%.
O que a Meta leva em troca são os prompts, as respostas do modelo e os padrões de utilização à volta deles, tudo isso entrando no treino de modelos futuros. A documentação de preços da própria Meta descreve o escalão como algo que baixa “a barreira de entrada para prototipar, testar integrações e escalar experiências onde treinar com os seus dados é aceitável”. A Meta recusou comentar à TechCrunch.
Porque isto difere do arranjo habitual
Todos os grandes laboratórios têm uma posição sobre treinar com dados de clientes, e quase todos a exprimem como uma predefinição com um interruptor: os produtos de consumo treinam por omissão e deixam desativar; os contratos empresariais não treinam e custam mais. A troca é real, mas difusa, repartida entre uma página de termos e um ecrã de definições.
A Meta fez algo mais estreito e mais legível: pôs um número nos dados. Um programador que escolhe entre 4,25 e 0,20 dólares por milhão de tokens de saída está a ver, na única unidade que conta numa conversa de compras, quanto vale o seu tráfego de programação para um laboratório de fronteira.
O escalão também não é uma experiência. Segundo a TechCrunch, a Meta testou primeiro a estrutura com o Muse Spark 1.2 em agosto de 2026 e levou-a para a 1.3, que a empresa lançou a 2 de setembro.
O que os programadores enviam de facto
O tráfego de programação vale tanto porque são dados de treino invulgarmente bons. Uma sessão de agente contém uma tarefa, uma série de tentativas, chamadas a ferramentas, mensagens de erro e — o decisivo — um sinal sobre se a coisa funcionou. Isso é caro de sintetizar e difícil de comprar.
É também, nas mãos de um programador em serviço, material alheio. Os prompts saídos de um agente de programação contêm rotineiramente código proprietário, formatos de API internos, detalhes de infraestrutura e por vezes credenciais. Quem clica para passar ao escalão barato não é, muitas vezes, quem é dono do que está na janela de contexto.
Arvind Narayanan, professor de informática em Princeton, disse à TechCrunch que as grandes empresas tendem a evitar partilhar dados proprietários e ficam nos planos empresariais apesar do custo mais alto. É a divisão esperada: o desconto bate com mais força nas equipas pequenas e nos programadores individuais, que têm menos capacidade jurídica para pesar o que estão a ceder e mais sensibilidade ao preço a empurrá-los para ceder.
O que acompanhar
A pergunta interessante é se outros laboratórios seguem. Escalões explícitos de dados por preço existem nas margens — camadas gratuitas que treinam, camadas pagas que não — mas não como número em destaque na página de API de um modelo de fronteira.
Se a OpenAI, a Anthropic ou a Google publicarem um escalão comparável, o setor terá estabelecido que os dados de treino têm um preço unitário público, e toda a negociação empresarial sobre tratamento de dados partirá daí. Se nenhum o fizer, o escalão da Meta será lido como aquilo que também pode ser: uma empresa atrasada em dados a comprar caminho.
