Como o simulador funciona
A ferramenta projeta o custo de vetorizar seus dados em 3 passos:
- Modelo de embedding: escolha entre OpenAI 3-small, OpenAI 3-large, Cohere embed-multilingual ou BGE-M3 local
- Número de documentos: quantos textos você quer vetorizar
- Tokens por documento , tamanho médio de cada documento em tokens
O resultado mostra o custo único de geração (API por token ou local grátis), o custo mensal de armazenamento no vector DB e o custo total em 12 meses. Tudo roda no navegador. Nada é enviado pra servidor.
Como o custo é calculado
A base matemática: tokens totais = documentos × tokens por documento. Custo de geração = tokens totais × preço por token (em USD, convertido pra BRL pela cotação do dólar).
Para armazenamento, cada documento vira um vetor. O custo do vector DB é cobrado por milhão de vetores por mês, variando conforme a dimensão do modelo (1.536 dimensões para o 3-small, 3.072 para o 3-large, 1.024 para o Cohere e 1.024 para o BGE-M3). Modelos locais como o BGE-M3 têm geração grátis, mas ainda pagam armazenamento.
Por que simular antes de vetorizar
Embedding é o primeiro passo de qualquer sistema RAG (busca semântica, recuperação por similaridade). Empresas subestimam o custo de armazenamento de longo prazo: o que parece barato na geração pode virar uma conta mensal pesada conforme a base cresce. A ferramenta responde: vale a pena pagar API comercial ou self-hostar um modelo local?
Se o custo de 12 meses for alto, vale considerar modelo local (BGE-M3) ou otimizar o chunking. O diagnóstico gratuito ajuda a definir a arquitetura ideal pra sua operação.
Quer montar um RAG de verdade?
A ferramenta dá uma estimativa de custo. O diagnóstico gratuito (30 min, online) avalia seus dados, volume real e arquitetura de vector DB mais econômica.