Aviso importante: Para manter paridade com nossos outros produtos da Automation Anywhere, aumentamos a representação na interface dos créditos calculados em 10x. De agora em diante, os créditos na interface serão representados em unidades k (milhares), como 1k créditos para 1.000 créditos. Esta atualização está sendo implantada gradualmente, equipe por equipe. As equipes de Vendas, Pedidos e Deal Desk já podem ter entrado em contato para apoiar uma transição mais suave, incluindo a atribuição de créditos adicionais para usuários avançados. Para dúvidas ou discussões, entre em contato com support@automationanywhere.com, e teremos prazer em ajudá-lo. Conceitos Fundamentais
O Que São Créditos?
Créditos são a unidade de medida que o EKB utiliza para rastrear e faturar o uso da plataforma. Em vez de faturar separadamente cada recurso subjacente (computação, chamadas de API, uso de LLM), os créditos fornecem uma moeda unificada que abstrai esses custos em um formato previsível.
Os créditos são consumidos de duas maneiras:
- Créditos de Ação da Plataforma são cobranças de tarifa fixa vinculadas a ações específicas do usuário — upload de um documento, envio de uma mensagem de chat ou invocação de uma ferramenta. Esses são fixos e previsíveis, independentemente do tamanho do conteúdo ou do modelo utilizado.
- Créditos de Tokens LLM são cobranças variáveis baseadas no uso real do modelo de linguagem. Como os custos de LLM dependem da quantidade de texto que entra e sai do modelo, esses créditos variam com base no tamanho do documento, no comprimento da resposta e na seleção do modelo.
Seu consumo total de créditos para qualquer operação é sempre a soma dos dois tipos.
O Que São Tokens?
Tokens são a unidade que os Modelos de Linguagem de Grande Porte utilizam para processar texto. Antes que qualquer texto seja lido ou gerado por um LLM, ele é dividido em tokens — pequenos fragmentos que correspondem aproximadamente a palavras ou partes de palavras.
Como regra geral:
- 1 token ≈ 4 caracteres, ou aproximadamente ¾ de uma palavra em inglês
- Um documento de 100.000 palavras possui aproximadamente 133.000 tokens
- Uma frase curta como “Explain this document” possui cerca de 4–5 tokens
Os provedores de LLM cobram separadamente por tokens de entrada (o texto enviado ao modelo — seu prompt, trechos de documentos recuperados, instruções do sistema) e tokens de saída (o texto que o gera em resposta). As taxas de entrada e saída diferem, e ambas contribuem para seu consumo de Créditos de Tokens LLM.
No EKB, o uso de tokens aumenta quando grandes documentos são recuperados para o contexto, muitos trechos de bases de conhecimento são incluídos em um prompt ou o modelo produz respostas longas ou estruturadas.
Tabela de Consumo de Créditos
A. Ingestão de Base de Conhecimento (KB)
O upload de um documento para uma Base de Conhecimento aciona um pipeline de ingestão multi-etapas. Cada etapa possui sua própria estrutura de custos e algumas etapas incorrem em Créditos de Tokens LLM adicionais, dependendo da configuração do seu projeto.
Pipeline de Ingestão
| Etapa | Descrição | Custo |
|---|
| 1. Upload do Documento | O arquivo é recebido e a contagem de palavras é calculada | 1 crédito a cada 10.000 palavras |
| 2. Extração por LLM (opcional) | Um LLM analisa e extrai conteúdo do documento | Tokens de entrada + saída × taxa do modelo |
| 3. Chunking da Plataforma | Tokenização, divisão e montagem de metadados | Gratuito (plataforma) |
| 4. Enriquecimento de Trechos (opcional) | Um LLM gera um prefixo de contexto para cada trecho | Tokens de entrada + saída × taxa do modelo |
| Item | Créditos |
|---|
| 100.000 palavras | 10 créditos |
| Item | Créditos |
|---|
| 100.000 palavras (upload) | 10 créditos |
| Tokens de Extração por LLM | Varia conforme o modelo |
| Chunking da Plataforma | Gratuito |
| Tokens de Enriquecimento de Trechos | ~10 créditos (veja Seção B) |
| Total Estimado | ~20+ créditos |
Quanto mais etapas opcionais você habilitar, maior será o custo de ingestão por documento. O custo de upload baseado em palavras é sempre fixo e previsível.
B. Chunking de Documentos
O chunking é a etapa entre a extração do documento e o embedding. Ele recebe o texto limpo de um documento carregado e o divide em partes menores (trechos) que são indexadas no armazenamento vetorial e posteriormente recuperados para consultas no Chat ou em Agentes.
Os custos de chunking se dividem em duas categorias:
- Chunking da Plataforma: Operações determinísticas (tokenização, divisão, montagem de metadados) que são executadas localmente no servidor e não são cobradas como uso de LLM.
- Enriquecimento de Trechos (Créditos de Tokens LLM): Faturado apenas quando o Enriquecimento de Trechos está habilitado para o projeto nas Configurações da Base de Conhecimento. O LLM gera um curto prefixo de contexto para cada trecho; tanto tokens de entrada quanto de saída são cobrados.
Exemplo: Custos de Chunking de Documentos
O exemplo a seguir assume um documento de tamanho moderado com Enriquecimento de Trechos habilitado:
- Tamanho do documento: 100.000 palavras (~133.000 tokens de entrada, a 4 caracteres/token)
- Configurações de chunking:
chunk_size=64 tokens, chunk_overlap=10 tokens → ~2.300 trechos
- Enriquecimento de Trechos: Habilitado com
gpt-4o-mini
- Texto de saída (trechos unidos incluindo prefixos de enriquecimento): ~140.000 tokens de saída
- Preço do modelo (exemplo): entrada
$0.15 por 1M de tokens, saída $0.60 por 1M de tokens
| Componente | Tokens | Custo |
|---|
| Tokens de Entrada (documento) | 133.000 | $0,01995 |
| Tokens de Saída (trechos) | 140.000 | $0,084 |
| Custo Total LLM | 273.000 | $0,104 |
$0,104 (custo total LLM) / $0,01 (custo por crédito) equivale a 10,4 créditos, exibido como ~10 créditos.
Se o mesmo documento fosse carregado sem o Enriquecimento de Trechos habilitado, o chunking consumiria 0 Créditos de Tokens LLM.
C. Interação no Chat / Agente
Créditos fixos da plataforma
| Ação | Créditos |
|---|
| Usuário envia uma mensagem de chat | 1 crédito |
| Chamada de ferramenta invocada | 1 por chamada |
-
Entrada: $3 por 1M de tokens
-
Saída: $15 por 1M de tokens
D. Execuções de Fluxos de Trabalho
| Ação | Créditos |
|---|
| Execução de fluxo de trabalho | 1 por execução |
O custo é de 1 crédito por execução, independentemente do número de etapas envolvidas.
Exemplo Completo de Chat
Cenário
Usuário pergunta: “Explique o documento anexo.”
Créditos da plataforma
| Componente | Créditos |
|---|
| Pergunta feita | 1 |
| Chamadas de ferramentas (recuperação de documento) | 2 |
| Subtotal | 3 |
| Tipo | Tokens | Custo |
|---|
| Entrada | ~53.634 | ~$0,161 |
| Saída | ~900 | ~$0,0135 |
| Total | — | ~$0,1745 |
| Componente | Créditos |
|---|
| Plataforma fixa | 3 |
| Uso de LLM | 17 |
| Total | 20 |
Resumo da Fórmula de Cálculo de Custos
Upload de Documento
Créditos de Palavras = Total de Palavras ÷ 10.000 + Créditos de Tokens LLM (Análise)
Mensagem de Chat
Crédito de Mensagem Fixo + Créditos de Chamada de Ferramentas + Créditos de Tokens LLM (Entrada + Saída)
O Que Aumenta o Uso de Créditos LLM?
O custo de LLM aumenta quando:
▶ Grandes documentos são recuperados para o contexto
▶ Muitos trechos da KB são injetados no prompt
▶ Respostas são longas ou estruturadas
▶ Múltiplas chamadas de ferramentas são acionadas
▶ Modelos de maior custo são selecionados
Notas Importantes para Clientes
✓ O custo de ingestão baseado em palavras é previsível.
✓ Os custos do chat variam significativamente dependendo do tamanho do documento e do número de tokens utilizados.
✓ A precificação do modelo é configurável no Super Admin.
✓ Os créditos LLM são baseados em consumo e não podem ter tarifa fixa.
✓ Total final de créditos = Créditos da Plataforma + Créditos LLM.
