Preço do PromptQL: quanto custa de verdade em 2026

O que o PromptQL realmente é (para o preço fazer sentido)

Antes dos números, uma contextualização rápida, porque o preço do PromptQL só faz sentido quando se entende o que está sendo comprado.

O PromptQL não é um chatbot nem um helpdesk. É um agente de IA multiplayer para dados corporativos construído pela Hasura, empresa por trás do motor GraphQL de código aberto. A Hasura o chama de "sucessor espiritual do GraphQL para a era da IA": enquanto o produto antigo gerava APIs automaticamente para que desenvolvedores construíssem aplicativos, o PromptQL gera planos de consulta em tempo real para que uma pessoa possa fazer uma pergunta em linguagem natural e obter uma resposta confiável a partir do Slack, de documentos, do CRM e de tabelas do data warehouse.

Toda a proposta gira em torno da confiabilidade. O fundador Tanmai Gopal coloca o problema sem rodeios:

"O maior problema não é não conseguir responder à pergunta com precisão. O grande problema é a IA fingir ser precisa mesmo quando não é. Então a IA erra com confiança. Esse é o problema."

Tanmai Gopal, entrevista à VentureBeat

Essa visão importa para a fatura, porque o PromptQL cobra por computação (o trabalho de planejar e executar uma consulta de forma confiável), não por recursos nomeados ou assentos. Ele saiu do beta em junho de 2025, e no final de 2025 a Hasura era descrita como uma empresa avaliada em mais de um bilhão de dólares, com clientes conhecidos como Cisco, McDonald's, Instacart e Swiggy. Ou seja, é uma ferramenta de dados corporativa com ambições corporativas, e o preço reflete isso.

O preço do PromptQL de relance

Existem efetivamente dois níveis: um plano Starter self-service, com pagamento por uso, e um plano Enterprise sob consulta, sem números públicos. Mas, antes da tabela, aqui está todo o modelo de preços em uma imagem, porque a tarifa anunciada é apenas um dos três fatores que decidem quanto você paga.

O destaque que você verá na página de preços está escrito como "US$ 0,20 → US$ 0,14 por OLU". Os US$ 0,14 são o preço promocional a preço de custo, que o PromptQL afirma ser 1x o custo de token subjacente, sem margem, por tempo limitado; US$ 0,20 é a tarifa padrão, aproximadamente 1,4x o custo de token. Ambos são valores totais: o preço por OLU cobre tokens de modelo, mais infraestrutura, hospedagem em sandbox e orquestração. Sem taxa de plataforma separada, sem licença por assento.

Isso é genuinamente limpo para uma página de preços. A pegadinha está na própria unidade.

Afinal, o que é uma OLU?

Uma OLU (Operational Language Unit) é uma unidade normalizada de tokens. O PromptQL agrupa os diferentes tipos de token (entrada, saída, cache, criação de cache) e os diferentes modelos (Opus, GPT, GLM e por aí vai) em uma única unidade consistente, para que sua fatura não mude de forma toda vez que você troca de modelo. Tarefas mais complexas consomem mais OLUs, e você pode ver o consumo exato por thread e por etapa em um painel de uso.

Veja como isso funciona na prática. Faça uma pergunta real ao PromptQL, e ele mostra o trabalho: um plano de consulta, depois o código real que executou, depois a resposta. Cada uma dessas etapas consome OLUs.

Eu tenho um carinho especial por essa honestidade (dá para ver exatamente pelo que você pagou), mas também tenho um viés que preciso assumir de saída: passei alguns anos escrevendo sobre como as ferramentas de IA definem seus preços e o que os compradores realmente buscam, e "unidade de cobrança inventada" é uma frase que me faz estremecer. É o item mais difícil de prever em qualquer fatura de IA, porque você não consegue saber seu consumo de OLU até rodar sua carga de trabalho real no seu modelo real. Os exemplos de custo típico ajudam, mas são exemplos, não uma cotação.

Por falar nisso.

Custos típicos de consulta

O próprio FAQ do PromptQL traz números representativos na tarifa promocional de US$ 0,14:

Então um analista de dados que roda uma dezena de relatórios complexos por dia fica em torno de US$ 17 por dia, ou cerca de US$ 370 por mês, na tarifa promocional, em um modelo de ponta. Essa é a estimativa honesta. Mas troque de modelo e esse número pode despencar, o que nos leva à história real.

O multiplicador de modelo é a verdadeira alavanca de preço

Esta é a parte que eu tatuaria na página de preços se pudesse. O preço por OLU é fixo, mas o modelo escolhido muda quantas OLUs uma tarefa consome. O PromptQL ancora sua tabela de multiplicadores no Claude Opus 4.6 = 1,0x e mede tudo o mais em relação a ele. Um multiplicador menor significa que o modelo faz o mesmo trabalho com menos OLUs, logo, é mais barato.

A diferença é enorme:

Lendo isso de cima para baixo, toda a conversa sobre preço vira do avesso. Aquela investigação profunda de US$ 5,60 no Opus? Rode no DeepSeek V4 Flash a 0,018x e o mesmo trabalho custa cerca de dez centavos de dólar. Rode no GPT-5.5 Pro e fica mais perto de US$ 75. O PromptQL oferece os modelos open-weight via Fireworks e permite trocar de modelo por thread ou no meio de uma thread, então o conselho prático é: prototipe e rode o trabalho de rotina em um modelo open-weight barato, e só recorra a um modelo de ponta quando a tarefa realmente exigir esse raciocínio.

O motivo pelo qual o PromptQL consegue usar um modelo barato em perguntas de dados difíceis é arquitetural, e vale uma seção só para isso.

Por que a arquitetura afeta quanto você paga

A maioria das ferramentas de "IA sobre seus dados" conecta um LLM diretamente a um banco de dados e torce para dar certo. A ideia central de design do PromptQL é desacoplar o planejamento da consulta da sua execução. O LLM escreve um plano detalhado de múltiplas etapas (aquilo em que os LLMs são bons), e esse plano roda como código real, determinístico, fora do modelo, não na janela de contexto.

Gopal coloca assim:

"Em vez de gerar respostas, geramos planos em uma linguagem específica de domínio, única para o seu negócio. Esses planos compilam em ações determinísticas com validações em tempo de execução e verificações de política."

Tanmai Gopal, entrevista à VentureBeat

Por que isso importa para o preço? Porque significa que um modelo mais barato muitas vezes dá conta do serviço. Se o modelo só precisa planejar, em vez de processar milhares de linhas dentro do contexto, um modelo open-weight enxuto planeja quase tão bem quanto um de ponta, e você embolsa a diferença do multiplicador. A Hasura se apoia no Berkeley Data Agent Benchmark, no qual até modelos de ponta pontuam apenas 43% (Opus-4.6), 38% (Gemini-3-Pro) e 25% (GPT-5.2) em perguntas de dados reais, enquanto a geração tradicional de consultas de banco de dados pontua "perto de 0%". A divisão entre planejar e depois executar é o que fecha essa lacuna, e é por isso que você realmente paga a margem.

Estime sua própria fatura do PromptQL

Como o multiplicador de modelo faz grande parte do trabalho, uma tabela estática não consegue te dar seu número. Então aqui está uma calculadora: insira seu uso, escolha um modelo e veja o custo mensal tanto na tarifa promocional quanto na padrão.

Brinque com o menu de modelo e observe o número se mover. Quatrocentos relatórios complexos por mês custam cerca de US$ 56 no Opus na tarifa promocional, e cerca de US$ 1 no DeepSeek. Isso não é uma diferença de arredondamento; é a decisão de preço inteira.

O nível gratuito e os créditos

Você pode começar sem cartão de crédito. O PromptQL dá US$ 50 em créditos gratuitos ao criar seu primeiro projeto, mais US$ 20 adicionais para cada colaborador que entrar em seu primeiro projeto. Os créditos são gerenciados no nível do projeto, então uma equipe que cria vários projetos acumula uma boa margem de manobra.

Em um modelo open-weight enxuto, o PromptQL diz que US$ 50 são suficientes para "milhares de tarefas simples" antes de você pagar um centavo. Quando os créditos acabam, você adiciona uma forma de pagamento e passa para a cobrança pré-paga: você recarrega um saldo, o trabalho pausa automaticamente ao chegar a zero, e cotas por usuário e alertas de gasto evitam que uma thread descontrolada te pegue de surpresa. Sem mínimos, sem fidelidade anual no plano Starter.

O nível Enterprise

Tudo acima é a história do self-service. O plano Enterprise tem cotação sob consulta, sem números públicos, e adiciona o que um comprador regulado precisa: segurança avançada e permissões granulares, trilhas de auditoria de acesso a dados (quais dados foram usados em qual thread, por qual usuário), uma VPC dedicada ou traga sua própria nuvem, rede privada e peering de VPC, single sign-on, traga seus próprios LLMs, e suporte de engenharia alocada junto ao cliente.

Se você é o tipo de empresa que tem um processo de compras, este é o nível em que você vai cair, e a conta por OLU vira apenas uma linha dentro de um contrato negociado. É também onde costuma se encaixar a prática de engenharia de IA da Hasura a US$ 900 a hora, então orce serviços além do consumo se for seguir pelo caminho Enterprise.

O preço do PromptQL é bom?

Para o que é (uma camada de confiabilidade para IA sobre dados corporativos), o preço é justo e incomumente transparente. Sem assentos, sem taxa de plataforma, preço promocional a preço de custo, e um painel que mostra exatamente o que cada thread consumiu. Prefiro isso a um mínimo de plataforma de US$ 50 mil atrás de um muro de "fale conosco".

Minha única reclamação de verdade é a OLU. É uma unidade inventada bem projetada, mas ainda assim é uma unidade inventada, e unidades inventadas são o que eu vi tropeçar compradores repetidas vezes. Você não consegue prever uma fatura de OLU a partir de uma página de preços; só consegue prever depois de rodar sua própria carga de trabalho. O PromptQL suaviza isso com exemplos de custo típico, limites de gasto e pausa automática, e isso realmente ajuda. Mas "quanto isso vai nos custar no próximo trimestre?" é uma pergunta mais difícil aqui do que o número limpo de US$ 0,14 sugere, porque a resposta honesta é "depende inteiramente da sua combinação de modelos e da complexidade das suas consultas".

Isso não é uma falha exclusiva do PromptQL. É o imposto que se paga por preço baseado em consumo sobre uma unidade opaca. O que é uma boa deixa para como eu pensaria nisso se você chegou aqui vindo do mundo das ferramentas de suporte.

PromptQL vs. uma IA de suporte como a eesel

Verificação rápida da realidade, porque uma parte das pessoas que buscam "preço do PromptQL" está, na verdade, comparando ferramentas de IA em geral, não especificamente agentes para analistas de dados.

O PromptQL e a eesel AI não competem de fato. O PromptQL é um agente de acesso a dados para analistas e equipes de dados corporativas; a eesel é uma colega de equipe de IA para a fila de suporte e conteúdo, que se conecta ao Zendesk, Freshdesk, Slack e à sua central de ajuda. Se o seu trabalho de verdade é desviar tickets ou redigir respostas, o PromptQL é a ferramenta errada.

Mas a lição de preço se aplica sim, e é por isso que criei a calculadora acima. Quando ajudei a moldar como a eesel define seus preços, a única regra que sobreviveu a todos os experimentos foi: cobre em uma unidade em que o cliente já pensa. Testamos unidades inventadas. "Crédito" obrigava as pessoas a fazer contas ("espera, quanto valia um crédito mesmo?"), e isso matava a adoção silenciosamente. Por isso a eesel cobra por ticket, cerca de 40 centavos de dólar por ticket resolvido, sem taxas por assento, porque um gerente de suporte já vive e respira volume de tickets. Você consegue prever a fatura da eesel do mês que vem de cabeça, a partir do volume de tickets deste mês. Esse é todo o objetivo.

Então, se você está avaliando o PromptQL, meu conselho é rodar sua carga de trabalho real no seu modelo real por uma semana antes de extrapolar, porque a OLU torna as estimativas de cabeça pouco confiáveis. E se você veio do mundo do suporte procurando uma IA por ticket que você consiga de fato orçar, a eesel é gratuita para testar e tem preço por ticket, não por token.

Experimente a eesel

Se o seu problema é a fila de suporte, e não o data warehouse, a eesel AI é a ferramenta pensada para isso. Ela se conecta ao seu helpdesk atual em minutos, aprende com seus tickets anteriores e sua central de ajuda, e começa a redigir e resolver respostas desde o primeiro dia, com preço por ticket para que a fatura acompanhe algo que você já mede. Você pode experimentar gratuitamente e simular com seus tickets históricos antes que ela toque em um cliente real, o que é o mais próximo de uma previsão que você vai conseguir nessa categoria.