O custo de usar inteligência de machine learning está diminuindo em várias ordens de magnitude a cada ano, sem sinais de desaceleração. Espera-se que LLMs se tornem infraestrutura ubíqua, rodando localmente em hardware commodity dentro de 3‑6 anos. A evidência inclui modelos proprietários como GPT‑6 Astra e modelos de pesos abertos como GLM‑5.3‑flash, bem como modelos locais como Muse Glimmer e Qwen3 Coder.

A eficiência energética de GPU segue uma curva logarítmica, dobrando aproximadamente a cada dois anos — comparável aos ganhos históricos da Lei de Moore. O preço dos modelos é por token, mas o custo no nível da tarefa está caindo drasticamente; a fronteira de Pareto em 2026 mostra modelos que vão de opções baratas e menos inteligentes a opções caras e de alto desempenho. Motores de inferência estão melhorando rapidamente, entregando ganhos de 10‑50% ao ano. À medida que os custos de token se tornam insignificantes, qualidade e acesso emergem como os novos fatores limitantes para adoção de IA.