Loading Now

GitHub Copilot: Guia prático de tokens, modelos e custos

A partir do 1 de Junho de 2026, o GitHub vai mudar a forma de cobrança, substituindo o modelo de Premium Requests por um método baseado no uso (usage-based billing). Isso significa que o custo de cada interação vai depender de dois aspectos principais:

  1. O modelo utilizado (por exemplo, Claude Opus, GPT-5, Gemini, etc.)
  2. O número de tokens usados (tanto de entrada, saída, quanto os armazenados)

Referência oficial: Mudanças na cobrança do Copilot

Cada interação consome um número de tokens, que são convertidos em AI Credits. Aqui está a conversão:

1 AI Credit = $0,01 USD

PlanoPreço/mêsBase CreditsFlex AllotmentTotal AI Credits
Copilot Pro$101.0005001.500
Copilot Pro+$393.9003.1007.000
Copilot Max$10010.00010.00020.000

Os planos agora têm uma estrutura mais flexível, permitindo pacotes de créditos que definem quantas requisições você pode fazer a modelos avançados antes de precisar usar créditos adicionais ou mudar de modelo:

  • Base Credits: A quantidade fixa que vem inclusa no valor base do seu plano.
  • Flex Allotment: Uma quantidade de créditos adicionais para usar em picos de demanda, evitando bloqueios na conta ou cobranças extras.
  • Pooled Credits (Organizações): Para contas corporativas (Copilot Business e Enterprise), os créditos podem ser compartilhados em um fundo comum, facilitando a gestão global do uso.

Referência: Cobrança baseada no uso para indivíduos

Quando você utiliza o Copilot, há três tipos de tokens consumidos:

Tipo de TokenO que éCusto relativo
Input tokensO que você envia ao modelo (prompts, contexto de arquivos, histórico)Base
Cached tokensContexto que o modelo reutiliza de interações anterioresEntre ~4x e ~10x mais barato (varia por modelo)
Output tokensO que o modelo gera como respostaMais caro

Tokens em cache são significativamente mais acessíveis. Em muitos modelos, o custo de cached input é cerca de 10 vezes mais baixo que input “frio”. Confira um exemplo de preços por milhão (1M) de tokens:

ModeloInput (por 1M tokens)Cached (por 1M tokens)Output (por 1M tokens)
Claude Haiku 4.5$1,00$0,10$5,00
Claude Sonnet 5.5$2,00$0,10$10,00
Claude Opus 5.5$4,00$0,20$20,00
GPT-5.3-Codex$1,75$0,175$14,00
GPT-6 Luna$0,10$0,01$0,50
GPT-6.1 Terra$1,00$0,05$5,00
Gemini 4 Hydrogen$1,50$0,075$7,50
MAI-Code-1.1-Flash$0,20$0,02$1,20

Referência: Modelos e preços do GitHub Copilot

O caching acontece automaticamente nas seguintes situações:

  1. Conversas contínuas — O contexto é reutilizado entre mensagens na mesma sessão.
  2. Arquivos frequentemente abertos/referenciados — O mesmo contexto de código é enviado repetidamente.
  3. Prompts semelhantes — Quando o início do prompt é idêntico a uma chamada recente anterior.

Se você notar que a maioria dos tokens consumidos são cached no seu relatório de uso, isso significa:

  • Você está mantendo sessões de chat mais longas (isso é ótimo!)
  • O contexto está sendo reutilizado de forma eficiente.
  • Seu custo por interação é muito menor em comparação a quem inicia novas conversas frequentemente.

Vamos calcular os custos usando o Claude Opus 5.5:

ParâmetroValor estimado
Input tokens por interação~4.000
Output tokens por interação~1.000
Custo input (non-cached)4.000 ÷ 1M × $4,00 = $0,016
Custo output1.000 ÷ 1M × $20,00 = $0,020
Custo total por interação~$0,036 = 3,6 AI Credits

Para quem tem 1.500 AI Credits (Copilot Pro), isso permite aproximadamente 416 interações por mês com o Claude Opus 5.5.

Caso você seja um usuário intenso (50 interações por dia), seus créditos se esgotam em cerca de 8 dias.

Aviso: Os valores apresentados são estimativas baseadas nos preços oficiais por token (Modelos e preços), levando em conta uma interação média de ~4.000 tokens de entrada + ~1.000 tokens de saída, sem cache. Na prática, considerando o cache, o custo real pode ser muito inferior.

ModeloPreço Input/1M (doc.)Preço Output/1M (doc.)Custo estimado/interaçãoInterações com 1.500 creditsInterações com 7.000 credits
GPT-6 Luna$0,10$0,50~0,09 credits~16.666~77.777
MAI-Code-1.1-Flash$0,20$1,20~0,20 credits~7.500~35.000
GPT-6.1 Terra$1,00$5,00~0,9 credits~1.666~7.777
Claude Sonnet 5.5$2,00$10,00~1,8 credits~833~3.888
Claude Opus 5.5$4,00$20,00~3,6 credits~416~1.944

Fórmula utilizada: (4.000 ÷ 1.000.000 × preço_input) + (1.000 ÷ 1.000.000 × preço_output) → convertido para AI Credits (÷ $0,01)

Antes de discutir estratégias de redução de custos, vale a pena mencionar um ponto crucial que o workshop do GitHub destaca e que ainda não foi abordado neste artigo:

“Quando os tokens eram baratos, a precisão do Agent não era um fator. Contudo, quando passam a ser caros, exigem esforço adicional de engenharia.”

A lógica é bastante clara:

Agent ROI = Valor do output do Agent / Custo de tokens × 100%

Apenas otimizar a parte do custo (tokens) sem considerar o valor gerado (qualidade) é uma abordagem incompleta.

Agentes interligados potencializam erros. Com uma taxa de acerto de 99% por etapa, um fluxo de trabalho com 50 etapas pode reduzir para apenas ~60% de sucesso. Cada erro gera tokens extras para depuração, retrabalho e novas chamadas ao modelo.

Divida o trabalho em fases utilizando diferentes modelos para cada um:

FaseObjetivoModelo indicado
PesquisaExploração e entendimento do contextoGemini 2.5 Pro / GPT-4.1
PlanejamentoDefinição precisa do que será realizadoClaude Opus / GPT-5.5
ImplementaçãoExecução paralela de tarefas bem definidasGPT-5.4 / Claude Sonnet

Um prompt impreciso acaba jogando o problema para o modelo. Um prompt claro já facilita a solução e consome muito menos tokens no total.

Exemplo prático:

  •  “Corrija o bug”
  •  “A issue #123 descreve um bug onde a API retorna 500 ao chamar /orders com payload vazio. Corrija tratando a validação antes e garantindo a resposta 400.”

Um agente sem guardrails acumula silenciosamente os erros. Para evitar isso, configure:

  • Testes unitários que falham rapidamente e com precisão.
  • Linters e formatadores automáticos.
  • Scans de segurança no pipeline.

Cada erro emparelhado a um teste custa muito menos do que uma sessão de depuração usando um modelo premium.

Instruções persistentes mal redigidas inflamam o prompt do sistema em toda sessão. Algumas boas práticas incluem:

  • Mantenha o arquivo pequeno e específico.
  • Inclua um log de erros recorrentes do agente (agent misses).
  • Adicione diretrizes para respostas concisas (“seja conciso”, “pare se X”).
  • Itere com frequência — evite usar IA para gerar as instruções.

Deixe que o Copilot escolha o modelo ideal para tarefas gerais. O sistema tende a priorizar modelos mais leves e econômicos sempre que o prompt não exigir raciocínio complexo, o que reduz bastante o custo médio. Nos planos pagos, a documentação oficial indica um desconto de 10% ao utilizar a seleção automática de modelos no Copilot Chat e no agente de nuvem do Copilot.

Nota temporal: até 30/11/2026, os planos pagos terão um desconto de 30% com o Copilot Fusion (consulte a documentação oficial para verificar a disponibilidade).

TarefaModelo recomendadoPor quê
Perguntas simples, snippetsGPT-6 Luna / MAI-Code-1.1-FlashMuito barato e rápido para tarefas curtas.
Desenvolvimento diário, refatoraçãoGPT-6.1 Terra / Claude Sonnet 5.5Melhor equilíbrio entre custo e qualidade.
Arquitetura complexa, revisões de códigoClaude Opus 5.5 / GPT-5.6 SolUse quando precisar de raciocínio mais aprofundado.
Resumir e-mails/documentosClaude Haiku 5.5 / GPT-6 LunaTarefa simples, normalmente sem necessidade de maior complexidade.
  • EVITE abrir um novo chat para cada pergunta em uma mesma tarefa.
  • Continue a conversa na mesma thread para reutilizar contexto, já que cached tokens são entre ~4x e ~10x mais baratos, dependendo do modelo.
  • Use /clear frequentemente ao iniciar uma nova tarefa — o contexto acumulado de tarefas anteriores aumenta o custo sem agregar valor.
  • Preste atenção ao ContextRot: a partir de ~50% da janela de contexto, os modelos perdem qualidade nas respostas do meio da conversa (Lost in the Middle).
  • Regra geral: forneça o mínimo de contexto necessário, mas o máximo possível para completar a tarefa.
  • Feche abas de arquivos que não são relevantes.
  • Utilize @file para referenciar apenas o que precisa.
  • Prompts mais objetivos resultam em menos tokens de input.
  • Sugestões inline e sugestões de próximo edit não consomem AI Credits.
  • Para tarefas de completar código, permita que o autocomplete faça seu trabalho.
  • GitHub: acesse a visão geral de cobrança da sua conta e abra Orçamentos e alertas para monitorar consumo e configurar alertas.
  • Nos planos individuais com cobrança baseada em uso, o painel de uso mostra a cota disponível e o uso acumulado.
  • O caminho de menu pode variar de acordo com o tipo de conta, permissões e atualizações da interface.
  • Defina um orçamento máximo para AI Credits adicionais.
  • Configure alertas em 75%, 90% e 100% do orçamento para se preparar para o esgotamento.
  • Após acabar os créditos, o comportamento dependerá do plano e das políticas configuradas: você pode ter continuidade com modelos limitados, ficar bloqueado até o reset mensal ou haver cobrança por créditos adicionais.

Referência1: Configurando orçamentos para controlar gastos Referência2: Sobre a cobrança do GitHub Copilot

O VS Code oferece comandos, variáveis de contexto e ferramentas nativas para ajudar no controle do consumo de tokens. Ao digitar / no chat, você verá os comandos disponíveis. Aqui estão os mais importantes para economizar:

ComandoO que fazImpacto no custo
/clearLimpa a conversa e inicia uma nova sessão.Essencial. Remove o contexto acumulado que aumenta os tokens de entrada a cada turno. Use ao mudar de tarefa.
/compactCompacta/resume o contexto da sessão atual sem apagar o histórico.Alto impacto. Reduz drasticamente os tokens de entrada enviados em turnos seguintes. Ideal para sessões prolongadas onde /clear poderia apagar contexto útil.
/newInicia uma nova conversa (similar ao /clear).Mesma função do /clear — útil para separar contextos entre diferentes tarefas.
/helpReferência rápida dos comandos do Copilot.Sem impacto direto, mas ajuda a descobrir funcionalidades que podem otimizar o uso.

Dica prática: Em sessões longas (>30 turnos), o contexto cresce com cada mensagem. Usar /compact por volta do turno 25-30 pode reduzir significativamente o custo dos turnos seguintes sem perder o fio da conversa.

O /chronicle é uma habilidade nativa do Copilot que analisa seu histórico de sessões e fornece insights personalizados. Para usá-lo, habilite a configuração chat.localIndex.enabled: true no VS Code.

SubcomandoO que fazQuando usar
/chronicle standupGera um resumo das suas atividades das últimas 24 horas.Para rever o que foi realizado e quanto contexto foi utilizado em cada sessão.
/chronicle tipsAnalisa seus padrões de uso e sugere melhorias no fluxo de trabalho.Para detectar hábitos que desperdiçam tokens (prompts vagos, sessões longas sem compactação, ferramentas subutilizadas).
/chronicle cost-tipsAnálise específica de custos com dados reais das suas sessões.O mais relevante para economizar. Identifica sessões caras, modelos usados em tarefas simples, grandes colagens, e ausência de compactação.
/chronicle search Busca sessões anteriores por palavra-chave, arquivo ou PR.Evita “redescobrir” contexto que já foi explorado — reutilize em vez de desperdiçar tokens novamente.
/chronicle improveSugere melhorias para o seu copilot-instructions.md com base no histórico.Instruções ruins aumentam o prompt do sistema em toda sessão. Boas instruções = menos tokens por turno.
/chronicle reindexReconstrói o índice local de sessões.Use se os outros subcomandos não retornarem dados.

Para obter uma análise detalhada de tokens (por evento, por modelo), habilite também chat.sessionSync.enabled: true — isso desbloqueia dados de cobrança no chronicle.

Cada variável # controla exatamente qual contexto é incluído no prompt. Usar a mais específica reduz os tokens de entrada:

VariávelO que incluiDica de economia
#fileConteúdo de um arquivo específico.Use isso em vez de manter várias abas abertas. O Copilot pode incluir todas as abas como contexto.
#selectionApenas o trecho selecionado no editor.Muito mais barato do que enviar o arquivo inteiro.
#functionA função/método atual.Ideal para perguntas sobre uma função específica.
#blockO bloco de código atual.Similar ao #function, só que mais granulado.
#symO símbolo (classe, variável, etc.) atual.Para questões sobre uma entidade específica do código.

Regra de ouro: #selection <  #function <  #file <  Workspace em termos de tokens consumidos. Sempre escolha o escopo mais restrito que atenda à sua dúvida.

RecursoComo usarImpacto
Model picker (menu suspenso no chat)Clique no nome do modelo no rodapé do chat para trocar.Trocar de Claude Opus 5.5 para GPT-6 Luna pode reduzir o custo por interação em dezenas de vezes (dependendo do prompt).
Auto modeSelecione “Auto” no model picker.O Copilot escolhe o modelo mais adequado (e barato) para cada prompt. Um desconto de ~10% é aplicado.
OndeO que mostra
Canto inferior direito (barra de status)Indicador de uso dos AI Credits — mostra o consumo em tempo real.
GitHub → Configurações → CobrançaPainel completo de uso com detalhamento por modelo, tokens de entrada/saída e tendências de consumo.
Orçamentos e AlertasConfigure alertas em 75%, 90% e 100% para prever o esgotamento dos créditos.

1. Comece a tarefa → escolha o modelo adequado (Auto ou manual) 2. Utilize #file ou #selection → não abra abas desnecessárias 3. Mantenha a conversa na mesma thread → cached tokens são mais baratos 4. ~Turno 25-30 → utilize /compact para reduzir o contexto 5. Mudou de tarefa → use /clear ou /new 6. Ao fim do dia → aplique /chronicle cost-tips para revisar seus padrões 7. Periodicamente → use /chronicle improve para otimizar seu copilot-instructions.md

Referência: Guia de atalho do GitHub Copilot Chat

Neste diálogo, utilizamos o processo de criação deste artigo como um estudo de caso sobre custos.

  • Modelo premium usado do início ao fim: Claude Opus 5.5
  • Conversação iterativa em vários turnos até chegar à versão final.
  • Coleta de referências em múltiplas pesquisas separadas.
  • Validações e refinamentos feitos a partir de prompts adicionais.

Estimativa de consumo da sessão até o artigo final:

  • ~114 AI Credits (aproximadamente $1,14)
  • Use GPT-6.1 Terra ou Claude Sonnet 5.5 para redação.
  • Execute 1 prompt completo com escopo, estrutura e formatação final.
  • Busque apenas as 2 fontes essenciais (mudança de cobrança + preços).
  • Solicite no mesmo prompt: premissas, citações e tabelas com estimativas de custo.

Estimativa de consumo com execução otimizada:

  • ~20 AI Credits (aproximadamente $0,20)
MétricaJeito mais caroJeito otimizadoEconomia
Consumo estimado114 AI Credits20 AI Credits94 AI Credits
Custo estimado$1,14$0,20$0,94
Redução percentual––~82%
  1. Opus para problemas difíceis; modelo médio para documentação.
  2. Um prompt completo reduz custos mais do que qualquer ajuste superficial.
  3. Uma sessão única e contínua ajuda com caching e reduz gastos.
  4. Menos turnos de validação isolada = menos tokens de entrada/saída.

Aviso: Os valores aqui apresentados são estimativas desta sessão, baseadas nos preços oficiais por token e no padrão de utilização observado enquanto o artigo foi elaborado.

Quando seus AI Credits se esgotam, o que acontece depende do seu plano e das políticas definidas:

  • Pode continuar com modelos mais baratos e/ou em modo automático, conforme as políticas do plano/admin e orçamento disponíveis.
  • Pode ser bloqueado até o reset mensal, se houver um orçamento com stop usage ativo.
  • Pode consumir créditos adicionais ($0,01 por crédito), se você configurou um orçamento extra.
  • Completar códigos e sugestões de próximos passos continuam funcionando independentemente do saldo de AI Credits.
  • O contador reseta no primeiro dia de cada mês (00:00 UTC).

Não existe garantia automática universal de fallback — sempre verifique as políticas do seu plano.

Para organizações, os AI Credits são compartilhados no nível da entidade de cobrança. Isso quer dizer que um usuário intensivo pode impactar toda a equipe. Portanto, administradores devem:

  • Monitorar o consumo por usuário.
  • Estabelecer políticas de modelo por equipe.
  • Considerar o impacto do Copilot Code Review (que consome tokens + minutos do GitHub Actions).
Antes (até 31/05)Depois (a partir de 01/06)
Premium Requests (custo fixo por interação)AI Credits (baseados em tokens reais)
Multiplicador por modelo (ex: Opus = 27x)Custo por token (input/cached/output)
300-1500 requests/mês1.500-20.000 AI Credits/mês
Sem visibilidade de cacheCache visível e muito mais barato
Modelo ilimitado dentro da cotaCusto proporcional ao uso real
  1. Cobrança baseada em uso para indivíduos
  2. Modelos e preços do GitHub Copilot
  3. Mudanças na cobrança do Copilot
  4. Multiplicadores de modelo (legado)
  5. Pedidos premium (legado)

Share this content:


Discover more from Qureshi

Subscribe to get the latest posts sent to your email.

Discover more from Qureshi

Subscribe now to keep reading and get access to the full archive.

Continue reading