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 usa 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 — fazer upload de um documento, enviar uma mensagem de chat ou invocar uma ferramenta. São fixos e previsíveis, independentemente do tamanho do conteúdo ou do modelo usado.
- Créditos de Tokens LLM são cobranças variáveis com base no uso real do modelo de linguagem. Como os custos de LLM dependem de quanto texto entra e sai do modelo, esses créditos flutuam 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 de ambos os tipos.
O Que São Tokens?
Tokens são a unidade que os Modelos de Linguagem de Grande Escala usam 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 é aproximadamente 133.000 tokens
- Uma frase curta como “Explain this document” tem 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 modelo gera em resposta). As taxas de entrada e saída diferem, e ambas contribuem para seu consumo de Créditos de Tokens LLM. Para taxas de crédito de entrada e saída por modelo, consulte Modelos Predefinidos e Personalizados.
No EKB, o uso de tokens aumenta quando documentos grandes são recuperados no contexto, muitos trechos da base 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)
Fazer upload de um documento para uma Base de Conhecimento aciona um pipeline de ingestão em várias etapas. Cada etapa tem sua própria estrutura de custos, e algumas etapas incorrem em Créditos de Tokens LLM adicionais dependendo da configuração do seu projeto.
Pipeline de Ingestão
| Stage | Description | Cost |
|---|
| 1. Document Upload | O arquivo é recebido e a contagem de palavras é calculada | 10 créditos a cada 10.000 palavras |
| 2. LLM Extraction (optional) | Um LLM analisa e extrai conteúdo do documento | Tokens de entrada + saída × taxa do modelo |
| 3. Platform Chunking | Tokenização, divisão e montagem de metadados | Grátis (plataforma) |
| 4. Chunk Enrichment (optional) | Um LLM gera um prefixo de contexto para cada trecho | Tokens de entrada + saída × taxa do modelo |
| Item | Credits |
|---|
| 10,000 words | 10 credits |
| Item | Credits |
|---|
| 100,000 words | 100 credits |
| Item | Credits |
|---|
| 100,000 words (upload) | 100 credits |
| LLM Extraction tokens | Varia conforme o modelo |
| Platform Chunking | Grátis |
| Chunk Enrichment tokens | ~10 credits (veja Seção B) |
| Estimated Total | ~110+ credits |
Quanto mais etapas opcionais você habilitar, maior 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 a incorporação (embedding). Ele pega o texto limpo de um documento carregado e o divide em partes menores (trechos) que são indexados no armazenamento vetorial e posteriormente recuperados para consultas de Chat ou Agente.
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 faturadas como uso de LLM.
- Enriquecimento de Trechos (Créditos de Tokens LLM): Faturado apenas quando Enriquecimento de Trechos está habilitado para o projeto nas Configurações da Base de Conhecimento. O LLM gera um prefixo de contexto curto para cada trecho; tokens de entrada e 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 chars/token)
- Configurações de trecho:
chunk_size=64 tokens, chunk_overlap=10 tokens → ~2.300 trechos
- Enriquecimento de Trechos: Habilitado com
gpt-4o-mini
- Texto de saída (trechos unidos incl. prefixos de enriquecimento): ~140.000 tokens de saída
- Preços do modelo (exemplo): entrada
$0.15 por 1M tokens, saída $0.60 por 1M tokens
| Component | Tokens | Cost |
|---|
| Input Tokens (document) | 133,000 | $0.01995 |
| Output Tokens (chunks) | 140,000 | $0.084 |
| Total LLM Cost | 273,000 | $0.104 |
$0.104 (custo total LLM) / $0.01 (custo por crédito) equivale a 10.4 créditos, exibidos como ~10 créditos.
Se o mesmo documento fosse carregado sem Enriquecimento de Trechos habilitado, o chunking consumiria 0 Créditos de Tokens LLM.
C. Interação no Chat / Agente
Créditos fixos da plataforma
| Action | Credits |
|---|
| O usuário envia uma mensagem de chat | 1 credit |
| Chamada de ferramenta invocada | 1 per call |
-
Entrada: $3 por 1M tokens
-
Saída: $15 por 1M tokens
D. Execuções de Fluxos de Trabalho
| Action | Credits |
|---|
| Workflow execution | 1 per execution |
O custo é 1 crédito por execução, independentemente do número de etapas envolvidas.
E. Smart Tables
Smart Tables combinam extração com LLM e fluxos de trabalho orientados por agentes. O consumo de créditos depende do caminho de computação utilizado.
| Action | Credits |
|---|
| LLM computation | Cobrado com base em tokens de entrada e saída; o custo depende do LLM selecionado. |
| Agent computation | Cobrado da mesma forma que uma Interação no Chat / Agente. |
Exemplo Completo de Chat
Cenário
O usuário pergunta: “Explain the attached document.”
Créditos da plataforma
| Component | Credits |
|---|
| Question asked | 1 |
| Tool calls (document retrieval) | 2 |
| Subtotal | 3 |
| Type | Tokens | Cost |
|---|
| Input | ~53,634 | ~$0.161 |
| Output | ~900 | ~$0.0135 |
| Total | — | ~$0.1745 |
| Component | Credits |
|---|
| Fixed platform | 3 |
| LLM usage | 17 |
| Total | 20 |
Resumo da Fórmula de Cálculo de Custos
Upload de Documento
Créditos de Palavras = (Total de Palavras ÷ 10.000) × 10 + Créditos de Tokens LLM (Análise)
Mensagem de Chat
Crédito Fixo por Mensagem + Créditos de Chamadas de Ferramenta + Créditos de Tokens LLM (Entrada + Saída)
O Que Aumenta o Uso de Créditos LLM?
O custo de LLM aumenta quando:
▶ Documentos grandes são recuperados no contexto
▶ Muitos trechos de KB são injetados no prompt
▶ As respostas são longas ou estruturadas
▶ Múltiplas chamadas de ferramenta são acionadas
▶ Modelos de maior custo são selecionados
Notas Importantes para Clientes
✓ O custo de ingestão baseado em palavras é previsível.
✓ Os custos de chat variam significativamente dependendo do tamanho do documento e do número de tokens usados.
✓ Os preços do modelo são configuráveis no Super Admin.
✓ Os créditos LLM são baseados no consumo e não podem ter tarifa fixa.
✓ O total final de créditos = Créditos da Plataforma + Créditos LLM.
