Quase quebrei meu SaaS no primeiro dia por causa do Claude Haiku · lemes

Lancei o Scoresu.me na terça-feira. Na quarta, quase fechei tudo.

O produto analisa perfis do LinkedIn com IA e dá um score detalhado em 6 seções: Headline, About, Experiência, Completude, Destaque e SEO. A ideia era simples, free tier com análise básica, pago com sugestões completas e textos prontos pra copiar.

No primeiro dia tive 444 análises e R$133 de receita. Parecia promissor.

O problema

No segundo dia um post no X/Twitter viralizou. 1.348 análises em um dia.
Abri o painel da Anthropic em tempo real e vi o número crescendo. Claude Haiku 4.5 no free tier estava custando $13 em um único dia.

Fiz a conta na hora: se mantivesse esse ritmo, seriam ** ~$390/mês** só pra entregar análise gratuita. Produto inviável antes de completar uma semana.

O erro foi não calcular o custo antes de lançar. Eu sabia que o Haiku era barato, mas não tinha simulado o que aconteceria com volume real.

Por que custou tanto?

O JSON completo do LinkedIn que eu mandava pro Haiku era pesado. Incluía campos inúteis pra análise:

URLs de foto em múltiplos tamanhos
moreProfiles com 30 perfis similares
IDs internos, URNs, metadados
Logos de empresas em 3 resoluções diferentes

Facilmente 6-8k tokens de input por análise. Multiplicado por 1.348 análises num dia, o custo explodiu.

A decisão

Removi o free tier completamente naquela hora e fui redefinir a estratégia.

Resultado imediato: a conversão foi de 1.9% pra 15.6%. Quem chegava no site tinha mais intenção de comprar. Mas o volume despencou — de 1.348 visitas pra 92 no dia seguinte.

Menos gente chegando, menos gente pagando no absoluto. Não era sustentável.

A solução real

Dois problemas pra resolver:

Filtrar o JSON antes de mandar pra IA
Criei uma função que extrai só o que importa pra análise:


typescriptfunction prepareProfileForAnalysis(profile: LinkedInProfile) {
  return {
    headline: profile.headline,
    about: profile.about,
    location: profile.location?.linkedinText,
    connectionsCount: profile.connectionsCount,
    openToWork: profile.openToWork,
    topSkills: profile.topSkills,
    experience: profile.experience.slice(0, 5).map(e => ({
      position: e.position,
      companyName: e.companyName,
      duration: e.duration,
      description: e.description?.substring(0, 300),
      skills: e.skills,
    })),
    education: profile.education.map(e => ({
      schoolName: e.schoolName,
      degree: e.degree,
      fieldOfStudy: e.fieldOfStudy,
    })),
    skills: profile.skills.map(s => s.name),
    languages: profile.languages.map(l => l.name),
    featured: profile.featured,
  };
}

Input caiu de ~7k pra ~800 tokens. Redução de 88%.

Trocar o modelo do free tier

Troquei o Haiku 4.5 pelo GPT-4.1 Nano da OpenAI.

Comparação de custo por 1.000 análises:

Modelo	Input/M tokens	Output/M tokens	Custo/1k análises
Claude Haiku 4.5	$1.00	$5.00	~$7.30
GPT-4.1 Nano	$0.10	$0.40	~$0.32

23x mais barato. A qualidade pra análise free — que só precisa dar scores e identificar problemas, sem sugestões detalhadas — foi suficiente.

O Opus continua pra quem paga, onde a qualidade importa de verdade.

Resultado depois dos ajustes

Custo do free tier: de $13/dia pra$ 0,42/dia
Projeção mensal: de ~ $390 pra ~$ 12
Conversão atual: 6.3% com free tier ativo
Receita em 3 dias: R$955

O que aprendi

Calcule o custo antes de lançar. Parece óbvio, mas na empolgação do lançamento eu não simulei o que aconteceria com 1.000 análises/dia.

Filtre o payload antes de mandar pra IA. Cada campo inútil é token desperdiçado.
Use o modelo certo pra cada caso. Free tier não precisa do melhor modelo, precisa do suficiente. Reserve o modelo caro pra onde o usuário vai sentir a diferença.
Volume inesperado é uma faca de dois gumes. Viralizar antes de ter a operação ajustada pode ser mais perigoso do que não viralizar.

Se quiser trocar ideia sobre custo de IA em SaaS ou estratégia de free tier, comenta aqui.