Primeiro, meça
Sem medição, qualquer corte é no escuro. O cognitive-claude inclui uma ferramenta que lê os logs locais das suas sessões e mostra o custo por turno, o uso de cache e a divisão de trabalho e custo por modelo:
python3 tools/cost-audit.py --window 90 --verboseO que os números mostraram
Janela de 90 dias, de 29/01 a 28/04/2026, 987 sessões:
| Modelo | Trabalho | Custo |
|---|---|---|
| Opus | 52,5% | 94,1% |
| Sonnet | 19,9% | 4,3% |
| Haiku | 27,6% | 1,6% |
Quase metade do trabalho já era feita por modelos menores, por menos de 6% do custo. E 71,76% do trabalho foi feito por sub-agentes, cada um com o próprio contexto.
Rotear por tipo de tarefa
A lógica é simples: decisões difíceis e planejamento ficam no modelo maior. Tarefas mecânicas, como buscar, ler e formatar, vão para os menores. Antes de mudar uma regra, compare resultado e custo daquele tipo de tarefa nos seus próprios logs.
Automatize as regras
Regra que depende de lembrar não se sustenta. No cognitive-claude, cerca de 100 linhas de regras de trabalho ficam num arquivo de constituição, e seis hooks aplicam essas regras automaticamente em cada sessão.
O que esse número não prova
São dados de um operador, e os seus vão ser diferentes. O próprio README separa o que o framework contribui do que é só diferença entre o preço do plano e o preço da API. Por isso a recomendação é medir o seu uso antes de copiar qualquer regra.
Perguntas frequentes
Preciso do cognitive-claude para fazer isso?
Não. O princípio vale para qualquer setup: medir, rotear e automatizar. O cognitive-claude é uma implementação aberta que você pode usar ou estudar.
Usar um modelo menor piora o resultado?
Depende da tarefa. Por isso a medição vem antes: compare resultado e custo por tipo de tarefa antes de mudar a regra.
Quer aplicar isso na sua operação?
A primeira conversa é um diagnóstico de uma hora, gratuito.