Gestão de Custo de Tokens: Como Escalar IA nas Empresas com Fatura Previsível

Entenda como a orquestração de modelos seleciona a LLM mais eficiente para cada tipo de tarefa, evitando surpresas na conta corporativa de IA.

O controle de custos de tokens em ambientes corporativos exige substituir o uso de um único modelo pesado por uma arquitetura de orquestração de múltiplos modelos (LLMs). Utilizar modelos de fronteira de alto custo para tarefas operacionais simples (como triagem, formatação ou leitura básica) desperdiça até 70% do orçamento de computação. Plataformas inteligentes direcionam cada tipo de trabalho (conversa, geração de artefatos, rotinas agendadas) para o modelo com a melhor relação entre capacidade e preço, combinando cache de contexto e execução determinística fora da rede neural para manter a fatura previsível.

1. O Medo Silencioso do CFO: A Fatura de IA que Explode no Fim do Mês

Existe uma trava financeira real que impede muitas empresas de liberarem inteligência artificial conectada aos dados para centenas de colaboradores: a imprevisibilidade do custo variável por consumo de tokens.

Quando uma empresa conecta sua equipe diretamente às APIs dos modelos mais caros do mercado sem uma camada inteligente de gestão, três desperdícios invisíveis acontecem todos os dias:

  • Um analista aciona o modelo de raciocínio mais caro do mundo apenas para pedir que ele mude a cor de uma coluna ou formate uma lista simples.
  • Outro usuário faz uma pergunta mal formulada que despeja 50 mil linhas de dados brutos dentro da janela de leitura do modelo, queimando dólares em segundos.
  • A cada nova pergunta dentro da mesma conversa, todo o texto do sistema e das tabelas anteriores é reenviado e cobrado integralmente de novo, sem aproveitamento eficiente de memória cache.

No fechamento do mês, a diretoria recebe uma conta de infraestrutura desproporcional ao valor gerado e reage cortando o acesso das equipes.

2. Por Que "Um Único Modelo para Tudo" é um Erro de Engenharia e Finanças

O mercado global de modelos de linguagem (OpenAI, Anthropic, Google, entre outros) evoluiu para uma especialização clara. Existem modelos ultrarrápidos que custam frações de centavo e modelos de raciocínio profundo que custam dezenas de vezes mais por milhão de tokens processados.

Forçar o colaborador comum a escolher manualmente qual modelo técnico ele deve usar a cada pergunta não funciona na prática:

  • O usuário de negócios não tem obrigação de saber a diferença de preço por milhar de tokens entre diferentes versões de provedores.
  • Na dúvida, o colaborador sempre deixará selecionado o modelo mais pesado e caro para tudo, por medo de receber uma resposta inferior.
  • A única forma sustentável de escalar o uso na empresa é tirar essa decisão do usuário: a empresa define o modelo padrão das conversas e a plataforma delega as tarefas pesadas a especialistas com o modelo ideal para cada tipo de trabalho.

Sem Orquestração (Desperdício):

  1. Qualquer pedido (simples ou complexo)
  2. Modelo Mais Caro Sempre
  3. Conta estoura no fim do mês

Com Orquestração por Tipo de Tarefa:

  • Conversa e consultas do dia a dia: modelo padrão definido pela empresa, com cadeia de fallback entre provedores se algum ficar indisponível.
  • Painéis, slides e análises qualitativas de volume: especialista isolado, com o modelo próprio daquela tarefa e contexto enxuto, sem carregar o histórico inteiro da conversa.
  • Rotinas agendadas: modelo rápido e econômico escolhido para aquela rotina específica.

3. As Quatro Alavancas Técnicas que Reduzem o Custo de Tokens na Prática

Uma plataforma corporativa desenhada para eficiência financeira protege o orçamento da empresa combinando quatro mecanismos automáticos nos bastidores:

Alavanca de EconomiaO Que Acontece nos BastidoresImpacto Direto no Custo e na Velocidade
1. Roteamento por EspecialistaSepara a conversa principal da geração pesada de artefatos (painéis, apresentações e relatórios longos), rodando cada etapa no modelo idealEvita carregar o histórico inteiro da conversa quando a tarefa é apenas desenhar um componente visual
2. Processamento por Referência ao Resultado (Handles)Quando o banco devolve 30 mil linhas, a IA não lê as 30 mil linhas em texto; ela recebe apenas uma amostra curta e um código de referência (handle)Reduz em mais de 95% o consumo de tokens de entrada em análises de grandes bases de dados
3. Uso Intensivo de Cache de ContextoInstruções fixas, catálogos de dados e regras da empresa ficam armazenados em leitura de cache nos provedoresO token lido do cache chega a custar até 90% menos do que o token processado do zero, conforme o provedor
4. Edição Cirúrgica de ArtefatosQuando o usuário pede um ajuste simples em um painel já criado, o sistema aplica apenas a diferença pontual em vez de reescrever todo o códigoReduz o gasto de tokens de saída (que são os mais caros de qualquer modelo) e responde em segundos

4. O Papel dos Handles de Dados: Como Analisar Milhões de Linhas Gastando Poucos Tokens

Vale detalhar a alavanca número 2 da tabela acima, pois ela é o maior divisor de águas financeiro na análise de dados com IA.

Em uma integração amadora, quando você pergunta "qual a média e os percentis de vendas dos nossos 50 mil pedidos do ano?", o sistema puxa as 50 mil linhas do banco e joga todas dentro do prompt da IA. Isso consome milhões de tokens em uma única pergunta, demora uma eternidade e ainda corre risco de erro.

Em uma arquitetura profissional baseada em referências (handles):

  1. A consulta roda no banco de dados e guarda as 50 mil linhas na memória segura do servidor sob um identificador único.
  2. O modelo de linguagem recebe apenas o cabeçalho das colunas e as 10 primeiras linhas para entender o formato, gastando quase nada de tokens.
  3. Para calcular a média, a mediana ou gerar um gráfico, a IA envia apenas o identificador para os motores determinísticos, que processam as 50 mil linhas fora da cobrança de tokens de LLM.

O resultado é o melhor dos dois mundos: precisão sobre 100% da base com custo de tokens de uma conversa curta.

5. Visibilidade e Governança: Auditando cada Centavo Investido

Além de economizar de forma autônoma, a plataforma deve entregar à liderança visibilidade total sobre onde o orçamento está sendo aplicado:

  • Acompanhamento Diário por Unidade e Usuário: Saiba exatamente quantos turnos, chamadas de ferramentas e investimentos estão ocorrendo em cada departamento (Vendas, Marketing, Finanças).
  • Separação Clara entre Entrada, Saída e Cache: Entenda quanto a empresa está economizando graças ao reaproveitamento de contexto em memória cache.
  • Agendamentos com Escolha de Modelo: Para tarefas rotineiras que rodam toda manhã de forma automática, configure modelos rápidos e econômicos sob medida para aquela rotina.

Como a Luria ajuda

A Luria é multi-LLM, com seis provedores nativos: Anthropic, OpenAI, Gemini, Vertex AI, Bedrock e Azure OpenAI. A conversa usa o modelo definido pela empresa, com fallback entre provedores; painéis, slides e análises qualitativas são delegados a especialistas isolados; e cada agendamento pode ter o seu próprio modelo. Toda consulta devolve ao modelo apenas um handle, o schema e uma amostra das primeiras linhas, enquanto o resultado completo é processado por ferramentas determinísticas. O painel de Uso da Plataforma mostra o consumo por dia, unidade, pessoa e modelo, separando entrada, saída e cache, inclusive quanto o cache economizou (veja a plataforma).

Leia também: Independência de LLM na plataforma enterprise · IA determinística e precisão contábil

Quer saber quanto a sua operação de IA poderia custar com orquestração e cache? Converse com nosso time.

Perguntas frequentes

Usar modelos mais econômicos em tarefas simples piora a qualidade da resposta?

Não, porque os números e cálculos nunca dependem da criatividade do modelo: eles vêm do motor determinístico do banco de dados. Para uma pergunta direta como "qual foi o total vendido ontem?", um modelo rápido entrega exatamente o mesmo número oficial que o modelo mais caro do mercado, porém em menos tempo e por uma fração do custo.

A minha empresa fica presa a um único fornecedor de IA (Vendor Lock-in)?

Não. Uma plataforma agnóstica e multimodelo conecta-se simultaneamente aos principais provedores globais (Anthropic, OpenAI, Google Vertex AI, AWS Bedrock, Azure). Se amanhã surgir um modelo mais rápido, mais inteligente e mais barato, a sua operação passa a aproveitá-lo sem que você precise mudar uma única tela ou refazer suas regras de negócio.

Como evitar que uma conversa muito longa fique cara e lenta?

O sistema gerencia o orçamento de contexto de forma ativa: resultados volumosos ficam guardados em referências fora do texto da conversa, edições visuais complexas são orientadas para o caminho de engenharia mais leve e especialistas de análise qualitativa raciocinam em contextos isolados para não inflar a conversa principal.

Token Cost Management: How to Scale AI in Companies with a Predictable Bill

Understand how model orchestration selects the most efficient LLM for each type of task, avoiding surprises on the corporate AI bill.

Controlling token costs in enterprise environments requires replacing the use of a single heavy model with a multi-model (LLM) orchestration architecture. Using expensive frontier models for simple operational tasks (such as triage, formatting or basic reading) wastes up to 70% of the compute budget. Smart platforms route each type of work (conversation, artifact generation, scheduled routines) to the model with the best balance of capability and price, combining context caching and deterministic execution outside the neural network to keep the bill predictable.

1. The CFO’s Silent Fear: The AI Bill That Explodes at Month End

There is a real financial barrier that keeps many companies from rolling out data-connected AI to hundreds of employees: the unpredictability of variable cost based on token consumption.

When a company connects its team directly to the APIs of the most expensive models on the market without an intelligent management layer, three invisible kinds of waste happen every day:

  • An analyst calls the world’s most expensive reasoning model just to change a column’s color or format a simple list.
  • Another user asks a poorly worded question that dumps 50,000 rows of raw data into the model’s reading window, burning dollars in seconds.
  • With each new question in the same conversation, all the system text and previous tables are resent and charged in full again, with no efficient use of cache memory.

At month end, leadership receives an infrastructure bill out of proportion to the value generated and reacts by cutting the teams’ access.

2. Why "One Model for Everything" Is an Engineering and Finance Mistake

The global language model market (OpenAI, Anthropic, Google and others) has evolved toward clear specialization. There are ultra-fast models that cost fractions of a cent and deep reasoning models that cost dozens of times more per million tokens processed.

Forcing the average employee to manually choose which technical model to use for each question does not work in practice:

  • Business users should not have to know the price difference per thousand tokens between different provider versions.
  • When in doubt, the employee will always leave the heaviest, most expensive model selected for everything, for fear of getting a worse answer.
  • The only sustainable way to scale usage in the company is to take that decision away from the user: the company sets the default model for conversations and the platform delegates heavy tasks to specialists running the ideal model for each type of work.

Without Orchestration (Waste):

  1. Any request (simple or complex)
  2. Most Expensive Model Every Time
  3. The bill blows up at month end

With Orchestration by Task Type:

  • Everyday conversation and queries: default model set by the company, with a fallback chain across providers if one becomes unavailable.
  • Dashboards, slides and high-volume qualitative analysis: an isolated specialist running the model suited to that task with lean context, without carrying the whole conversation history.
  • Scheduled routines: a fast, economical model chosen for that specific routine.

3. The Four Technical Levers That Reduce Token Costs in Practice

An enterprise platform designed for financial efficiency protects the company’s budget by combining four automatic mechanisms behind the scenes:

Savings LeverWhat Happens Behind the ScenesDirect Impact on Cost and Speed
1. Specialist RoutingSeparates the main conversation from heavy artifact generation (dashboards, presentations and long reports), running each step on the ideal modelAvoids loading the entire conversation history when the task is just to draw a visual component
2. Result Reference Processing (Handles)When the database returns 30,000 rows, the AI does not read all 30,000 rows as text; it receives only a short sample and a reference code (handle)Cuts input token consumption by more than 95% in analyses of large databases
3. Intensive Use of Context CachingFixed instructions, data catalogs and company rules are stored as cache reads at the providersA token read from cache can cost up to 90% less than a token processed from scratch, depending on the provider
4. Surgical Artifact EditingWhen the user asks for a simple tweak to an existing dashboard, the system applies only the specific difference instead of rewriting all the codeReduces spending on output tokens (the most expensive in any model) and responds in seconds

4. The Role of Data Handles: How to Analyze Millions of Rows While Spending Few Tokens

Lever number 2 in the table above deserves a closer look, because it is the biggest financial game changer in data analysis with AI.

In an amateur integration, when you ask "what are the average and the percentiles of sales across our 50,000 orders this year?", the system pulls all 50,000 rows from the database and dumps them into the AI’s prompt. That consumes millions of tokens in a single question, takes forever and still risks errors.

In a professional architecture based on references (handles):

  1. The query runs on the database and stores the 50,000 rows in the server’s secure memory under a unique identifier.
  2. The language model receives only the column headers and the first 10 rows to understand the format, spending almost no tokens.
  3. To calculate the average, the median or generate a chart, the AI sends only the identifier to the deterministic engines, which process the 50,000 rows outside LLM token billing.

The result is the best of both worlds: precision over 100% of the data at the token cost of a short conversation.

5. Visibility and Governance: Auditing Every Cent Invested

Besides saving autonomously, the platform must give leadership full visibility into where the budget is being spent:

  • Daily Tracking by Unit and User: Know exactly how many turns, tool calls and how much spend is happening in each department (Sales, Marketing, Finance).
  • Clear Split Between Input, Output and Cache: Understand how much the company is saving thanks to context reuse in cache memory.
  • Schedules with Model Choice: For routine tasks that run automatically every morning, configure fast, economical models tailored to that routine.

How Luria helps

Luria is multi-LLM, with six native providers: Anthropic, OpenAI, Gemini, Vertex AI, Bedrock and Azure OpenAI. Conversations use the model set by the company, with fallback across providers; dashboards, slides and qualitative analyses are delegated to isolated specialists; and each schedule can have its own model. Every query returns only a handle, the schema and a sample of the first rows to the model, while the full result is processed by deterministic tools. The Platform Usage panel shows consumption by day, unit, person and model, split into input, output and cache, including how much the cache saved (see the platform).

Read also: LLM independence in the enterprise platform · Deterministic AI and accounting precision

Want to know what your AI operation could cost with orchestration and caching? Talk to our team.

Frequently asked questions

Does using cheaper models for simple tasks lower answer quality?

No, because the numbers and calculations never depend on the model’s creativity: they come from the database’s deterministic engine. For a direct question like "what were total sales yesterday?", a fast model delivers exactly the same official number as the most expensive model on the market, but in less time and at a fraction of the cost.

Is my company locked into a single AI vendor (vendor lock-in)?

No. An agnostic, multi-model platform connects simultaneously to the main global providers (Anthropic, OpenAI, Google Vertex AI, AWS Bedrock, Azure). If a faster, smarter and cheaper model appears tomorrow, your operation can take advantage of it without changing a single screen or redoing your business rules.

How do you keep a very long conversation from getting expensive and slow?

The system actively manages the context budget: large results are stored as references outside the conversation text, complex visual edits are steered to the lightest engineering path and qualitative analysis specialists reason in isolated contexts so they do not inflate the main conversation.

Gestión del Costo de Tokens: Cómo Escalar la IA en las Empresas con una Factura Previsible

Entienda cómo la orquestación de modelos selecciona el LLM más eficiente para cada tipo de tarea, evitando sorpresas en la cuenta corporativa de IA.

El control de costos de tokens en entornos corporativos exige reemplazar el uso de un único modelo pesado por una arquitectura de orquestación de múltiples modelos (LLMs). Usar modelos de frontera de alto costo para tareas operativas simples (como triaje, formato o lectura básica) desperdicia hasta el 70% del presupuesto de cómputo. Las plataformas inteligentes dirigen cada tipo de trabajo (conversación, generación de artefactos, rutinas programadas) al modelo con la mejor relación entre capacidad y precio, combinando caché de contexto y ejecución determinista fuera de la red neuronal para mantener la factura previsible.

1. El Miedo Silencioso del CFO: La Factura de IA que Explota a Fin de Mes

Existe una traba financiera real que impide a muchas empresas habilitar inteligencia artificial conectada a los datos para cientos de colaboradores: la imprevisibilidad del costo variable por consumo de tokens.

Cuando una empresa conecta a su equipo directamente a las APIs de los modelos más caros del mercado sin una capa inteligente de gestión, tres desperdicios invisibles ocurren todos los días:

  • Un analista recurre al modelo de razonamiento más caro del mundo solo para pedirle que cambie el color de una columna o dé formato a una lista simple.
  • Otro usuario hace una pregunta mal formulada que vuelca 50 mil filas de datos en bruto dentro de la ventana de lectura del modelo, quemando dólares en segundos.
  • Con cada nueva pregunta dentro de la misma conversación, todo el texto del sistema y de las tablas anteriores se reenvía y se cobra íntegramente de nuevo, sin aprovechamiento eficiente de la memoria caché.

Al cierre del mes, la dirección recibe una cuenta de infraestructura desproporcionada respecto del valor generado y reacciona cortando el acceso de los equipos.

2. Por Qué "Un Único Modelo para Todo" es un Error de Ingeniería y Finanzas

El mercado global de modelos de lenguaje (OpenAI, Anthropic, Google, entre otros) evolucionó hacia una especialización clara. Existen modelos ultrarrápidos que cuestan fracciones de centavo y modelos de razonamiento profundo que cuestan decenas de veces más por millón de tokens procesados.

Obligar al colaborador común a elegir manualmente qué modelo técnico debe usar en cada pregunta no funciona en la práctica:

  • El usuario de negocio no tiene por qué saber la diferencia de precio por cada mil tokens entre distintas versiones de proveedores.
  • Ante la duda, el colaborador siempre dejará seleccionado el modelo más pesado y caro para todo, por miedo a recibir una respuesta inferior.
  • La única forma sostenible de escalar el uso en la empresa es quitarle esa decisión al usuario: la empresa define el modelo estándar de las conversaciones y la plataforma delega las tareas pesadas a especialistas con el modelo ideal para cada tipo de trabajo.

Sin Orquestación (Desperdicio):

  1. Cualquier pedido (simple o complejo)
  2. Modelo Más Caro Siempre
  3. La cuenta se dispara a fin de mes

Con Orquestación por Tipo de Tarea:

  • Conversación y consultas del día a día: modelo estándar definido por la empresa, con cadena de respaldo entre proveedores si alguno queda indisponible.
  • Tableros, diapositivas y análisis cualitativos de volumen: especialista aislado, con el modelo propio de esa tarea y contexto reducido, sin cargar todo el historial de la conversación.
  • Rutinas programadas: modelo rápido y económico elegido para esa rutina específica.

3. Las Cuatro Palancas Técnicas que Reducen el Costo de Tokens en la Práctica

Una plataforma corporativa diseñada para la eficiencia financiera protege el presupuesto de la empresa combinando cuatro mecanismos automáticos tras bastidores:

Palanca de AhorroQué Ocurre Tras BastidoresImpacto Directo en el Costo y la Velocidad
1. Enrutamiento por EspecialistaSepara la conversación principal de la generación pesada de artefactos (tableros, presentaciones e informes largos), ejecutando cada etapa en el modelo idealEvita cargar todo el historial de la conversación cuando la tarea es solo dibujar un componente visual
2. Procesamiento por Referencia al Resultado (Handles)Cuando la base devuelve 30 mil filas, la IA no lee las 30 mil filas como texto; recibe solo una muestra corta y un código de referencia (handle)Reduce en más del 95% el consumo de tokens de entrada en análisis de grandes bases de datos
3. Uso Intensivo de Caché de ContextoLas instrucciones fijas, los catálogos de datos y las reglas de la empresa quedan almacenados como lectura de caché en los proveedoresEl token leído de la caché llega a costar hasta un 90% menos que el token procesado desde cero, según el proveedor
4. Edición Quirúrgica de ArtefactosCuando el usuario pide un ajuste simple en un tablero ya creado, el sistema aplica solo la diferencia puntual en lugar de reescribir todo el códigoReduce el gasto de tokens de salida (los más caros de cualquier modelo) y responde en segundos

4. El Papel de los Handles de Datos: Cómo Analizar Millones de Filas Gastando Pocos Tokens

Vale detallar la palanca número 2 de la tabla anterior, porque es el mayor punto de inflexión financiero en el análisis de datos con IA.

En una integración amateur, cuando usted pregunta "¿cuál es el promedio y los percentiles de ventas de nuestros 50 mil pedidos del año?", el sistema extrae las 50 mil filas de la base y las vuelca todas dentro del prompt de la IA. Eso consume millones de tokens en una sola pregunta, tarda una eternidad y además corre riesgo de error.

En una arquitectura profesional basada en referencias (handles):

  1. La consulta se ejecuta en la base de datos y guarda las 50 mil filas en la memoria segura del servidor bajo un identificador único.
  2. El modelo de lenguaje recibe solo el encabezado de las columnas y las 10 primeras filas para entender el formato, gastando casi nada de tokens.
  3. Para calcular el promedio, la mediana o generar un gráfico, la IA envía solo el identificador a los motores deterministas, que procesan las 50 mil filas fuera del cobro de tokens del LLM.

El resultado es lo mejor de los dos mundos: precisión sobre el 100% de la base con el costo de tokens de una conversación corta.

5. Visibilidad y Gobernanza: Auditando Cada Centavo Invertido

Además de ahorrar de forma autónoma, la plataforma debe dar a la dirección visibilidad total sobre dónde se está aplicando el presupuesto:

  • Seguimiento Diario por Unidad y Usuario: Sepa exactamente cuántos turnos, llamadas a herramientas e inversiones ocurren en cada área (Ventas, Marketing, Finanzas).
  • Separación Clara entre Entrada, Salida y Caché: Entienda cuánto está ahorrando la empresa gracias a la reutilización de contexto en memoria caché.
  • Programaciones con Elección de Modelo: Para tareas rutinarias que se ejecutan automáticamente cada mañana, configure modelos rápidos y económicos a medida para esa rutina.

Cómo ayuda Luria

Luria es multi-LLM, con seis proveedores nativos: Anthropic, OpenAI, Gemini, Vertex AI, Bedrock y Azure OpenAI. La conversación usa el modelo definido por la empresa, con respaldo entre proveedores; los tableros, diapositivas y análisis cualitativos se delegan a especialistas aislados; y cada programación puede tener su propio modelo. Toda consulta devuelve al modelo solo un handle, el esquema y una muestra de las primeras filas, mientras el resultado completo lo procesan herramientas deterministas. El panel de Uso de la Plataforma muestra el consumo por día, unidad, persona y modelo, separando entrada, salida y caché, incluso cuánto ahorró la caché (vea la plataforma).

Lee también: Independencia de LLM en la plataforma enterprise · IA determinista y precisión contable

¿Quiere saber cuánto podría costar su operación de IA con orquestación y caché? Converse con nuestro equipo.

Preguntas frecuentes

¿Usar modelos más económicos en tareas simples empeora la calidad de la respuesta?

No, porque los números y cálculos nunca dependen de la creatividad del modelo: vienen del motor determinista de la base de datos. Para una pregunta directa como "¿cuál fue el total vendido ayer?", un modelo rápido entrega exactamente el mismo número oficial que el modelo más caro del mercado, pero en menos tiempo y por una fracción del costo.

¿Mi empresa queda atada a un único proveedor de IA (vendor lock-in)?

No. Una plataforma agnóstica y multimodelo se conecta simultáneamente a los principales proveedores globales (Anthropic, OpenAI, Google Vertex AI, AWS Bedrock, Azure). Si mañana surge un modelo más rápido, más inteligente y más barato, su operación pasa a aprovecharlo sin que usted tenga que cambiar una sola pantalla ni rehacer sus reglas de negocio.

¿Cómo evitar que una conversación muy larga se vuelva cara y lenta?

El sistema gestiona el presupuesto de contexto de forma activa: los resultados voluminosos quedan guardados en referencias fuera del texto de la conversación, las ediciones visuales complejas se orientan al camino de ingeniería más liviano y los especialistas de análisis cualitativo razonan en contextos aislados para no inflar la conversación principal.

Luria é o ecossistema brasileiro de agentes de IA enterprise, desenvolvido pela PX Data. Um agente treinado no contexto do negócio conecta os dados que já existem na operação, responde em linguagem natural e decide em segundos, com liberdade para escolher o modelo (Gemini, Claude, GPT) e governança para escalar entre todas as áreas. O ecossistema é composto por Luria One (inteligência e decisão), Luria Flow (automação de processos) e Luria Academy (adoção de IA).

A plataforma é parceira oficial Google Cloud, possui o selo Google Cloud Ready – BigQuery, e está disponível no Google Cloud Marketplace. A Luria foi reconhecida como uma das 100 Startups to Watch 2025 e é usada por empresas como Bradesco, BAT e Eurofarma.

Luria is the Brazilian enterprise AI agents ecosystem, developed by PX Data. A single agent trained on the company's business context connects the data that already exists in the operation, answers in natural language and decides in seconds, with freedom to choose the model (Gemini, Claude, GPT) and governance to scale across every area. The ecosystem consists of Luria One (intelligence and decision), Luria Flow (process automation) and Luria Academy (AI adoption).

The platform is an official Google Cloud Partner, holds the Google Cloud Ready – BigQuery designation, and is available on the Google Cloud Marketplace. Luria was recognized as one of the 100 Startups to Watch 2025 and is used by companies such as Bradesco, BAT and Eurofarma.

Luria es el ecosistema brasileño de agentes de IA enterprise, desarrollado por PX Data. Un agente entrenado en el contexto del negocio conecta los datos que ya existen en la operación, responde en lenguaje natural y decide en segundos, con libertad para elegir el modelo (Gemini, Claude, GPT) y gobernanza para escalar entre todas las áreas. El ecosistema está compuesto por Luria One (inteligencia y decisión), Luria Flow (automatización de procesos) y Luria Academy (adopción de IA).

La plataforma es partner oficial de Google Cloud, posee la designación Google Cloud Ready – BigQuery, y está disponible en el Google Cloud Marketplace. Luria fue reconocida como una de las 100 Startups to Watch 2025 y es utilizada por empresas como Bradesco, BAT y Eurofarma.

Como Contratar a Luria AI

A Luria está disponível no Google Cloud Marketplace para contratação direta com billing unificado, ou através de contato com a equipe de vendas para condições personalizadas.

How to Get Luria AI

Luria is available on the Google Cloud Marketplace for direct contracting with unified billing, or through the sales team for custom conditions.

Cómo Contratar Luria AI

Luria está disponible en el Google Cloud Marketplace para contratación directa con facturación unificada, o a través del equipo de ventas para condiciones personalizadas.