Por que cobrar setup fee de IA conversacional é fraude intelectual

Confissão: eu já paguei um

Em 2024, assinei um contrato com um fornecedor de plataforma de chatbot. Tier enterprise. Setup fee de R$ 12 mil, faturado na assinatura do contrato, "para treinar a IA com a base de conhecimento da sua empresa".

Treze dias depois, recebi acesso ao painel com os PDFs que eu mesmo tinha mandado por e-mail já ingestados. Nenhum trabalho visível fora subir arquivo em formulário, rodar um script de parsing e clicar em "publicar".

Naquele momento, a conta começou a não fechar na minha cabeça. E é dessa conta que saiu a ZappIQ.

O que é setup fee em IA conversacional?

A cobrança aparece em algum canto do contrato com nomes diferentes: "onboarding fee", "implementation", "treinamento do modelo", "customização". O range que circula no mercado brasileiro em 2026 vai de R$ 3 mil a R$ 15 mil, dependendo do tier e de quanto o comprador tem de leverage na negociação.

Na prática, o entregável é sempre o mesmo: a IA do fornecedor passa a responder com informação da sua empresa. Nada mais exótico do que isso.

Por que essa cobrança virou padrão

Três razões, em ordem de peso. Primeiro, a dívida de modelo. Antes de LLMs comerciais existirem, "treinar um chatbot" exigia montar árvores de intent, escrever dezenas de fluxos condicionais, conectar APIs uma a uma e testar caminho por caminho. Isso era trabalho humano real, medido em semanas. O setup fee remunerava esse trabalho.

Segundo, a margem do canal. Muitas plataformas de chatbot no Brasil são vendidas com implementação via integrador parceiro. O setup fee é o plat principal do parceiro, não da plataforma. Cortar a cobrança significaria quebrar a economia de centenas de integradores que dependem dela.

Terceiro, a ancoragem comercial. Um ticket mensal de R$ 2 mil parece barato quando o comprador acabou de assinar R$ 12 mil de setup. É psicologia de venda básica — a cobrança grande legitima a cobrança contínua.

O que mudou com LLMs e RAG

Em 2023, um documento PDF de 50 páginas passando por embeddings custava alguns centavos de dólar em compute, gerava chunks pesquisáveis em um vector store e virava contexto injetável em qualquer prompt. Essa operação hoje é o padrão técnico conhecido como RAG, Retrieval-Augmented Generation.

O custo marginal real de ingestion de uma base de conhecimento em 2026 é próximo de zero. A matemática, expondo os números públicos:

• Embedding OpenAI text-embedding-3-small: US$ 0,02 por 1 milhão de tokens. Base de conhecimento de uma PME média cabe em menos de 300 mil tokens. Custo unitário: menos de US$ 0,01.
• Storage do vector store (Weaviate, Pinecone, pgvector): US$ 0,04 a US$ 0,10 por 1 milhão de vetores armazenados por mês. Uma PME inteira custa centavos.
• Compute de inferência: já é pago na mensalidade via consumo de tokens de LLM.

A parte humana que restou é revisão de qualidade e ajuste de tom. Trinta minutos de trabalho quando a base é limpa. Duas horas no pior caso.

A matemática exposta

Cliente paga R$ 8 mil em setup fee. Custo variável real na infraestrutura do fornecedor: menos de US$ 2. Trabalho humano residual: 30 minutos a 2 horas de revisão.

Mesmo assumindo que o fornecedor queira margem bruta saudável na revisão — R$ 500 por hora de um especialista sênior, duas horas de trabalho — o custo direto não passa de R$ 1 mil.

Os R$ 7 mil restantes são lucro, canal ou ambos. Isso não é crime. Não é fraude jurídica. Mas é fraude intelectual: uma cobrança que se sustenta apenas enquanto o comprador não souber que a operação custa US$ 2.

A objeção do consultor

A primeira defesa quando esse argumento é colocado em reunião é: "mas o consultor customiza a IA, adapta o tom, afina os fluxos".

O problema é que o próprio cliente é quem conhece sua operação, seu tom, seus fluxos. Consultor externo faz a primeira versão pior do que o cliente faria em metade do tempo, e depois precisa de ciclos de ajuste onde o cliente corrige o consultor.

Quando a plataforma expõe corretamente as ferramentas — upload de documentos, cadastro de pares de pergunta e resposta, configuração de identidade do agente, score de prontidão em tempo real — o cliente chega a um nível de treinamento equivalente em 30 a 90 minutos sozinho.

No beta da ZappIQ, a média de tempo para atingir AI Readiness Score de 60 (threshold de "pronta para atender") foi de 47 minutos no primeiro acesso. Sem consultor, sem ligação de suporte, sem call de implementação.

O que a ZappIQ faz diferente

Cinco decisões de produto deliberadas.

1. Zero setup fee, escrito em contrato, sem asterisco. O cliente assina e já está treinando.
2. Readiness Score visível, de 0 a 100, em tempo real. O cliente vê exatamente o que falta e quanto cada ação pesa no score. Decisão de onde investir tempo deixa de ser opaca.
3. Upload de documentos com ingestion em segundos. PDF, DOCX, TXT, MD, URL. Sem planilha de intents, sem árvore de fluxo para modelar.
4. Identidade do agente configurável em um formulário de três campos. Nome, tom, horário. Três minutos.
5. Vinte e um dias de trial com cap de US$ 15 em custo de LLM. Se o cliente abusar, a plataforma protege a margem sem parar o trial — o fundador absorve a diferença nos primeiros 30 dias, porque o trial gratuito sem dor na margem é a prova de que o modelo funciona.

O tier inicial é R$ 247 por mês. O que o cliente paga para ter a IA rodando é vinte vezes menor que o setup fee do fornecedor incumbente médio.

Conclusão: a pergunta que derruba qualquer cotação

Se você está avaliando um fornecedor que cobra setup fee em 2026, faça exatamente esta pergunta na próxima reunião:

"O que esse setup fee está pagando que eu não consigo fazer em trinta minutos subindo meus próprios arquivos em um painel?"

Se a resposta vier com palavras como "expertise", "customização profunda", "integração com sua operação" sem um entregável concreto e mensurável, você está olhando para uma cobrança que não sobrevive a uma auditoria honesta.

A ZappIQ nasceu para ser a resposta concreta dessa pergunta. Zero setup. Self-service completo. Vinte e um dias grátis para provar que funciona.

A régua mudou.