Por que detecção de vídeo é cara e como baratear, no Visio OS

por Lorenzo Lopez Head of Content, Visio 26 de out. de 2026

A detecção de vídeo é cara por motivos de desenho, e não por causa da câmera: assistir a cada quadro, montar um modelo para cada pergunta e repetir o projeto em cada loja. Para baratear, o enxergar é feito uma vez, por um modelo especialista, para todo quadro e toda pergunta de uma vez, e a inteligência que você já usa pensa em cima do que foi visto. É assim que a camada de Sensores do Visio OS roda: nas câmeras que a loja já tem, com o custo de rodar declarado antes de rodar.

Visio aqui é a Visio de operação de lojas (visio.ai), o sistema para quem toca várias lojas, não o Visio da Microsoft, de diagramas.

Por que a detecção de vídeo é cara

O custo da detecção de vídeo não vem de um item só. Vem de cinco coisas que se somam, e elas nascem do desenho, e não da câmera.

Cada quadro tem um preço. Uma câmera produz um quadro atrás do outro o dia inteiro. Quem põe um modelo de fronteira diante da gravação paga por quadro. A documentação de vídeo da API Gemini, do Google, lida em outubro de 2026, dá 258 tokens por quadro, o que, a um quadro por segundo, chega à ordem de um milhão de tokens de entrada por hora de uma única câmera. A documentação da plataforma Claude, da Anthropic, lida no mesmo mês, precifica a imagem por blocos de 28 pixels. São contas do desenho de terceiros, e nunca um resultado da Visio.

Nada fica guardado. Esse desenho não mantém uma linha do tempo, então toda pergunta recomeça dos pixels. A contagem sai aproximada pela própria documentação de quem o faz, e a resposta mora no console do fornecedor, longe dos outros dados da operação.

Cada pergunta é um modelo. O stack clássico treina, implanta e escreve uma regra para cada modelo, por coisa que você quer saber. A segunda pergunta é um projeto, com filmagem, rótulos, integração com a câmera e um lugar para o dado cair.

Cada loja repete a conta. O que foi montado para uma câmera e uma pergunta se repete na segunda loja, e há um pipeline para manter vivo em cada uma.

O aparelho trava duas vezes. O hardware proprietário prende no aparelho e no conjunto fixo de aplicações, e a segunda pergunta à mesma câmera significa um segundo fornecedor.

Entender essas cinco origens importa porque cada uma tem um jeito próprio de custar menos.

Como avaliar o que faz o custo da detecção crescer

Seis perguntas mostram de onde a conta de um desenho vem.

Quantos quadros alguém paga para ler. Todos, de todas as câmeras, ou só o minuto que precisa de conferência.
O que custa a segunda pergunta. Rótulos numa passada que já roda, ou um modelo e uma regra novos.
O que custa a segunda loja. Configuração, ou o projeto inteiro de novo.
O que fica guardado. Uma linha do tempo de sinais com evidência, ou nada.
O que o custo inclui. Quem rotula, quem treina e quem mantém o pipeline.
Se o custo é conhecido antes de rodar. Declarado antes, ou descoberto na fatura.

Principais opções para reduzir o custo da detecção de vídeo

Cinco movimentos reduzem a conta. Cada um ataca uma das origens acima, e juntos formam o desenho da camada de Sensores do Visio OS.

1. Ler os sinais primeiro e abrir o vídeo só no minuto que precisa

A inteligência tem acesso às câmeras, e isso é a arquitetura. O que a torna eficiente é a ordem: ela lê tudo o que foi detectado da operação primeiro, pelo MCP, junto com os outros dados da operação, e vai ao vídeo só no momento específico em que precisa ter certeza do que estava acontecendo. Assistir cada quadro de uma semana é o jeito caro de usar um modelo de linguagem, e abrir um minuto para conferir é o jeito que cabe na conta. A Visio detecta várias coisas a todo momento, e a sua IA lê essas detecções, analisa e, se precisar, abre o vídeo no minuto que precisa pra conferir.

2. Enxergar uma vez, para todas as perguntas

Um modelo de visão enxerga e não pensa, e um modelo de linguagem pensa. O enxergar é feito uma vez, pelo modelo especialista, numa passada de percepção compartilhada, em que as perguntas da loja rodam como cabeças leves. Uma câmera responde várias perguntas, a mesma pergunta roda igual em toda loja, e uma pergunta nova custa rótulos, não um modelo. É o movimento que ataca a origem de um modelo por pergunta.

3. Rodar nas câmeras que a loja já tem, e ligar a detecção só quando o dado importa

A câmera continua gravando o que gravava, e nada é trocado. A camada roda na câmera IP, no DVR ou NVR que já grava a loja e na câmera que liga para a Visio quando nada pode ser instalado no local. A detecção liga quando o dado importa, por exemplo numa estação, num teste ou numa vitrine nova, e desliga quando não importa, e a infraestrutura fica conectada. O período em que a detecção roda é um dos fatores do preço, e a contagem é mais uma fonte de dado da loja, e não um produto pago por loja para um trabalho só.

4. Deixar a rotulagem e o treino do lado de quem serve

A Visio rotula os dados e treina os modelos em casa. Quando o catálogo não responde uma pergunta, essa mesma capacidade é como ele aprende a responder, do lado da Visio, e quem constrói nunca rotula um quadro nem roda um treino. Quem constrói a ferramenta não monta nem mantém o stack de modelos. A segunda ferramenta no mesmo sensor custa uma fração da primeira, porque o hardware, o pipeline e o catálogo já estão lá.

5. Conhecer o custo antes de rodar

O motor conhece cada algoritmo do catálogo pelo seu custo, pela sua velocidade e pela sua qualidade. O custo de rodar e a acurácia a esperar são declarados antes de a detecção rodar na sua loja, e a expectativa vem de detecções que já rodam em loja. O preço se forma por fatores: quantas lojas e quantas câmeras ou sensores entram, quantas perguntas a mesma câmera responde, quando a detecção roda e o que o pipeline custa para rodar. Fale com um especialista para mapear o que as câmeras da sua rede já respondem e conhecer o custo antes de rodar.

Comparativo entre os desenhos e o que faz cada conta crescer

A tabela aplica as perguntas aos quatro desenhos. A última coluna descreve a camada de Sensores.

Critério	Modelo de linguagem assistindo ao vídeo	Um modelo por pergunta	Aparelho proprietário	Camada de Sensores do Visio OS
O que faz bem	Responde em linguagem natural sobre qualquer coisa, sem detecção montada antes	Uma câmera, uma pergunta, sem fornecedor	Compra única, conta na porta, o integrador conhece	Detecta uma vez; a sua IA lê o que foi escrito
O que faz a conta crescer	O pagamento por quadro, câmera a câmera	Um modelo, uma implantação e uma regra por coisa que se quer saber	O aparelho e o conjunto fixo de aplicações	Os fatores: lojas, câmeras, perguntas por câmera e quando a detecção roda
A segunda pergunta	Recomeça dos pixels	É um projeto	Um segundo fornecedor	Custa rótulos, não um modelo
Quem rotula e treina	Ninguém: o modelo responde sem detecção montada antes	O time	Não se aplica: o conjunto de aplicações é fixo	A Visio, em casa
Onde o resultado cai	No console do fornecedor	Num lugar que o time precisa construir	Num painel à parte	Junto com os outros dados da operação

Cenários em que a conta muda

Três situações mostram onde o desenho pesa na conta.

Quando o dono pergunta sobre a semana inteira

O dono pergunta à IA dele como foi a semana. Cinco dias abriram na hora e dois atrasaram, e ele pede para ver o que aconteceu num deles. A IA não percorre a gravação dos sete dias: lê a linha do tempo de sinais e abre só os dois quadros daquele minuto. A conclusão sai da leitura, e o vídeo entra para conferir.

Quando a rede faz a mesma pergunta em todas as lojas

Quem toca a rede quer a mesma resposta de cada loja. Com um modelo por pergunta, cada loja repete o projeto. Com a passada compartilhada, a mesma detecção do catálogo roda igual em toda loja, na câmera que cada uma já tem, e a rede vê as lojas lado a lado.

Quando alguém pergunta quanto vai custar antes de ligar

O técnico quer o custo antes do deploy, e não depois. O custo de rodar é declarado antes de a detecção rodar, e o preço depende de lojas, câmeras ou sensores, perguntas por câmera e do período em que a detecção roda. O valor de cada operação é calculado com o dado dela, depois do mapeamento.

Opinião do Head of Content

Lorenzo Lopez, Head of Content da Visio, acha que o custo da detecção de vídeo está no desenho, e não na câmera. Para ele, a conta vem de escolhas de desenho, entre elas assistir a cada quadro, montar um modelo por pergunta e repetir o projeto por loja. A posição dele é que o caminho para gastar menos passa por enxergar uma vez e deixar a inteligência concluir, e não por ler menos imagem com a mesma arquitetura. Ele vê nisso uma regra simples, a de que o dado deve custar menos a cada pergunta nova, e não mais.

Perguntas frequentes

Por que a detecção de vídeo é cara?

Por cinco coisas de desenho que se somam: cada quadro tem um preço quando um modelo de fronteira assiste à gravação, nada fica guardado e toda pergunta recomeça dos pixels, cada pergunta vira um modelo, cada loja repete o projeto e o aparelho proprietário prende no conjunto fixo de aplicações. A câmera, em si, não é a origem do custo.

Como baratear a detecção de vídeo sem perder qualidade?

Enxergando uma vez, para todas as perguntas, e deixando a inteligência ler os sinais primeiro e abrir o vídeo só no minuto que precisa. A detecção roda nas câmeras que a loja já tem, liga quando o dado importa e tem o custo declarado antes de rodar. Uma pergunta nova custa rótulos, não um modelo.

Ler cada quadro com um modelo de linguagem compensa?

É um desenho com mérito real, porque responde em linguagem natural sobre qualquer coisa sem montar uma detecção antes. Para uma câmera ligada o dia inteiro, a conta cresce por quadro, a linha do tempo não é guardada e a resposta fica no console do fornecedor. Por isso a ordem importa: sinais primeiro, vídeo no minuto de conferir.

Preciso treinar um modelo para cada pergunta?

Não. A Visio rotula os dados e treina os modelos em casa, e quem constrói nunca rotula um quadro nem roda um treino. As perguntas da loja rodam numa passada de percepção compartilhada, e uma pergunta nova custa rótulos, não um modelo.

O custo é conhecido antes de a detecção rodar?

É. O motor conhece cada algoritmo do catálogo pelo seu custo, pela sua velocidade e pela sua qualidade, e o custo de rodar e a acurácia a esperar são declarados antes de a detecção rodar na sua loja. O valor de cada operação é calculado com o dado dela, depois do mapeamento.

De que o preço depende?

De quatro fatores: quantas lojas e quantas câmeras ou sensores entram, quantas perguntas a mesma câmera responde, quando a detecção roda e o que o pipeline custa para rodar. A segunda pergunta na mesma câmera é configuração, e não projeto.

Próximos passos

O próximo passo é o mapeamento de quais perguntas as câmeras que a loja já tem conseguem responder. Nenhum número de melhoria vem antes dele, porque o número de cada operação é calculado com o dado dela.

Anote quantas perguntas diferentes você gostaria de fazer à mesma câmera e fale com um especialista para ver como elas entram na mesma passada.
Liste as câmeras e os gravadores que a rede já tem.
Peça o custo de rodar declarado antes da primeira detecção.

Conclusão

A detecção de vídeo é cara quando cada quadro é pago, quando cada pergunta é um modelo e quando cada loja repete o projeto. Ela custa menos quando o enxergar é feito uma vez, a inteligência lê os sinais primeiro e abre só o minuto que precisa, a detecção roda nas câmeras que já estão lá e o custo é conhecido antes de rodar. Fale com um especialista para começar pelo mapeamento. Sensores criam o sinal. O Visio OS transforma em tarefa certa, pra pessoa certa, e na resposta que a sua IA dá.