A aposta de US$ 7,5 bilhões da Stripe no registro de tokens da OpenRouter

Em agosto de 2026, a OpenRouter processava 25 trilhões de tokens por semana em mais de 400 modelos. A Stripe concordou em adquirir o marketplace por alegados US$ 7,5 bilhões. Desenvolvedores podiam mudar o modelo no endpoint; alguém ainda precisava atender cada solicitação e contabilizar seu custo.

A OpenRouter tenta transformar a substituição de modelos em roteamento confiável, acesso a capacidade, medição e cobrança antes que nuvens, hosts de modelos e fornecedores de aplicações incorporem essas funções aos próprios negócios. Alternativas mais baratas deram aos desenvolvedores motivo para comparar modelos; contas recorrentes de tokens deram aos compradores motivo para gerir essa escolha.

Um marketplace se tornou um ponto de convergência de gastos

A OpenRouter começou em 2023 como um marketplace de modelos de IA. Seu tráfego semanal subiu de 5 trilhões para 25 trilhões de tokens em seis meses, segundo cobertura de agosto de 2026. Isso mede o tráfego pelo serviço, não sua receita nem a fatia da inferência que controla. Mas mostra por que um ponto comum de acesso importa mais quando desenvolvedores o utilizam repetidamente, em vez de apenas testar um modelo uma vez.

A conexão da Stripe com pagamentos faz sentido comercial: cada solicitação roteada pode se tornar um registro de uso, uma cobrança e um pagamento a um provedor. Mas possuir um endpoint não daria, por si só, à Stripe controle sobre essa transação. A Stripe precisaria preservar informações suficientes sobre a solicitação, o provedor, o uso e a conta do cliente para reconciliar os gastos quando uma carga de trabalho muda de modelo.

Na pilha de aquisição de modelos, um catálogo ajuda um desenvolvedor a encontrar um modelo. Um ponto de convergência de gastos precisa permitir que um comprador entenda qual modelo atendeu uma carga de trabalho, a que preço e sob qual acordo comercial. Para um cliente, este último é mais difícil de substituir por outra lista.

A mudança na participação na carteira torna a escolha de modelos uma compra recorrente

O Wall Street Journal informou que a Anthropic detinha mais de 75% dos gastos empresariais na OpenRouter em janeiro, enquanto Anthropic e OpenAI estavam praticamente empatadas em setembro. A OpenRouter afirmou separadamente que os usuários gastaram mais com modelos da OpenAI do que com modelos da Anthropic na semana de 7 de setembro, a primeira semana assim desde 26 de fevereiro de 2024. A medida semanal de usuários e a comparação mensal de gastos empresariais não são a mesma série. Nenhuma delas mostra se clientes individuais mudaram, se novos clientes alteraram a composição ou se os gastos cresceram em ambos os provedores.

Compradores têm motivo para comparar fornecedores, mas as reportagens não estabelecem por que a participação da Anthropic caiu. A cobertura atribuiu os cortes de preço da OpenAI e da Anthropic entre junho e setembro aos baixos custos de troca e à pressão de modelos de pesos abertos. Quando o preço pode mudar dentro de um ciclo de implantação, um compromisso fixo com um provedor pode deixar dinheiro na mesa. Os compradores ainda precisam avaliar se outro modelo é bom o suficiente para uma solicitação específica; um token mais barato não é automaticamente uma tarefa concluída mais barata. Compradores deveriam medir o custo de inferência por carga de trabalho, não por nome de modelo em uma fatura.

As aplicações estão criando seu próprio alocador

A incubadora interna de IA da Meta desenvolvia o Switchboard para enviar algumas tarefas a modelos de menor custo. A Ramp lançou o Router depois de usá-lo internamente por três anos. A Runway lançou um roteador voltado para mídia generativa. Essas empresas têm clientes e produtos diferentes, mas cada uma tem um motivo para manter a seleção de modelos perto de sua própria carga de trabalho. A Meta pode direcionar gastos com programação; a Runway pode projetar em torno de tarefas de mídia. Um gateway geral não pode presumir que um endpoint comum lhe dê as melhores informações sobre qualquer uma dessas tarefas.

Fornecedores de aplicações também decidem o que os usuários veem quando um modelo falha ou um resultado decepciona. Isso lhes dá motivo para reter a regra de roteamento, mesmo se comprarem acesso e cobrança em outro lugar. Compradores empresariais também poderiam exigir que um roteador aplique regras de autorização, residência e auditoria; nenhum dos relatórios citados documenta uma troca de modelo feita por esses motivos.

Pesos abertos ampliam o cardápio, mas não a capacidade de serving

Modelos de pesos abertos dão aos desenvolvedores mais opções, mas seus provedores ainda precisam de capacidade de serving. A Z.ai testou anonimamente o GLM-5.3-Flash por meio do OpenCode e da OpenRouter, atendeu o tráfego em chips chineses de IA e depois lançou os pesos. Desenvolvedores encontraram um modelo selecionável; a Z.ai ainda precisava executá-lo em algum lugar.

A Together AI e a IBM assinaram um acordo plurianual de US$ 240 milhões para construir um cluster de inferência na IBM Cloud usando sistemas Nvidia HGX B300. A Together AI também concordou em usar capacidade computacional da Humain na Arábia Saudita. A Cursor, por sua vez, acessou o Kimi K2.5 da Moonshot por meio da Fireworks AI para o Composer 2. Esses acordos colocam o serving de modelos, o acesso a chips e a capacidade regional nas mãos de provedores de que um gateway pode precisar, mas que não pode simplesmente criar. O ecossistema de pesos abertos relacionado amplia o que pode ser implantado; contratos e operações determinam o que pode ser atendido de forma confiável.

Nuvens e hosts de inferência, portanto, têm seu próprio caminho até o cliente. Um host que controla capacidade pode agrupar acesso a modelos com compromissos de serving. Uma nuvem que já cobra de uma empresa pode adicionar inferência a uma conta existente. Nenhum dos dois precisa vencer uma disputa de catálogo de modelos para competir pela relação de gastos.

A relação com o desenvolvedor precisa sobreviver à aquisição

Alguns desenvolvedores usaram o ambiente Claude Code com modelos não Anthropic mais baratos por meio de proxies e da OpenRouter. Eles mantiveram a superfície de trabalho enquanto mudavam a origem dos tokens. O Fusion da OpenRouter adotou uma abordagem diferente, consultando vários modelos em paralelo e alegando desempenho de pesquisa aprofundada de nível frontier pela metade do preço. A alegação de desempenho e custo do Fusion não foi estabelecida de forma independente no registro citado, mas o produto mostra outra forma pela qual um roteador pode tentar alocar gastos: combinar resultados em vez de selecionar um único provedor.

A Replit teria transferido a maior parte de seus gastos com IA da Anthropic para a OpenAI depois que a OpenAI ofereceu um desconto de mais de 30% em um acordo que vale mais de US$ 100 milhões anuais, após o fim do desconto da Anthropic. A Anthropic também teria agido para fechar brechas que permitiam a empresas chinesas acessar seus modelos por meio de provedores de nuvem e subsidiárias no exterior. Compradores não podem contornar os termos de acesso de um provedor apenas porque seu modelo aparece em um cardápio.

O acordo da Stripe com a OpenRouter é uma aposta em uma posição operacional estreita. Se desenvolvedores mantiverem seus fluxos de trabalho portáteis, provedores competirem por suas solicitações, e a OpenRouter garantir capacidade ao mesmo tempo que produz registros confiáveis de uso no nível da carga de trabalho, o gateway terá algo que uma lista de modelos não pode fornecer. Se essas condições falharem, a aplicação mantém a regra de roteamento, o host atende o modelo, e o comprador quita a conta diretamente. Com 25 trilhões de tokens por semana, a Stripe ainda precisa fazer dos registros da OpenRouter a referência para o comprador e para o provedor que recebe o pagamento.