Benchmarks reais · MeigaHub

Tool calls

63.385

% 81.3 sucesso

Usuários ativos

14

com tool calls registradas

Modelos LLM

35

em produção

Economia estimada

$159,16

vs 100% nuvem

Distribuição local vs nuvem

Porcentagem de chamadas LLM resolvidas por modelo local self-hosted vs API nuvem (OpenAI/Mistral/etc).

Local (servidor próprio) 16.7%

10.611 chamadas · % 86.4 sucesso

Nuvem (API externa) 83.3%

52.774 chamadas · % 80.2 sucesso

Taxa de sucesso por ferramenta

Top 12 ferramentas com ≥30 chamadas registradas. Calculado sobre model_task_outcomes.

Ferramenta	Ligações	% sucesso
find_local_leads	6.009	90.8%
fetch_readable	5.019	68.8%
manage_automation	1.521	98%
manage_lead_hunt	1.387	98.8%
enrich_decision_maker	1.270	91.1%
manage_lead_hunt	1.217	57.4%
manage_lead_hunt	1.170	99.5%
manage_lead_hunt	1.154	86.7%
enrich_decision_maker	1.132	79.2%
enrich_decision_maker	1.100	99%
manage_automation	1.007	60.8%
manage_lead_hunt	795	70.3%

Volumen de uso registrado

Contadores agregados desde usage_tracking — somas históricas de acciones reais.

emails_daily

10.532

searches_daily

3.268

image_analysis_daily

639

web_fetches_daily

370

chat_messages_daily

301

stealth_sessions_month

298

public_chat_messages_monthly

114

server_downloads_monthly

28

api_fetches_daily

13

Aproveitamento estimado — metodologia

Comparamos o custo atual real (apenas as chamadas que efetivamente foram encaminhadas para cloud) contra um cenário hipotético em que todas as chamadas LLM se tivessem executado em cloud.

Tokens por chamada estimados: 1500 (input + raciocínio + tool call).
Preço blended cloud: $10/1M tokens (referência GPT-4o 50% input / 50% output).
Modelos locais detectados: contêm qwen / llama / mistral-7b / phi / gemma / .gguf.

Se tudo fosse cloud

$950,78

Gastos em cloud real

$791,61

Aproveitamento por local

$159,16

Estimativa conservadora. O ahorro real por usuário geralmente é superior, já que o GPT-4 cobra diferentes inputs/saídas, os modelos menores adicionam uma quota mínima mensal e o custo de nuvem aumenta com a longitud do contexto. Estes cálculos não incluem o custo de energia elétrica nem a amortização do hardware local.

Casos reais com métricas auditáveis

Desdobramento técnico dos casos mostrados na capa. Setores e métricas reais; nomes e dados identificativos omitidos por privacidade (anônimos com consentimento do usuário). As cifras são reproduzíveis a partir do painel do produto e das tabelas usage_tracking, model_task_outcomes e automation_rule_runs.

Caso 1

Assessoria legal · captura REGCON

Despacho de 4 pessoas em Galiza (anônimo). Objetivo: identificar empresas obrigadas a apresentar plano de igualdade segundo o Real Decreto 901/2020 que ainda não aparecem no registro REGCON do Ministério do Trabalho.

Métrica	Valor	Fonte verificável
Empresas do pool verificadas em REGCON	2.847	`company_pool.regcon_checked_at` · 6 semanas
Empresas sem plano de igualdade (não em REGCON)	1.483	`company_pool.in_regcon = false`
Leads qualificados criados (com email de contato)	312	`leads.source = automation`
Custo API externa (Brave Search)	€18	Facturação Brave · 6 semanas
Custo LLM cloud	€0	Servidor local Qwen3.5 9B · `model_task_outcomes`
Horas de trabalho manual evitadas	~80 h	Estimativa do cliente (1 verificação REGCON manual ≈ 2 min)

Pipeline técnico: manage_leads pool_verify_regcon (estado) → manage_leads pool_search only_verified_not_regcon → collect_leads com enriquecimento web (API do Brave) → campanha de e-mail programada. Todo orquestrado pelo agente sobre o servidor local do usuário.

Caso 2

Agência de marketing · blog SEO em piloto automático

Agência de 6 pessoas (anônimo). Objetivo: produzir conteúdo SEO recorrente sem contratar redator externo nem perder horas em briefing / revisão semanalmente.

Métrica	Valor	Fonte verificável
Artigos publicados em 90 dias	47	`blog_posts.published_at`
Artigos no top-30 do Google (consulta primária)	18	Google Search Console · captura de 90 dias
Visitas humanas aos artigos (90 dias)	3.412	`page_views.is_bot = false`
Taxa local/cloud em redação	84% / 16%	`model_task_outcomes` · task `tool:write_and_publish_blog_post`
Custo cloud LLM	~€7/mes	Facturação da OpenAI (escalada após falha local)
Tempo humano de revisão	~2 h/semana	Estimativa do cliente (vs ~12 h/semana redigindo)

Pipeline técnico: Regra de automação cron diária → search tendências do setor → write_and_publish_blog_post com schema markup automático → publicação social cross-channel. A+ routing aprende quais modelos locais rendem bem para redação longa; escala para nuvem apenas quando há falha de qualidade.

Caso 3

Despacho de engenharia · vigilância BOE / BDNS / PLACSP / TED

Engenharia civil de 8 pessoas (anônimo). Objetivo: vigiar diariamente licitações públicas, subvenções e concursos europeus relevantes para seu setor (obra civil, infraestrutura hidráulica, eficiência energética) sem destinar a uma pessoa.

Métrica	Valor	Fonte verificável
Fontes oficiais monitorizadas (ingestão diária)	4	BOE · BDNS · PLACSP · TED (APIs oficiais)
Oportunidades ingeridas (90 dias)	2.184	`opportunities.search_case_id`
Oportunidades com score ≥70 (matching LLM)	12	`opportunity_matches.score >= 70`
Candidaturas apresentadas com documentos adaptados	3	`candidacies.status = submitted` · `adapted_documents`
Custo cloud LLM	€0	100% local (Qwen2.5 14B para scoring + adaptação)
Tempo humano dedicado	~3 h/semana	Revisão final de candidaturas (vs vigilância manual full-time)

Pipeline técnico: Search Case com fontes boe_api, bdns_api, placsp_atom, ted_api → intake diário programado → SearchCaseMatchingService scoring por batches → notificação no chat com oportunidades ≥70 → generate_adapted_document com perfis da empresa (pastas de documentos em profile_folders).

Política de dados: os três casos são contas reais com identidade anonimizada. Os percentuais e agregados publicados aqui não permitem reidentificar o cliente. Se você é usuário e deseja que seu caso apareça (com seu identidade ou anonimizado), escreva para nós através de contato.

Transparência e reproduzibilidade

· Todos os dados provêm de tabelas reais em produção: model_task_outcomes, usage_tracking.
· Nenhum dado é pessoal. Só são publicados totais agregados y porcentagens.
· O cálculo é executado com php artisan benchmarks:refresh e é cacheado por 24h.
· Código-fonte do cálculo: App\Services\BenchmarkStatsService (audível).

Criar conta grátis Requisitos de hardware local

Benchmarks reais de MeigaHub