Principais destaques
- Modelos rivais no mesmo dia: Anthropic e OpenAI apresentaram novas opções com foco explícito em reduzir o custo do uso de IA.
- Tokens ficaram mais baratos: os novos modelos prometem cortes relevantes nos preços de entrada e saída, especialmente para aplicações em larga escala.
- A disputa mudou de eixo: além de capacidade, os laboratórios agora competem pelo custo necessário para executar tarefas completas em ambientes corporativos.
A corrida da inteligência artificial ganhou uma nova frente.
Durante anos, a disputa entre os grandes laboratórios foi relativamente simples de entender: quem tinha o modelo mais inteligente, mais rápido ou capaz de resolver tarefas mais complexas.
Agora, a pergunta começa a ser outra: quanto custa fazer essa inteligência trabalhar de verdade?
Anthropic e OpenAI deram uma resposta praticamente simultânea nesta terça-feira, lançando modelos concorrentes com poucas horas de diferença e colocando o preço no centro da disputa.
Duas empresas, uma mesma mensagem 💰
A Anthropic apresentou o Claude Opus 5.5, descrito como seu modelo intermediário mais poderoso até agora.
Cerca de 90 minutos depois, a OpenAI anunciou o GPT-6 Sol e o GPT-6 Luna, com reduções expressivas nos preços de API em relação às gerações anteriores.
| Modelo | Entrada / 1 milhão de tokens | Saída / 1 milhão de tokens |
|---|---|---|
| Claude Opus 5.5 | US$ 4 | US$ 20 |
| GPT-6 Sol | US$ 2 | US$ 10 |
| GPT-6 Luna | US$ 0,10 | US$ 0,50 |
A lógica por trás dos lançamentos é semelhante: reduzir o custo para que empresas possam utilizar modelos avançados em muito mais tarefas e com maior frequência.
💸 O detalhe que interessa às empresas:
A Anthropic afirma que o Opus 5.5 pode entregar desempenho comparável ao seu modelo de ponta Fable 5.1, mas com custo operacional 40% menor que o de seu antecessor.
A economia, segundo a empresa, não vem apenas do preço cobrado por token. O modelo também utilizaria menos tokens para completar determinadas tarefas.
Isso é importante porque o preço de uma IA não depende apenas de quanto custa cada milhão de tokens.
Depende de quantos tokens são necessários para terminar o trabalho.
A OpenAI entrou na disputa logo depois ⚡
A resposta da OpenAI veio aproximadamente 90 minutos depois.
O GPT-6 Sol foi anunciado por US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída.
Já o GPT-6 Luna aparece em uma faixa muito mais agressiva: US$ 0,10 para entrada e US$ 0,50 para saída.
A empresa atribui os cortes de 50% a avanços na eficiência de inferência e no uso de cache de prompts.
O cache pode ser particularmente relevante para aplicações que repetem grandes quantidades de contexto.
Segundo a OpenAI, isso pode reduzir em até 90% o custo de determinadas leituras de entrada armazenadas em cache.
💡 A disputa deixa de ser apenas sobre “qual modelo é melhor” e passa a envolver uma pergunta muito mais empresarial: quanto custa automatizar uma tarefa inteira?
O token deixou de ser uma abstração
Para quem utiliza IA ocasionalmente, alguns dólares por milhão de tokens podem parecer uma diferença pequena.
Para uma empresa que executa milhões de chamadas diariamente, a história muda completamente.
Imagine agentes de IA analisando documentos, escrevendo código, respondendo clientes, classificando informações e acionando outras ferramentas continuamente.
Nesse cenário, uma diferença aparentemente pequena no preço de cada chamada pode se transformar em uma economia significativa no fim do mês.
🔎 É aqui que a guerra de preços ganha outra dimensão: o cliente corporativo não está necessariamente comprando uma resposta. Está comprando capacidade computacional para executar um fluxo de trabalho.
O teste não é mais uma pergunta
A OpenAI destacou justamente esse ponto ao apresentar resultados do AutomationBench.
Segundo a empresa, o GPT-6 Sol superou o Claude Opus 5 em determinadas tarefas com aproximadamente 9% do custo por tarefa do modelo da Anthropic.
É uma métrica diferente daquela tradicionalmente usada para comparar modelos.
Em vez de perguntar apenas quantos pontos cada sistema consegue em um benchmark, a comparação tenta responder algo mais próximo da realidade empresarial:
quanto dinheiro é necessário para conseguir que a máquina faça o trabalho?
Isso favorece modelos que consigam chegar ao resultado usando menos chamadas, menos tokens ou menos processamento.
E a pressão vem de fora também 🌏
Anthropic e OpenAI não estão disputando apenas entre si.
O mercado também ganhou modelos de código aberto e alternativas desenvolvidas por empresas chinesas, incluindo nomes como Moonshot e DeepSeek, que passaram a chamar a atenção de usuários especialmente sensíveis a preço.
Esse movimento cria uma pressão adicional sobre os grandes laboratórios americanos.
Se uma empresa consegue obter desempenho suficiente para determinada tarefa por uma fração do preço, o incentivo para pagar por um modelo mais caro diminui.
Não significa necessariamente que o modelo mais barato será escolhido.
Mas significa que o preço passou a fazer parte da avaliação técnica.
A matemática dos agentes muda tudo 🤖
O crescimento dos agentes de IA torna essa questão ainda mais importante.
Um chatbot tradicional pode responder a uma pergunta e encerrar a interação.
Um agente pode fazer dezenas ou centenas de chamadas para diferentes modelos, ferramentas e sistemas antes de concluir uma tarefa.
Cada etapa adiciona custo.
Por isso, uma redução de preço que parece modesta em uma única chamada pode ter efeito muito maior quando multiplicada por milhares de processos automatizados.
🧠 O novo campo de batalha: eficiência não significa apenas responder mais rápido. Significa conseguir realizar uma tarefa completa gastando menos recursos.
Os clientes corporativos estão olhando para a conta
A mudança também acontece em um momento em que empresas estão tentando transformar experimentos com IA em operações permanentes.
É relativamente simples justificar uma demonstração de tecnologia.
Mais difícil é colocar milhares de agentes trabalhando todos os dias e manter a conta sob controle.
Nesse ambiente, os fornecedores precisam equilibrar três elementos:
• qualidade suficiente para concluir a tarefa;
• velocidade suficiente para não prejudicar o fluxo de trabalho;
• custo baixo o bastante para que a automação faça sentido economicamente.
É uma equação bem diferente daquela dos primeiros anos da corrida dos grandes modelos.
A inteligência virou uma commodity?
Ainda não.
A Anthropic continua posicionando sistemas especializados acima do Opus para trabalhos mais exigentes, enquanto a OpenAI mantém o Astra como sua oferta mais capaz.
Ou seja, os próprios lançamentos preservam uma hierarquia entre modelos.
O que está mudando é o espaço ocupado pelos modelos intermediários e de menor custo.
Se eles forem suficientemente bons para grande parte das tarefas empresariais, podem acabar sendo utilizados em volumes muito maiores do que os modelos de ponta.
💡 E esse pode ser o verdadeiro objetivo da guerra de preços: não necessariamente vender o modelo mais poderoso, mas colocar um modelo “bom o bastante” em cada vez mais processos.
O próximo benchmark pode ser a fatura 📊
A indústria de IA construiu boa parte de sua narrativa em torno de benchmarks, rankings e capacidades.
Agora, outro número começa a ganhar importância: custo por tarefa concluída.
Essa métrica combina desempenho e preço em uma única pergunta.
E ela pode ser particularmente relevante para agentes autônomos, nos quais uma única solicitação do usuário pode desencadear uma cadeia inteira de operações.
No fim, a empresa que vencer essa disputa não será necessariamente aquela que cobrar menos por token.
Será aquela que conseguir entregar o resultado desejado com uma combinação competitiva de qualidade, quantidade de tokens, velocidade e custo.
A corrida, portanto, não acabou.
Ela apenas mudou de pista: de quem consegue construir a IA mais impressionante para quem consegue fazê-la trabalhar em escala sem transformar a fatura em outro problema.
