Nos dias 22 e 23 de setembro, a Anthropic e a OpenAI lançaram quase em simultâneo novas gerações dos seus modelos principais — o Claude Opus 5.5 de um lado, e o GPT-6 Sol e o GPT-6 Luna do outro. Formalmente, é mais uma volta na corrida pela qualidade: a Anthropic fala de um salto de desempenho considerável (num dos testes, o modelo migrou uma base de código de 680 mil linhas em menos de um dia — um trabalho que normalmente demora semanas), enquanto a OpenAI sublinha que os novos modelos "lideram na relação entre custo e inteligência". Mas a manchete sobre qualidade não é aqui o mais importante. O mais importante é o preço.

O Claude Opus 5.5 custa 4 dólares por milhão de tokens de entrada e 20 dólares por milhão de tokens de saída. O GPT-6 Sol fica em 2 e 10 dólares, respetivamente. E o GPT-6 Luna, o modelo mais económico da OpenAI, custa apenas 0,10 e 0,50 dólares por milhão de tokens. Para comparar: há ano e meio ou dois, modelos de topo deste nível custavam 5 a 10 vezes mais nos tokens de entrada. E isto acontece num contexto algo incómodo: poucas semanas antes do lançamento, o CEO da Anthropic, Dario Amodei, apelava publicamente a um abrandamento no ritmo de crescimento das capacidades de IA, para que a indústria conseguisse acompanhar a proteção contra riscos. As duas empresas lançaram modelos mais potentes e mais baratos exatamente quando, segundo as suas próprias palavras, seria altura de abrandar.

Porque é que um modelo de topo mais barato muda a economia da automação nas pequenas empresas

Até agora, a escolha de um pequeno empresário resumia-se muitas vezes a isto: usar um modelo barato, nem sempre fiável, para tarefas de rotina — triagem de emails, rascunhos de respostas — ou pagar um preço premium por um modelo de topo apenas onde a precisão é realmente crítica: formulações jurídicas, cálculos complexos, trabalho com grandes volumes de contexto. Uma descida de preço de 5 a 10 vezes num modelo de topo elimina esse dilema. Agora é possível manter um modelo "de topo" em produção para tarefas onde o custo de um erro é elevado, sem contar cada chamada à API como uma linha de despesa à parte.

Um exemplo prático: uma imobiliária de 6 a 8 pessoas usa um bot que analisa os pedidos recebidos pelo site e pelas mensagens, identifica o orçamento e a zona pretendida pelo cliente, cruza essa informação com a base de imóveis e prepara para o gestor um rascunho de resposta com três opções adequadas. Com os preços antigos dos modelos deste nível, a fatura mensal para 3 a 4 mil pedidos podia chegar aos 150–200 euros — e o dono da agência simplificava conscientemente a lógica do bot para não pagar por "inteligência excedente". Com os preços novos do Opus 5.5 ou do GPT-6 Sol, o mesmo volume de pedidos custa entre 25 e 40 euros, sobrando orçamento para acrescentar uma personalização mais fina — por exemplo, considerar o histórico de conversa do cliente dos últimos seis meses, e não apenas a última mensagem.

O que vale a pena verificar antes de migrar processos de trabalho para os novos modelos

Há também um lado menos animador. Em primeiro lugar, os resultados de testes divulgados são a montra do fornecedor, não uma auditoria independente: migrar 680 mil linhas de código num dia soa impressionante, mas nada diz sobre como o modelo lida com o seu nicho específico — por exemplo, contratos-tipo ao abrigo do direito português ou terminologia setorial. Em segundo lugar, a própria contradição entre os apelos a "abrandar" e o lançamento simultâneo de modelos mais potentes é um sinal de que a indústria ainda não definiu regras claras de segurança para sistemas agênticos que acedem a dados reais de clientes e a instrumentos de pagamento. As empresas que ligam estes modelos ao CRM ou à faturação devem prever verificação humana das ações críticas, em vez de confiarem inteiramente no modelo, por mais impressionante que seja o benchmark. O mínimo razoável é um período de teste com pedidos reais, mas não críticos, durante duas a três semanas, com verificação manual de pelo menos um décimo das respostas, antes de dar ao modelo acesso para enviar emails ou alterar registos de clientes sem confirmação humana.

Há ainda um terceiro ponto — a própria velocidade a que as gerações de modelos se sucedem. Se o Opus 5.5 e o GPT-6 Sol ficarem obsoletos tão depressa como os seus antecessores (e o ciclo de atualização encurtou para cerca de seis meses no último ano), as empresas terão de orçamentar não uma implementação pontual, mas uma revisão regular da arquitetura do bot: que tarefas podem passar para um modelo mais barato e quais continuam a exigir o nível de topo.

Na Dayava, ligamos exatamente este tipo de modelos aos processos de trabalho das empresas — desde a gestão de pedidos até à análise interna — e recalculamos a economia para os volumes concretos de cada cliente, e não com base em números médios de comunicados de imprensa. Se lhe interessa uma solução semelhante para o seu negócio, deixe o seu pedido em dayava.pt/contactos/.

Fonte: Hypertext, "After calls to slow down, Anthropic and OpenAI release new models"