OpenAI e Anthropic cortaram preço no mesmo dia. O gargalo da adoção mudou de lugar

Em 22 de setembro, com cerca de 90 minutos de diferença, os dois maiores fornecedores de modelos de inteligência artificial de fronteira anunciaram redução de custo.

Primeiro a Anthropic, com o Claude Opus 5.5. Depois a OpenAI, com dois modelos da família GPT-6: o Sol, voltado a tarefas complexas como programação, e o Luna, desenhado para trabalho de alto volume com objetivo definido — resumir documento, extrair informação, responder pergunta curta.

Nenhum dos dois anúncios é, no fundo, sobre capacidade. É sobre preço.

E preço era a variável que vinha travando a conversa dentro das empresas.

O que exatamente mudou

Na tabela oficial de preços da plataforma Claude, consultada em 23 de setembro, o Opus 5.5 aparece a US$ 4 por milhão de tokens de entrada e US$ 20 por milhão de tokens de saída. O Opus 5, o modelo que ele substitui no topo da linha, custa US$ 5 e US$ 25. A leitura de cache caiu mais: de US$ 0,50 para US$ 0,20 por milhão de tokens.

No anúncio oficial do Opus 5.5, a Anthropic afirma que, em seus próprios testes, o modelo custa 40% menos que o Opus 5 em cargas típicas de trabalho e gera saída mais de 30% mais rápido. Os 40% são maiores que a queda de tabela porque combinam preço menor por token com menos tokens gastos para completar a mesma tarefa. É uma afirmação da empresa sobre o comportamento do modelo, não um número de tabela.

Do lado da OpenAI, os valores absolutos não aparecem nas fontes acessíveis. Segundo a reportagem do TechCrunch assinada por Lucas Ropek, os modelos da série 6 ficam disponíveis pela metade do custo da série 5.6 de Sol e Luna — queda que a empresa atribui a melhorias em cache e inferência. Os dois já estão em ChatGPT Work, Codex e API.

Então as duas quedas não têm o mesmo tamanho. A da Anthropic é de 20% na tabela, com 40% alegados na carga real. A da OpenAI é de metade do custo, sem número absoluto publicado. O que elas têm em comum é a direção e a data.

O que é fato e o que é afirmação de fornecedor

Aqui a leitura precisa desacelerar.

Todo ganho de desempenho anunciado nesses dois lançamentos é declaração da própria empresa que vende o produto.

A OpenAI afirma que o GPT-6 Sol comete cerca de metade dos erros do antecessor em avaliações de precisão factual, alcançando confiabilidade equivalente à do Astra a um custo bem menor. Afirma também que seus modelos superam os da Anthropic em várias tarefas. São números do comunicado. Até agora não há verificação independente consolidada desses resultados.

Do lado da Anthropic, uma frase do anúncio pede precisão. A afirmação mais reproduzível do comunicado — de que o Opus 5.5 é o modelo de melhor desempenho que a empresa já testou — se refere, no texto original, a um escopo específico: a auditoria comportamental automatizada que a companhia usa como principal teste de alinhamento. Não é uma declaração geral de capacidade. A empresa informa, separadamente, que o modelo passou por avaliação externa antes do lançamento, com Frontier Design e METR, e a cobertura do TechCrunch sobre o Opus 5.5 registra desempenho em nível do Fable em vários testes.

Avaliação externa de pré-lançamento e verificação independente de ganho comercial são coisas diferentes. A primeira existe. A segunda, não.

Por que a conta muda para quem compra

Casos de uso que não fechavam a conta há três meses passam a fechar.

Revisão documental em massa, triagem de alto volume, agentes que rodam continuamente em vez de sob demanda: são processos em que o custo por execução era o único impedimento real. Não era falta de tecnologia. Era aritmética.

Quando o insumo cai, a pergunta de decisão muda de lugar. Deixa de ser "a inteligência artificial consegue fazer isso?" e passa a ser "o meu processo está desenhado para absorver isso?".

Há também um efeito contratual que quase ninguém revisa. Quem fechou preço anual com um fornecedor intermediário no primeiro semestre — plataforma, integrador, camada de orquestração — comprou capacidade calculada sobre um custo de insumo que não existe mais. Sem cláusula que acompanhe a queda do preço de referência, a diferença fica com o intermediário. É uma consequência provável, não uma constatação: depende do contrato de cada empresa.

A aritmética que desmonta a comemoração

Preço menor por token não é custo menor por resultado.

A frase parece óbvia e quase nunca é aplicada. Um agente que ficou mais barato por chamada tende a ser chamado mais vezes: porque agora "cabe", porque alguém ampliou o escopo, porque o fluxo foi desenhado para tentar de novo quando falha. A conta total sobe enquanto o preço unitário cai. Essa é a tese de uma análise anterior aqui no blog sobre por que a conta de inteligência artificial fica imprevisível mesmo com token mais barato, e o movimento desta semana a torna mais urgente, não menos.

Há um detalhe técnico que expõe bem o problema da unidade de medida. A documentação de preços da Anthropic registra que os modelos a partir do Claude 4.7 usam um tokenizador novo, que produz cerca de 30% mais tokens para o mesmo texto. Entre o Opus 5 e o Opus 5.5 o tokenizador é o mesmo, então a comparação de tabela entre eles se sustenta. Mas a lição vale para qualquer troca de geração: preço por token e quantidade de tokens são variáveis independentes, e as duas mudam.

A métrica que interessa, portanto, não é o preço do milhão de tokens. É o custo por tarefa concluída com qualidade aceitável.

O que precisa existir para trocar de modelo em uma semana

Se o preço do insumo cai duas vezes ao ano, a vantagem competitiva não está em escolher o modelo certo hoje. Está em conseguir trocar de modelo sem refazer a operação.

Quem amarrou o fluxo a um fornecedor específico acabou de perder dinheiro sem perceber, e vai perder de novo no próximo anúncio. Quatro coisas precisam ser verdade para que a próxima troca leve uma semana, não um trimestre.

1. O modelo precisa ser um parâmetro, não uma decisão espalhada

Se a escolha do modelo está escrita em dezenas de pontos do código, das automações e das planilhas, trocar é um projeto. Se está em um lugar só, trocar é uma linha de configuração. A diferença entre uma semana e um trimestre costuma ser decidida no primeiro dia da implementação, quando ninguém ainda está pensando em preço.

2. O custo precisa ser medido por processo, não por licença

Saber quanto a empresa gasta de inteligência artificial por mês não ajuda a decidir nada. Saber quanto custa processar uma nota, triar um chamado ou revisar um contrato, sim — porque esse é o número que se compara com o custo da alternativa humana e com o preço do próximo modelo. Sem ele, corte de preço vira notícia, não decisão.

3. Precisa existir um conjunto de casos com resposta esperada

Trocar de modelo sem um conjunto de exemplos reais, com a saída que se considera correta, é apostar. Com esse conjunto, a troca vira um teste de meia hora: rodam-se os mesmos casos no modelo novo, comparam-se resultado e custo, decide-se. É o ativo mais barato de construir e o mais frequentemente ausente.

4. O contrato precisa acompanhar o insumo

Contrato anual com preço fixo, num mercado cujo insumo cai duas vezes por ano, transfere ganho para o fornecedor. Não é má-fé, é desenho de contrato. Prazo mais curto, cláusula de revisão vinculada a preço de referência público ou cobrança por transação em vez de por assento resolvem.

O gargalo mudou de lugar

O que aconteceu em 22 de setembro não altera o que a tecnologia faz. Altera quanto custa fazer.

E quando o custo do insumo desaba, o que sobra como limitador é tudo aquilo que não é insumo: processo sem dono, dado espalhado, ausência de critério de aceite, contrato mal desenhado, ninguém medindo custo por tarefa.

A leitura mais plausível é que os próximos doze meses separem dois grupos de empresas. Um vai passar o ano escolhendo modelo. O outro vai passar o ano desenhando processos capazes de trocar de modelo sem parar a operação.

O segundo grupo captura as duas próximas quedas de preço. O primeiro lê sobre elas.