GPT-6 Sol, Luna e Claude Opus 5.5: quanto muda o custo de uma tarefa com IA

Em 22 de setembro de 2026, a OpenAI lançou o GPT-6 Sol e o GPT-6 Luna, e a Anthropic lançou o Claude Opus 5.5. Os dois anúncios trazem preços menores. A primeira reação é comparar a tabela de preço por milhão de tokens. Para uma pequena empresa, essa tabela é só o começo: o que importa é quanto custa uma tarefa resolvida com a qualidade e a supervisão que o negócio exige.

O que foi anunciado

• GPT-6 Sol: US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de saída, na tabela oficial da API. O GPT-5.6 Sol custava US$ 4 e US$ 20, e esse valor já era promocional.
• GPT-6 Luna: US$ 0,10 de entrada e US$ 0,50 de saída por milhão de tokens. É o modelo barato da família, feito para volume.
• Claude Opus 5.5: US$ 4 de entrada e US$ 20 de saída por milhão de tokens, 20% abaixo do Opus 5. A Anthropic afirma que, nas cargas típicas dela, o modelo custa cerca de 40% menos para rodar do que o Opus 5.

Os preços acima são da modalidade padrão, com contexto curto; na tabela da OpenAI, contexto longo custa o dobro. Os 40% da Anthropic são medição do próprio fabricante, não um teste da HyperBoosters, e não valem automaticamente para qualquer operação.

Uma conta de exemplo, não um orçamento

Imagine 1.000 classificações de mensagens comerciais no mês: separar dúvida de produto, suporte e pedido. Para comparar, cada execução usa 2.000 tokens de entrada e 200 de saída. Sem cache, sem ferramentas, sem imagem. No total, 2 milhões de tokens de entrada e 200 mil de saída.

• GPT-6 Luna: 2 × US$ 0,10 + 0,2 × US$ 0,50 = US$ 0,30
• GPT-6 Sol: 2 × US$ 2 + 0,2 × US$ 10 = US$ 6
• Claude Opus 5.5: 2 × US$ 4 + 0,2 × US$ 20 = US$ 12

Essa conta isola a tarifa da API. Ela não prova que os três modelos acertam a mesma quantidade de mensagens, nem que usam o mesmo número de tokens na prática. Também deixa de fora integração, revisão humana, retrabalho, impostos e câmbio. Um modelo barato por chamada sai caro por mensagem resolvida se errar mais e alguém precisar corrigir.

O que medir antes de trocar de modelo

• Uma rotina pequena e reversível. Triagem de mensagens é um bom começo; resposta final ao cliente não é.
• Exemplos reais anonimizados, com o resultado esperado de cada um.
• As mesmas entradas para cada modelo, com as mesmas instruções.
• Acerto, casos que foram para uma pessoa, falhas e custo por item aprovado, não só tokens gastos.

Se o modelo barato resolver a triagem com segurança, use o mais capaz só nos casos difíceis. Se não resolver, o preço menor não compensa. Nos dois casos, mantenha uma pessoa responsável pelas respostas que saem em nome da empresa.

O que muda na prática

A novidade útil não é trocar tudo de modelo a cada lançamento. É poder testar mais combinações de capacidade e preço, e escolher com evidência da própria operação.

É assim que o diagnóstico da HyperBoosters começa: escolher a rotina, definir quem aprova e medir o resultado antes de ampliar a automação. Se você está começando, veja como uma PME pode dar os primeiros passos com IA e o que considerar no atendimento por WhatsApp. Eles ensinam. Nós executamos.