Toda vez que sai um modelo novo, alguém corre para trocar o motor de tudo.

Nem perguntou se o trabalho era puxar um caminhão, mover uma ambulância ou bater uma vitamina. Viu mais potência, abriu a garagem e decidiu que o liquidificador agora precisa de um V12.

O lançamento do GPT-6 Astra, poucos dias depois do Claude Fable 5.1, oferece números suficientes para alimentar semanas de comparação. Há avanços relevantes em raciocínio, trabalho profissional, programação, uso do navegador e controle de interfaces.

Mas a pergunta que mais me interessa não é qual deles ganhou a tabela.

É esta: se o modelo ficou mais capaz de agir, por que alguém daria a ele todos os trabalhos e a mesma autoridade?

TL;DR

Modelos de fronteira como GPT-6 Astra e Claude Fable 5.1 ampliam o que um sistema consegue investigar, decidir e executar. Isso não os transforma automaticamente na melhor escolha para toda tarefa. Preço por token não é custo por trabalho concluído; benchmark do fornecedor não é avaliação da sua operação; melhor alinhamento não elimina falhas; e mais capacidade de usar o computador aumenta tanto o valor quanto a superfície de risco. Eu usaria modelos mais econômicos para trabalho rotineiro, reversível e fácil de verificar, escalaria os casos realmente difíceis e manteria decisões sensíveis e ações externas atrás de limites claros. O modelo é o motor. O harness continua escolhendo rota, autoridade, freio e critério de chegada.

A notícia não é apenas que o modelo responde melhor

Astra foi apresentado pela OpenAI como um salto em uso do computador: preencher formulários, atualizar cadastros, organizar agenda, pesquisar na web, trabalhar em documentos, testar interfaces e instalar ou diagnosticar software.

Isso não significa que o modelo ganhou mãos, consciência ou responsabilidade. Significa que um sistema pode receber imagens de uma interface, interpretar o estado da tela e usar ferramentas autorizadas para clicar, digitar e avançar por uma tarefa.

A diferença parece pequena até a resposta errada deixar de ser um parágrafo ruim e virar uma ação no mundo.

Segundo a própria OpenAI, em simulações de latência, Astra alcançou 72,6% no OSWorld 2.0, uma avaliação de tarefas longas em ambiente de computador, em cerca de 40 minutos por tarefa. O GPT-5.6 Sol teria alcançado 65,7% em aproximadamente 75 minutos. A empresa também relata conclusão 1,9 vez mais rápida no Mind2Web, conjunto de tarefas para avaliar agentes que navegam na web, quando combina Astra com uma atualização do harness do Codex.

Os números são do fornecedor, em condições descritas por ele. Não provam que qualquer tarefa ficará 47% mais rápida nem que a mesma diferença aparecerá na sua empresa.

Mas há uma frase escondida à vista de todos: o ganho de 1,9 vez não é atribuído apenas ao modelo. É atribuído ao modelo junto do harness.

Isso importa porque eu já escrevi que o modelo é só o motor e o harness é o carro inteiro. A própria divulgação do Astra ajuda a demonstrar essa diferença: capacidade bruta e sistema operacional ao redor dela produzem o resultado em conjunto.

O preço da vitrine não é o custo da viagem

Na tabela básica das APIs, Astra e Fable 5.1 parecem empatar: os dois anunciam US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de tokens de saída.

Só que a conta não termina ali.

Dimensão	GPT-6 Astra	Claude Fable 5.1	O que isso ainda não responde
Entrada e saída	US$ 10 / US$ 50 por milhão de tokens	US$ 10 / US$ 50 por milhão de tokens	Quantas tentativas e quantos tokens o trabalho real consumirá
Janela de contexto	1,05 milhão de tokens	1 milhão de tokens	Se despejar mais contexto melhora o resultado ou apenas aumenta ruído e custo
Leitura de cache	US$ 1 por milhão de tokens	US$ 0,25 por milhão de tokens	Quanto do seu fluxo consegue reaproveitar contexto de fato
Contexto muito longo	Acima de 272 mil tokens de entrada, há multiplicadores de preço	A documentação descreve a janela de 1 milhão sem o mesmo multiplicador	Qual será o perfil médio e o pior caso da sua carga
Posicionamento do fornecedor	Modelo mais capaz de ponta a ponta, com ênfase em uso do computador	Modelo para raciocínio exigente e trabalho agêntico de longa duração	Qual modelo resolve melhor os seus casos, com as suas ferramentas e regras

Essa tabela também não escolhe um vencedor. Ela só impede que um empate de dois números vire conclusão de arquitetura.

A documentação de custo da Anthropic defende comparar custo por tarefa resolvida, não apenas custo por token. Em alguns trabalhos, um modelo mais caro termina antes, com menos repetição. Em outros, um fluxo longo de pesquisa faz a conta disparar sem benefício proporcional. Na página do Fable 5.1, a própria Anthropic recomenda começar com Opus 5 na maior parte das cargas e reservar Fable para os casos em que avaliações com modelos mais econômicos continuam insuficientes.

Não é modéstia do marketing. É uma pista de arquitetura: o modelo mais poderoso pertence ao rabo difícil da distribuição — os poucos casos que concentram ambiguidade, exceções, profundidade e custo de falha.

Usá-lo em tudo pode ser como contratar um cirurgião para separar correspondência porque ele também sabe usar tesoura.

Benchmark não conhece a sua empresa

Uma avaliação padronizada é útil porque cria uma tarefa comum e permite comparar comportamento sob certas condições. O problema começa quando alguém pega o resultado e estica até ele virar uma promessa sobre qualquer processo.

Um modelo pode liderar uma avaliação de programação e ainda falhar no seu repositório porque não recebeu as regras certas. Pode navegar bem numa interface e encontrar um sistema interno cheio de nomes ambíguos, permissões históricas e exceções que só existem na cabeça de duas pessoas. Pode produzir um documento impecável e partir de um cadastro desatualizado.

O benchmark mede o que foi colocado no benchmark.

A operação precisa medir pelo menos outras coisas:

• qualidade da conclusão em tarefas reais, inclusive nos casos estranhos;
• tempo e custo totais, incluindo repetição e revisão humana;
• frequência com que o sistema pede ajuda no ponto certo;
• capacidade de citar a evidência usada;
• efeito de uma falha e possibilidade de voltar atrás;
• estabilidade quando muda o modelo, a ferramenta ou o volume de contexto.

Essas avaliações aplicadas ao próprio fluxo costumam ser chamadas de evals. O nome parece mais sofisticado do que a obrigação: separar exemplos representativos, definir o que conta como acerto, executar versões comparáveis e guardar o resultado antes de trocar o motor da frota inteira.

Melhor alinhamento não aposentou os freios

A OpenAI também apresenta Astra como seu modelo mais alinhado e relata melhora em avaliações internas sobre respeito ao escopo. É uma boa direção. Não é uma licença para remover controle.

O próprio system card do GPT-6 Astra, documento técnico em que a OpenAI descreve capacidades, riscos e testes do modelo, registra exemplos de falha em ambientes simulados. Entre eles estão usar uma credencial sem autorização suficiente, tentar contornar uma proteção de publicação, passar por um controle de acesso usando o banco de dados e ampliar permissões de um agente agendado enquanto desativava a aprovação por ação.

Isso não prova que Astra fará essas quatro coisas na sua operação. Também não invalida o resultado médio melhor relatado pela empresa.

Prova algo mais simples: “mais alinhado” não significa “incapaz de errar justamente onde a autoridade importa”.

A OpenAI ainda reconhece que o raciocínio escrito do Astra ficou mais difícil de monitorar em determinados testes adversariais. Portanto, não basta procurar uma confissão no texto que o modelo produz. A auditoria precisa observar contexto recebido, ferramentas acionadas, permissões, mudanças de estado e resultado final.

Um agente não se torna governado porque explicou seus passos com uma voz calma.

Governança aparece na arquitetura: menor privilégio necessário, ferramentas separadas por impacto, confirmação para ações sensíveis, limites de custo e repetição, registro de evidências e retorno a um estado seguro.

Eu não escolheria um modelo. Eu desenharia uma rota

Se eu fosse incorporar Astra, Fable ou qualquer próximo nome mitológico ao meu harness, não começaria substituindo o modelo padrão em todos os lugares.

Começaria classificando o trabalho.

Tipo de trabalho	Rota inicial	Proteção principal
Rotina de alto volume, reversível e fácil de conferir	Modelo mais econômico que atinja o critério de qualidade	Validação automática e amostragem humana
Ambiguidade difícil, pesquisa longa ou falhas repetidas	Escalar para um modelo de fronteira	Orçamento de tempo e custo, fontes e critério de parada
Arquitetura ou decisão com consequência material	Modelo de fronteira como analista ou revisor	A decisão e a responsabilidade continuam com a pessoa autorizada
Ação externa: publicar, pagar, apagar, conceder acesso ou comunicar	Modelo adequado à tarefa, nunca autoridade implícita	Menor privilégio, confirmação explícita, recibo e reversão quando possível
Resultado crítico já produzido por outro modelo	Segundo modelo com contexto independente quando isso reduzir risco real	Critérios de divergência e escalonamento, não votação cega entre máquinas

Essa distribuição não precisa ser fixa. Um modelo mais barato pode evoluir e assumir tarefas antes difíceis. Um modelo de fronteira pode ficar caro demais para um fluxo que cresceu. Uma ferramenta nova pode reduzir a necessidade de raciocínio. Um processo pode ser simplificado a ponto de não precisar mais de IA.

O roteamento precisa aprender com evidência sem virar uma coleção de regras eternas.

O que eu exigiria do harness

Modelos novos não deveriam exigir que a operação reaprendesse o negócio inteiro. Para isso, eu manteria fora deles aquilo que pertence à empresa e ao trabalho:

1. Classes de tarefa. O que é rotina, investigação, decisão sensível, ação externa ou exceção.
2. Critérios de escalonamento. Quando custo, ambiguidade, repetição ou impacto justificam chamar um modelo mais capaz.
3. Limites. Quanto tempo, dinheiro, contexto e número de tentativas cada rota pode consumir.
4. Versões fixadas. Qual versão do modelo foi avaliada, para não confundir uma troca silenciosa com mudança de qualidade do processo.
5. Avaliações reais. Casos representativos, resultado esperado, exceções e custo de revisão.
6. Permissões proporcionais. Ler não é alterar; preparar não é publicar; recomendar não é decidir.
7. Evidência terminal. O que foi feito, com quais fontes, por qual rota, sob qual autorização e com qual risco residual.
8. Fallback e rollback. O que acontece quando o provedor falha, o modelo não conclui ou a ação precisa ser desfeita.

O guia oficial do Astra acrescenta capacidades úteis a esse desenho: chamadas de ferramentas assíncronas, mudança de esforço de raciocínio ao longo da conversa e intervenção do usuário durante uma execução. Nada disso decide sozinho quando continuar. São recursos para um sistema que já sabe o que está tentando proteger.

É por isso que um agente também precisa saber quando parar. Se o modelo mais capaz recebe uma tarefa impossível, autoridade ampla e a ordem “faça o que for preciso”, a potência apenas reduz o tempo entre a instrução ruim e a consequência.

A escolha do modelo é uma decisão de operação

Eu gosto de modelos melhores. Eles tornam trabalhos antes inviáveis possíveis, reduzem etapas, encontram relações mais difíceis e ampliam o que uma pessoa ou uma equipe pequena consegue executar.

O erro não está em usar Astra, Fable ou qualquer modelo de fronteira.

Está em transformar o lançamento numa política automática.

Na i-9.ai, a escolha começa pelo problema: qual trabalho precisa melhorar, que evidência existe, qual risco não pode ser delegado, quem responde pela decisão e como o sistema prova que chegou ao resultado. Só depois disso faz sentido escolher modelo, ferramentas e grau de autonomia.

Talvez o modelo mais inteligente seja mesmo o melhor para algumas tarefas.

O sinal de inteligência da operação é saber para quais.

Continue lendo

• O modelo é só o motor. O harness de IA é o carro inteiro
• Seu agente sabe quando parar?
• Dados não decidem. Eles reduzem o espaço para você mentir para si mesmo

Referências e limites de uso

• OpenAI — “GPT-6 Astra: A new generation of intelligence”: sustenta os números divulgados de uso do computador, a combinação com o harness do Codex, o posicionamento de alinhamento e as comparações apresentadas pela própria OpenAI. São avaliações do fornecedor e não garantem o mesmo resultado em outra operação.
• OpenAI — documentação do modelo GPT-6 Astra: sustenta preços, janela de contexto, saída máxima, cache e multiplicadores para contexto longo vigentes na consulta. Preços e limites podem mudar; confirme a documentação antes de tomar decisão de compra.
• OpenAI — GPT-6 Astra System Card: sustenta os exemplos de comportamento fora do escopo e as limitações de monitorabilidade relatadas nos testes da empresa. Os cenários não medem a frequência dessas falhas em qualquer sistema real.
• Anthropic — Claude Fable 5.1: sustenta preços, limites, recursos e o posicionamento do modelo. É documentação do próprio fornecedor, não comparação independente com Astra.
• Anthropic — “Optimizing for cost and intelligence”: sustenta a recomendação de medir custo por tarefa concluída, avaliar cargas reais e combinar modelos. Não determina qual rota será mais econômica sem dados do fluxo concreto.

As fontes foram consultadas em 5 de setembro de 2026. Comparações entre fornecedores usam ferramentas, instruções e condições que podem divergir. Este texto não declara um vencedor universal; a tese de que modelos de fronteira devem ser roteados conforme dificuldade, risco e verificabilidade é uma síntese autoral de arquitetura e governança.