Hoje o radar veio pesado do lado de custo e de agentes. O GPT-5.6 saiu em três versões no mesmo movimento, com Grok e Meta lançando no mesmo dia, e o resultado foi mais uma queda no preço de rodar IA. Separei o que isso muda para quem decide roadmap e, na sequência, tudo o mais que passou pelo filtro.
Em resumo
Com três opções de modelo e mais lançamentos concorrentes, o custo de inferência cai de novo. Para produto, a decisão passa a ser quais casos de uso agora cabem no orçamento — e como combinar modelos por tarefa, sem abrir mão de julgamento, permissões e governança.
Quem trabalha com produto sabe que a conta que mais aparece na planilha não é a da funcionalidade bonita. É a do custo de rodar aquilo em escala.
Por isso parei para olhar o lançamento do GPT-5.6 esta semana. A OpenAI soltou três versões no mesmo movimento: uma de ponta para raciocínio pesado, uma intermediária com qualidade parecida com a geração anterior pela metade do preço, e uma rápida e barata para alto volume. E não veio sozinha: Grok e Meta lançaram no mesmo dia. O efeito prático foi custo de inferência caindo de novo.
Para quem atua em produto, e eu atuo do lado de produto em crédito, isso muda a matemática de decisão. Uma ideia que há seis meses não fechava conta por causa do custo de processamento passa a caber no orçamento. O que era caro demais para colocar em produção vira viável.
No mundo de recebíveis e crédito estruturado isso é concreto. Leitura e conferência de documentos, cruzamento de informação de duplicatas e apoio a análise em volume são tarefas que sempre existiram, mas que dependiam de a conta de automação fechar. Quando o custo por operação cai, o que antes era piloto vira rotina.
O ponto que eu tento não perder de vista é que preço baixo não é desculpa para tirar o julgamento da mesa. Em finanças, o barato mal desenhado sai caro. A graça está em usar o modelo certo para cada tarefa: o caro só onde ele se paga, o barato onde o volume manda. Projetar features de IA com esse roteamento é, hoje, quase uma decisão de produto.
Essa escolha também está no desenho de agentes de IA. Cada etapa precisa de um modelo compatível com seu risco, volume e tipo de decisão. Quando há ações consequentes em operações financeiras, custo não é o único critério: permissões e governança de IA fazem parte da arquitetura.
O que me anima é que essa queda de custo aproxima muita gente da tecnologia. Time menor, empresa menor, projeto que não tinha fôlego de orçamento — todos passam a conseguir testar. E é aí que aparecem os usos que ninguém tinha previsto.
Para quem ficou curioso e quer ver os números por trás dessa nova safra de modelos, deixo o link aqui.
O resto do radar
OpenAI Presence — template de como operar agentes em produção com governança: guardrails, avaliações e ações aprovadas. Ler mais
Microsoft põe Sales e Service Agent no Outlook e Teams — agentes embutidos onde o trabalho já acontece elevam a régua de adoção e distribuição. Ler mais
Dynamic Workflows no Claude Code — workflows dinâmicos mudam como se orquestra agentes de código e automações internas. Ler mais
StepFun lança Step 3.7 Flash — mais um modelo rápido e barato amplia opções de fornecedor e pressão de custo. Ler mais
Screenpipe (YC S26) — contexto contínuo do usuário é insumo poderoso, e risco de privacidade, para features agênticas. Ler mais
Robinhood deixa agentes de IA operarem ações — caso real de dar ações do mundo real a agentes, com implicações de confiança e responsabilidade. Ler mais
Avaliadores LLM ruidosos ajudam mesmo assim — não espere um eval perfeito para começar a medir qualidade de agente. Ler mais
OneCLI — gateway de credenciais que mantém segredos fora dos agentes; segurança é bloqueador de adoção enterprise. Ler mais
Promptloop — criar, rodar e melhorar evals de prompt pelo terminal reduz regressões em features de IA. Ler mais
É isso que separei hoje. Se algum desses pontos mudou como você pensa o próximo trimestre, já valeu a leitura.