Dia de mexer em duas gavetas diferentes. Uma é a de preço, com a OpenAI cortando 80% do custo de entrada do Luna. A outra é a de gente, com Jeff Dean e mais três nomes fortes saindo do Google no mesmo dia. Comecei olhando planilha de custo e terminei olhando organograma de fornecedor.

Tenho uma lista antiga de ideias de produto que nunca saíram do papel por um motivo só: não fechava a conta.

Não era falta de vontade nem de tecnologia. Era custo por operação. Quando você multiplica alguns centavos por milhões de documentos, a matemática mata a ideia antes mesmo do comitê.

Foi por isso que a notícia dessa semana me fez abrir aquela lista de novo. A OpenAI cortou o preço do GPT-5.6 Luna em 80 por cento, de um dólar para vinte centavos por milhão de tokens de entrada, e de seis dólares para um e vinte na saída. No mesmo anúncio, mais de um bilhão de usuários ativos e dois milhões de clientes corporativos.

Em resumo

O custo de inferência de IA caiu o suficiente para recolocar no roadmap casos de uso que antes não fechavam a conta: classificação documento a documento, conferência fora da amostragem e resumo de contratos em alto volume. A competição saiu da capacidade e foi para o preço. Para produto, a segunda olhada precisa comparar custo por tarefa, qualidade e resultado — não apenas a tarifa do modelo.

E não é caso isolado. Saiu também o resultado de um modelo aberto de 4 bilhões de parâmetros que, pós-treinado para uma tarefa específica de busca, empatou com um modelo de fronteira a um custo cem vezes menor. A competição saiu da capacidade e foi para o preço.

Para quem trabalha com produto, isso tem uma consequência bem prática: boa parte do que você descartou nos últimos dois anos merece uma segunda olhada. A classificação documento a documento que era cara demais. A conferência que só valia por amostragem. O resumo de contrato que ficou fora do escopo por causa do volume.

Essa reavaliação é parte da gestão de produtos com IA: quando a restrição econômica muda, o time precisa revisar valor, qualidade, risco e custo por tarefa antes de recolocar a ideia no roadmap.

No meu dia a dia com produtos de crédito, é essa parte que mais me anima. Recebível é um mundo de volume alto e ticket individual baixo, e é exatamente aí que o custo de inferência decide o que dá ou não dá para automatizar. Cada queda de preço reabre uma fila inteira de casos de uso engavetados.

Tem o outro lado, e vale dizer. Se o seu produto vive de revender token com uma camada fina em cima, essa margem está encolhendo rápido. O valor está migrando para quem entende o fluxo, os dados e as regras do negócio, não para quem tem acesso ao modelo.

Para decidir o que volta primeiro, o material sobre IA para Product Managers ajuda a colocar custo, qualidade, resultado e risco na mesma conversa.

Barato demais também pede critério. Quando rodar deixa de doer no orçamento, a tentação é jogar IA em tudo sem medir se aquilo melhorou alguma coisa. Mas confesso que prefiro esse problema ao anterior.

Para quem ficou curioso e quiser ver os números completos, deixo o link aqui: https://venturebeat.com/technology/ai-price-wars-openai-cuts-gpt-5-6-luna-prices-by-80-as-model-competition-shifts-toward-cost

O resto do radar

Modelo aberto de 4B iguala o GPT-5.6 Sol em retrieval por 100x menos — muda a matemática de unit economics: tarefa estreita pode sair do modelo de fronteira sem perder qualidade. https://neon.com/blog/how-castform-neon-beats-frontier-models-on-price-and-efficiency

Jeff Dean e veteranos do Google fundam a Discovery Loop — sinaliza a próxima fronteira de produto: agentes que fecham ciclos experimentais inteiros, não só geram texto ou código. https://www.discoveryloop.com/

Demis Hassabis vira Chair do DeepMind e Jeff Dean deixa o Google — reorganização na liderança de IA do Google afeta roadmap, cadência de releases e risco de dependência de fornecedor para quem constrói sobre Gemini. https://blog.google/company-news/inside-google/message-ceo/next-chapter-ai-momentum/

Meta lança Muse Code (beta) e o modelo Muse Spark 1.2 — mais um player forte em agentes de código, o que amplia opções de fornecedor e pressiona preço e qualidade. https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2

Prime Agent: harness de agente auto-aprimorável e open source — harness aberto superando os proprietários mostra que boa parte do ganho de performance está na orquestração, não só no modelo. O desenho de agentes de IA também entra nessa disputa de custo e qualidade. https://www.primeintellect.ai/blog/prime-agent

Cloudflare OS: plataforma aberta para agentes, apps e trabalho — redefine a unidade de produto, de app fechado para workspace conversacional que vira doc, app ou workflow contínuo. https://blog.cloudflare.com/cloudflare-os/

Atlassian Rovo exfiltra dados contornando controles de segurança — caso concreto de que permissão e human-in-the-loop não bastam quando o agente tem acesso a ferramentas de rede. https://www.promptarmor.com/resources/atlassian-rovo-exfiltrates-data

HyperProbe (YC S26): agentes de debugging read-only em produção — restringir o escopo do agente vira o próprio diferencial de produto e destrava adoção em ambiente crítico. https://www.hyperprobe.co

A Lei de Goodhart alcança todo benchmark em que você confia — escolher modelo por placar público é decisão frágil; a avaliação precisa refletir as tarefas reais do seu produto. https://cacm.acm.org/blogcacm/goodharts-law-comes-for-every-benchmark-you-trust/

É isso por hoje. Amanhã tem mais.