GPT-6 Luna lê o Slack por US$ 0,007 por thread: o que esse número esconde

Sete décimos de centavo de dólar. Foi o que o Agent Initiative Benchmark da Deepnote Research registrou como custo médio do GPT-6 Luna para lidar com uma situação de trabalho dentro de uma empresa simulada — ler as mensagens, decidir se alguém precisava ser informado de algo e responder no canal correto. O Claude Fable 5.1, nas mesmas cinquenta situações, com as mesmas ferramentas e o mesmo orçamento de resposta de 180 segundos, teve uma média de US$ 3,02 para uma pontuação 1,1 ponto maior: 6,38 em 10 contra 7,50. O próprio relatório do benchmark diz que os dois modelos estão "430x distantes em preço", e a aritmética confere: US$ 3,02 divididos por US$ 0,0070 são 431.

O GPT-6 Luna está disponível para o público em geral desde 22 de setembro de 2026, e a comparação circulou na timeline em 13 de novembro como uma história sobre um modelo barato alcançando um caro. É uma história mais interessante do que isso, e um pouco menos lisonjeira para a manchete. A própria linha da Luna naquela tabela contém nove execuções com nota 10 de 10 e nove com nota zero, e o motivo pelo qual um agente proativo é difícil de comprar não é a média — são os zeros.

O que o benchmark realmente executou

A Agent Initiative não é apenas mais um conjunto estático de perguntas. A Deepnote criou uma empresa de software fictícia chamada PageMantle — 71 funcionários, 100 clientes empresariais, seis anos de registros conectados, cerca de 10 GB distribuídos por onze serviços, incluindo Slack, Notion, Linear, HubSpot, Stripe, PostHog, BigQuery e Snowflake — e então inseriu doze modelos de ponta nela como observadores silenciosos. Cada modelo recebeu as mesmas instruções, o mesmo acesso às ferramentas, o mesmo instantâneo da empresa e o mesmo orçamento de tempo. A tarefa era ler novas mensagens do Slack e decidir se investigar, onde responder e se responder.

O painel é pequeno e deliberadamente desajeitado:

• Cinquenta situações em oito tipos de tarefa — Analisar (8), Verificar (7), Coordenar, Explicar, Diagnosticar, Decidir e Proteger (6 de cada) e Encontrar (5).

• Quarenta dos cinquenta precisavam de uma mensagem; dez eram armadilhas nas quais o certo era ficar em silêncio.

• Dois juízes LLM, cegos quanto ao modelo que produziu a execução, pontuando de 0 a 10 em intervenção, evidências, tom e adequação ao público.

• Todos os modelos com esforço de raciocínio alto, com o tempo de execução das ferramentas excluído do cronômetro de 180 segundos.

• Doze modelos de seis laboratórios, 600 execuções no total, com intervalos de 95% provenientes de reamostragem bootstrap por tarefa.

Essa escolha de design — quarenta casos de ajuda contra dez casos de silêncio — é o motivo pelo qual a tabela separa os modelos de um modo que um benchmark de chat nunca faz. A maior parte do que um agente sempre ativo faz o dia todo é decidir não falar, e quase nenhuma avaliação pública pontua isso.

A briga de Luna, na íntegra

O GPT-6 Luna terminou em sétimo lugar entre doze, com 6,38. Ele enviou uma mensagem em 38 das 40 situações que exigiam uma, o que representa uma taxa de acerto melhor que a de 37 do Claude Sonnet 5.5, e o fez em 50 segundos usando 13,7 chamadas de ferramentas. Seu custo por tarefa, US$ 0,0070, é o mais baixo do setor por um fator de quase quatro em relação aos US$ 0,026 do DeepSeek V4.1 Flash e por um fator de sessenta em relação aos US$ 0,42 do Claude Sonnet 5.5.

A coluna que importa é a que o Deepnote rotula como “Dezenas / zeros”. O GPT-6 Astra, maior pontuador com 8,97, registrou 26 execuções perfeitas e dois zeros. O Claude Opus 5.5 registrou 14 e dois. A Luna registrou nove e nove. Em um benchmark no qual um zero significa que o agente ou nunca falou quando deveria, ou falou em uma situação que havia interpretado mal, uma em cada cinco execuções da Luna foi descartada, contra uma em cada vinte e cinco dos dois modelos acima dela. Na média de cinquenta tarefas, um agente que é excelente metade do tempo e ausente na outra metade parece um B menos. Implantado no Slack de uma equipe real, ele parece um colega que ou é brilhante ou é silencioso, e ninguém consegue prever qual.

A manchete de 430x, com o cálculo demonstrado

O número é real e é também a forma mais favorável de o apresentar de que dispomos, por duas razões que vale a pena enunciar sem rodeios.

Primeiro, o Claude Fable 5.1 não é o modelo atual da Anthropic. O Claude Fable 5.2 é, e obteve 8,17 no mesmo benchmark a US$ 1,87 por tarefa. Em comparação com o sucessor, o GPT-6 Luna é 267 vezes mais barato e está 1,79 ponto atrás. Essa é uma frase menos citável e mais relevante para a decisão, porque ninguém que esteja escolhendo um modelo esta semana está escolhendo o Fable 5.1 a menos que tenha um motivo.

Em segundo lugar, a diferença de 1,1 ponto é uma estimativa pontual baseada em cinquenta tarefas. A Deepnote deixa explícito que vários modelos no meio de sua tabela estão dentro de intervalos sobrepostos — ela cita Claude Sonnet 5.5, GPT-6 Luna, DeepSeek V4.1 Flash, Mistral Large 4 e Claude Haiku 5.5 como um grupo com diferença de até 0,6 ponto entre si — e planeja um conjunto de tarefas maior em uma versão futura. A leitura honesta do par Luna-versus-Fable 5.1 é que a diferença de preço é medida com três algarismos significativos, e a diferença de qualidade é medida com cerca de um. Qualquer pessoa que cite "apenas 1,1 ponto atrás" como se a casa decimal tivesse significado está citando o intervalo, não a pontuação.

O número que ninguém cita: quatro em cada dez

Quando o silêncio era a resposta correta, o modelo mediano do setor conteve-se seis em cada dez vezes. O GPT-6 Luna conteve-se quatro. Ele interveio em seis das dez situações em que os registros já mostravam que o assunto havia sido tratado — e, como o Deepnote observa, essas intervenções não eram bobagens. Eram precisas, bem colocadas e desnecessárias. Uma verificação de qualidade que lê apenas a mensagem nunca detectará essa falha. Nem uma pesquisa de satisfação do usuário, porque ninguém reclama de ouvir algo verdadeiro.

De qualquer forma, o benchmark atribui um preço a isso. Em todo o painel, falar fora de hora custou cerca de 1,8 vezes mais do que ficar em silêncio quando uma mensagem era necessária. Para um agente do Slack cuja premissa inteira é ler todas as conversas, o modo de falha não é uma resposta errada que é corrigida. É a lenta erosão do canal: assim que uma equipe descobre que um terço das mensagens do bot é ruído, ela deixa de ler qualquer uma delas, e o valor das corretas vai a zero junto.

Há uma segunda falha, mais discreta, no relatório. Em uma tarefa de acesso a dados, Luna encontrou o registro que confirmava que um administrador de acesso havia passado o cargo a um sucessor e, ainda assim, encaminhou o funcionário ao antigo administrador. Ler a evidência correta e chegar à conclusão errada é um defeito diferente de não encontrar a evidência, e é o que persiste mesmo após uma correção na qualidade da recuperação.

Por que sete décimos de centavo mudam o design, não só a conta

O custo por token é a unidade errada para esta decisão, porque o custo de um agente proativo escala com o número de threads que ele aborda, não com o número de perguntas que recebe. O próprio gráfico da Deepnote concretiza o argumento: US$ 7 por 1.000 tarefas para o GPT-6 Luna contra US$ 3.020 por 1.000 para o Claude Fable 5.1. Com 2.500 threads por mês, o mesmo número que o benchmark usa para Sol e Fable 5.2, a fatura da Luna é de cerca de US$ 17,50.

Esse número é pequeno o bastante para mudar o que você constrói. A US$ 3 por leitura, um agente proativo precisa ser seletivo antes de começar — alguém tem de decidir quais canais valem a pena monitorar, que é exatamente o julgamento que o modelo deveria fazer. A menos de um centavo por leitura, você pode monitorar tudo e deixar o modelo fazer a triagem, que é a única versão do produto que corresponde à proposta.

Isso também paga uma segunda passagem. Rode o GPT-6 Luna em todos os 2.500 tópicos por cerca de US$ 17,50, faça-o sinalizar os cinquenta que parecem ambíguos e envie esses para o Claude Sonnet 5.5 a US$ 0,42 cada: mais US$ 21, para um total perto de US$ 39 por mês. A versão toda em Fable 5.1 da mesma cobertura custa US$ 7.550. Se esse híbrido de fato supera o Luna sozinho não foi testado — o benchmark testou modelos, não harnesses, e a Deepnote diz isso nas limitações dela —, mas é a aritmética que torna o experimento barato o suficiente para ser executado.

O encanamento chegou três semanas antes.

A leitura barata por chamada é apenas metade do que um agente sempre ativo precisa; a outra metade é uma forma barata de fazer uma pergunta específica. Em 22 de outubro de 2026, a O​penAI tirou sua Decisions API do beta, e o GPT-6 Luna é o único modelo que ela suporta. O endpoint retorna respostas tipadas em vez de texto corrido - uma probabilidade de que uma condição seja verdadeira, uma escolha de uma lista fixa ou uma pontuação em níveis ordenados - e a O​penAI afirma que ele é cerca de dez vezes mais rápido do que perguntar ao mesmo modelo por meio da Responses API.

Para um observador do Slack, esse é o formato certo. "Esta thread contradiz a data de lançamento na mensagem fixada?" é um predicado, não um parágrafo. A versão de disponibilidade geral elevou o limite para 400 perguntas por solicitação, adicionou cache de prompt para contexto compartilhado, permitiu imagens dentro das instruções de perguntas individuais e aceitou dados estruturados diretamente por meio de uma input_json parte de conteúdo. Uma única chamada agora pode avaliar um dia inteiro de atividade do canal em relação a um conjunto fixo de evidências, em vez de uma mensagem por vez.

Vale saber antes de você projetar com base nisso: o novo cache se aplica às evidências compartilhadas que você envia, não à tabela de preços da Luna, e os limites do próprio modelo ainda se aplicam — uma janela de contexto de 1.050.000 tokens, entrada máxima de 922.000, saída de 128.000 e corte de conhecimento em 18 de maio de 2026. A chamada de funções no Chat Completions só funciona com o esforço de raciocínio definido como none; qualquer coisa com ferramentas integradas precisa passar pela Responses API.

Onde a evidência termina

O benchmark é invulgarmente franco quanto aos seus próprios limites, e estes são importantes para qualquer pessoa prestes a colocar um modelo diante de uma equipa real.

• Cinquenta tarefas, com algumas categorias contendo apenas cinco a oito, de modo que os rankings por categoria são tendências, e não ordenações.

• Um retrato fixo da empresa cujos colegas de equipe nunca respondem, que mede uma contribuição em vez de um mês de contexto acumulado.

• Um único nível de esforço. Todos os modelos foram executados no nível alto; configurações mais baixas e mais altas não foram testadas, e o padrão do Luna é médio, não alto.

• Apenas Slack. E-mail, documentos e qualquer ação além de enviar uma mensagem estão fora do escopo.

• Custos históricos, não cotações em tempo real. Os valores por tarefa são observações da execução, portanto uma alteração de preço do fornecedor os modifica.

• Nenhum roteador foi testado. A Deepnote deixa explícito que sua orientação de roteamento é uma recomendação de projeto extrapolada dos resultados do modelo.

Há também uma tensão entre essa tabela e as medições independentes de velocidade. A Deepnote cronometrou o Luna em 50 segundos por situação no esforço alto. A Artificial Analysis, executando-o no esforço máximo, mediu um tempo até o primeiro token de resposta de 79,33 segundos — uma ordem de magnitude pior que a mediana da sua faixa de preço. Ambos os números podem ser verdadeiros, já que medem coisas diferentes em configurações diferentes, mas o par é um alerta: a latência percebida de um agente sempre ativo é definida pelo botão de esforço, e aumentá-lo para correr atrás dos zeros custa segundos antes de custar dólares.

Implantar um leitor a este preço

A versão prática deste benchmark é um pipeline de dois níveis, e é por isso que a diferença de preço importa mais do que a diferença de pontuação. O GPT-6 Luna, com esforço baixo ou médio, faz a leitura — cada thread, cada canal, decisões registradas por meio da Decisions API. Um limiar aplicado a essas decisões encaminha os casos ambíguos para um modelo mais forte. O modelo caro então lida com dezenas de threads por mês em vez de milhares, e seu custo deixa de ser uma linha de orçamento.

Esse pipeline é mais fácil de executar quando as duas camadas ficam atrás de uma única chave. O OrcaRouter expõe GPT-6 Luna, Claude Sonnet 5.5, Claude Fable 5.2 e mais de 200 outros modelos por meio de um único endpoint compatível com OpenAI, com 0% de markup - o preço de tabela do provedor é repassado, então um corte de preço do fornecedor chega ao nosso lado no mesmo dia, em vez de esperar que um revendedor reajuste o preço. A DSL de roteamento compõe as camadas em uma única chamada (primeira passagem barata, escalonamento sob uma condição), o failover automático mantém o watcher ativo se um provedor degradar, e a fusão de modelos permite que um painel responda em conjunto quando uma única classificação tem consequências demais para ser confiada a um único modelo. Nada disso muda os números acima; apenas remove o trabalho de integração entre eles.

O que moveria este número

Duas coisas tornariam este artigo obsoleto: um sucessor GPT-6 Luna ou uma segunda execução independente do mesmo benchmark com um conjunto de tarefas maior. A primeira é uma questão do calendário da OpenAI. A segunda já está prometida — a Deepnote diz que um painel de 50 tarefas será substituído por uma amostra maior na próxima versão, e seus autores deixam claro que a tabela atual deve ser lida como uma primeira medição, e não como um ranking.

Até lá, a conclusão defensável é mais estreita do que a versão da linha do tempo e mais útil. O GPT-6 Luna é o primeiro modelo barato o suficiente para que um agente proativo possa se dar ao luxo de errar sobre se deve olhar, e esse é um limiar real — a diferença entre um produto que faz amostragens da sua empresa e um que a lê. Ele ainda não é confiável o suficiente para errar sobre se deve falar. A pontuação de silêncio de quatro em dez é a parte da tabela em torno da qual se deve projetar: mantenha a leitura barata, mantenha a escrita condicionada por gate e coloque o modelo caro onde a decisão de interromper de fato é tomada.