A inteligência artificial ficou 50% mais barata. O que é que a sua empresa consegue agora automatizar?

Quando sai uma nova geração de modelos de inteligência artificial, a conversa começa sempre igual. É mais inteligente? Programa melhor? Erra menos?

Desta vez há outra pergunta, mais útil para quem gere uma empresa: quanto custa pô-la a trabalhar?

A 23 de setembro de 2026, a OpenAI lançou dois novos modelos, o GPT-6 Sol e o GPT-6 Luna. O Sol passou a custar 2 dólares por milhão de tokens de entrada e 10 de saída, quando o antecessor custava 4 e 20. O Luna desceu para 0,10 e 0,50. A empresa atribui a redução a melhorias de inferência e de caching, e confirmou que os novos preços não têm data de validade.

E não foi um caso isolado. No mesmo dia, cerca de hora e meia antes, a Anthropic lançou o Opus 5.5. Isto não é uma empresa a fazer uma promoção. É pressão competitiva, e é isso que torna a tendência relevante para quem tem de decidir orçamentos.

Pode parecer uma discussão para programadores. Não é. Quando o preço da inteligência cai, tarefas que ontem não justificavam automação podem passar a justificar hoje.

O problema nunca foi só saber se a IA conseguia fazer

Imagine uma empresa que recebe 200 pedidos comerciais por semana. Alguém tem de ler cada um, perceber o que a pessoa procura, verificar se falta informação, classificar a oportunidade, registar o contacto, preparar uma resposta e definir o passo seguinte.

Já sabíamos há algum tempo que a inteligência artificial ajuda em várias destas tarefas. A pergunta empresarial é outra: quanto custa fazer isto 200 vezes por semana? Depois 2.000. Depois 20.000.

Uma demonstração pode ser impressionante e continuar a não fazer sentido económico. É por isso que o custo por tarefa importa mais do que a pontuação num teste.

O número que interessa não está no chatbot

A OpenAI testou o Sol no AutomationBench, um teste que avalia agentes em processos completos usando 47 ferramentas de vendas, marketing, operações, apoio ao cliente, finanças e recursos humanos.

Nos resultados divulgados, a empresa afirma que o Sol, em esforço elevado, supera um modelo concorrente a cerca de 9% do custo por tarefa desse concorrente, e que o Luna melhora 5,4 pontos percentuais com um custo por tarefa 58% inferior ao do antecessor.

Duas ressalvas, e são importantes. Primeiro, estes benchmarks são da própria OpenAI, com os valores dos concorrentes retirados de relatórios públicos. Segundo, um benchmark é um ambiente de teste. Numa implementação real entram integrações, infraestrutura, bases de dados, monitorização, desenvolvimento, manutenção e validação humana.

O que o teste mostra não é um preço. É uma direção: o custo computacional de realizar trabalho útil está a descer depressa.

Quando uma tecnologia fica barata, muda a pergunta

Enquanto é cara, usamo-la só nos problemas mais valiosos. Quando fica barata, começamos a usá-la em problemas pequenos. Foi assim com o armazenamento, com a largura de banda e com a computação na nuvem.

Imagine uma tarefa administrativa de quatro minutos. Uma pessoa faz aquilo perfeitamente, por isso nunca ninguém pensou em automatizá-la. Mas acontece 300 vezes por mês. São 1.200 minutos, ou seja, 20 horas todos os meses.

É aqui que as pequenas tarefas se transformam em oportunidades grandes.

A oportunidade das PME não está nos processos gigantes

Quando se fala em transformação digital, pensa-se em substituir o ERP ou reconstruir o processo comercial inteiro. A inteligência artificial abre outra possibilidade: automatizar centenas de pequenos momentos.

Uma empresa pode não precisar de um projeto de cem mil euros. Pode precisar de resolver cinco coisas: classificar pedidos, extrair informação de documentos, preparar respostas, atualizar sistemas e fazer seguimento.

Veja um caso concreto. Numa empresa de construção chega um pedido de orçamento com fotografias, uma descrição, uma morada e talvez um mapa de quantidades. Hoje alguém abre tudo, lê, organiza, procura preços anteriores e prepara uma primeira estrutura.

Isto não significa que uma máquina deva decidir o preço final de uma obra. Significa que pode extrair quantidades, organizar trabalhos, identificar o que falta, comparar com trabalhos anteriores e preparar uma primeira versão, deixando a decisão económica para uma pessoa.

Poupar 30 minutos parece pouco. Se a empresa faz 100 propostas por mês, são 50 horas.

A escolha do modelo passa a ser estratégia

Há um erro frequente: usar sempre o modelo mais poderoso disponível. É o equivalente a pôr o profissional mais caro da empresa a fazer trabalho administrativo.

Há problemas que justificam o melhor modelo possível: análise complexa, decisões difíceis, programação avançada, situações ambíguas. Mas classificar um pedido simples não exige isso. Extrair um número de uma fatura também não. Normalizar o nome de um produto provavelmente não.

É por isso que a própria OpenAI posiciona agora modelos diferentes para níveis diferentes de custo e complexidade, com o Astra no topo, o Sol para trabalho complexo com melhor eficiência, e o Luna para grande volume e baixo custo.

A arquitetura de uma boa solução começa a parecer-se com uma equipa. Não se põe a pessoa mais cara a fazer tudo. Escolhe-se o recurso certo para cada trabalho.

A pergunta madura deixa de ser "conseguimos fazer isto com IA?" e passa a ser "qual é o modelo mais barato que faz isto com a qualidade necessária?"

Mais barato não é automaticamente mais rentável

Há um perigo nesta descida de preços. Quando algo fica barato, usamo-lo mais, e podemos acabar a automatizar coisas que não deviam ser automatizadas.

Uma empresa pode gastar pouco em modelos e muito em complexidade, manutenção, erros, integrações frágeis e tempo humano a corrigir resultados. O custo do modelo é uma parcela pequena. Uma automação barata que produz trabalho errado continua a ser cara.

O cálculo que interessa

Poucos empresários precisam de saber quantos tokens tem um email. A métrica é outra: custo por resultado útil. Quanto custa qualificar um contacto, processar uma fatura, preparar uma proposta, resolver um pedido de apoio, analisar um documento ou produzir um relatório.

Faça a conta com números seus. Imagine um processo que demora 12 minutos, acontece 500 vezes por mês, com um custo interno médio de 15 euros por hora. São 100 horas, cerca de 1.500 euros de trabalho por mês.

Se uma solução reduzir 70% desse trabalho e custar 300 euros por mês entre modelo, infraestrutura e manutenção, há uma conversa económica interessante. Se poupar dez minutos por mês, não há.

Um método simples, em seis passos

1. Encontrar volume. Uma tarefa de duas horas feita uma vez por ano não é prioridade. Uma de três minutos feita dez mil vezes pode ser.

2. Calcular o custo atual. Horas vezes custo médio. Não precisa de ser exato, precisa de dar ordem de grandeza.

3. Avaliar o risco. Enviar uma newsletter e autorizar um pagamento não têm o mesmo risco, e não devem ter a mesma autonomia.

4. Automatizar uma parte. Não é preciso eliminar o processo todo. Muitas vezes basta a máquina preparar e uma pessoa validar.

5. Medir. Tempo antes e depois, custo antes e depois, erros antes e depois.

6. Só depois escalar. Se funciona 100 vezes, estuda-se 1.000. É muito melhor do que começar por "vamos implementar IA na empresa".

O preço da IA está a cair. O de não organizar processos continua igual.

Esta é a ironia da história.

Pode ter o modelo mais barato do mundo. Se os dados estiverem espalhados por cinco folhas de Excel, três caixas de correio e dois grupos de WhatsApp, o problema mantém-se. Se ninguém sabe como determinada decisão é tomada, a máquina também não sabe. Se o sistema de clientes está desatualizado, trabalha sobre informação errada. Se os produtos não têm atributos, não os pode inventar.

A descida de preços resolve uma barreira. Não resolve processos desorganizados. Escrevemos sobre essa diferença em 2026 é o ano em que a inteligência artificial deixou de responder e começou a trabalhar, e continua a ser o principal travão que encontramos nas empresas.

A vantagem deixou de ser ter acesso

Computação, armazenamento e largura de banda ficaram baratos. Agora está a acontecer o mesmo à inteligência artificial, e com vários fornecedores a empurrar na mesma direção.

Isso significa que a vantagem de uma empresa dificilmente será ter acesso a IA, porque toda a gente terá. Vai ser saber onde a usar, que processos ligar, que informação fornecer, quando usar um modelo barato e quando usar um caro, onde exigir aprovação humana, e como medir se aquilo rende.

E há uma mudança de métrica que vale por tudo o resto. Durante dois anos muitas empresas mediram a adoção de IA pelo número de licenças. É uma métrica fraca. Ter trinta licenças não é transformação digital. Ter um processo que passou de 20 para 5 minutos talvez seja.

A próxima revolução pode ser pouco espetacular

Provavelmente não vai haver um dia em que uma empresa acorde transformada.

Vai ser um processo de dez minutos a passar para dois. Uma proposta de uma hora a ficar pronta em quinze minutos. Uma equipa que tratava 100 pedidos a tratar 300. Um catálogo que demorava semanas a rever a ser auditado todos os dias. Um relatório de sexta-feira a aparecer sozinho.

Coisas pequenas, muitas delas. E é exatamente quando o custo da inteligência cai que começam a fazer sentido.

A notícia da semana é que saíram modelos novos. A notícia que interessa às empresas é outra: está a ficar mais barato transformar inteligência artificial em trabalho feito. Quando o custo de uma tecnologia cai para metade, vale a pena reabrir a lista de processos que no ano passado se decidiu que ainda não compensava automatizar.

Alguns já podem ter mudado de resposta.

Perguntas frequentes

Quanto custa usar estes modelos pela API? O GPT-6 Sol custa 2 dólares por milhão de tokens de entrada e 10 de saída. O GPT-6 Luna custa 0,10 e 0,50. São preços anunciados pela OpenAI a 23 de setembro de 2026 e podem mudar.

A IA ficou mesmo 50% mais barata? Os preços da API destes dois modelos desceram cerca de metade face aos anteriores. Isso não significa que um projeto empresarial fique 50% mais barato, porque o modelo é só uma parcela do custo total.

Que tarefas uma PME pode automatizar? Bons candidatos são a classificação de pedidos, a extração de informação de documentos, a preparação de respostas, a triagem de apoio ao cliente, a atualização de dados e a revisão de catálogos. A viabilidade depende do volume, do risco e dos sistemas envolvidos.

Como se calcula o retorno de uma automação? Comece pelo custo atual do processo: frequência vezes tempo por execução vezes custo médio do trabalho. Compare com o tempo humano que permanece, mais o custo de modelo, integrações e manutenção. A métrica é custo por resultado útil, não custo por token.

Uma PME precisa sempre do modelo mais avançado? Não. O melhor é usar o modelo menos dispendioso que execute a tarefa com a qualidade necessária, reservando os mais capazes para problemas complexos.

Como a Digito ajuda

Antes de perguntar onde se pode usar inteligência artificial, fazemos outra pergunta: onde é que a sua empresa está a gastar horas em trabalho que se repete?

Analisamos processos, calculamos o potencial de automação com os seus números, e construímos agentes e automações ligados aos sistemas que já tem. Fazemos as integrações e o software à medida que permitem que isso funcione sem trabalho manual pelo meio, e tratamos dos casos de grande volume, como catálogos de lojas online com milhares de produtos a rever.

E dizemos quando não compensa. Se a análise mostrar que o processo precisa primeiro de ser arrumado, ou que o volume não justifica o investimento, dizemos isso em vez de vender um projeto.

Se quer perceber onde a inteligência artificial pode realmente poupar tempo no seu caso, falamos sobre isso.

Fontes