GPT-6 Astra: o custo por tarefa decide a rota

O Artificial Analysis publicou em 2026-09-07 a versão v4.3 do seu Intelligence Index, e o topo da tabela ficou embaraçoso para quem precisa decidir. Claude Fable 5.1 (max with fallback) e GPT-6 Astra (max) marcaram os mesmos 53 pontos. Empataram. Um deles custa US$ 3,26 por tarefa. O outro custa US$ 7,63.

Empate de placar é o pior cenário possível para uma decisão de rota, porque ele não é um empate. É um problema disfarçado de não-problema. Quem olha só a coluna do score conclui que tanto faz e escolhe por qualquer outro motivo: o modelo que o time já conhece, o que o fornecedor empurrou melhor, o que apareceu primeiro na avaliação interna. Qualquer critério serve quando o número em que todos confiaram parou de discriminar.

O custo por tarefa não é esse número por acaso. Ele é o único que responde a pergunta que o score deixou em aberto, e responde em dólar: quanto custa resolver uma tarefa do conjunto de avaliação, com o modelo entregando a qualidade exigida. Este texto percorre a decisão em cinco passos, do piso de qualidade até a auditoria da rota, e mostra onde o dado publicado termina e onde começa a medição que só a sua carga de trabalho pode produzir.

Por que o score de inteligência não decide mais a rota

Um score de inteligência mede capacidade dentro de um conjunto padronizado de tarefas. Quando dois modelos medem exatamente o mesmo número, esse número para de discriminar, e o critério que sobra é o custo de resolver a tarefa. O score deixa de ser o objetivo da decisão e passa a ser o filtro dela.

A armadilha mora na diferença entre capacidade medida e capacidade necessária. O índice não mede o seu problema, mede um compêndio de problemas que a Artificial Analysis escolheu, e o valor dele é justamente ser padronizado o bastante para comparar laboratórios diferentes. Padronização tem preço: a tarefa em que o seu produto ganha ou perde dinheiro pode não estar representada ali com o peso que ela tem no seu volume real.

O GPT-6 Astra é o caso mais claro do momento. O lançamento do modelo já tinha sido coberto aqui com preço, benchmarks e a nota Critical de segurança, em GPT-6 Astra: preço, benchmarks e segurança da OpenAI, em 2026-09-09. O que faltava era a conta. Um modelo que empata no topo do índice e custa 57% menos por tarefa que o companheiro de empate não é uma escolha de gosto, é uma escolha de margem esperando alguém assinar embaixo.

O que o índice v4.3 mede

O Intelligence Index v4.3 é um composto que passou a incluir a versão v4.0 do Terminal-Bench. Substituiu a avaliação bancária pela AutomationBench-AA, construída com a Zapier sobre 657 tarefas privadas e retidas. Com isso, o peso das avaliações que usam tarefas ou respostas privadas subiu de 40% para 45%, e uma violação de guardrail zera a tarefa.

Teste privado importa por um motivo simples: um conjunto retido não vaza para o treino do próximo modelo, então ele mede capacidade em vez de memória. Todo número desta peça carrega a versão e a data por isso. O índice tem histórico de re-base. O reset já obrigou times a redecidir rota em Ranking de modelos de IA resetou, e um custo por tarefa sem versão ao lado é um número sem prazo de validade declarado.

O que é custo por tarefa e por que ele separa o que o score empata

Custo por tarefa é quanto custa resolver uma tarefa do conjunto do índice, em dólar, calculado a partir do preço de tokens de entrada, leitura de cache, escrita de cache, raciocínio e resposta, dividido pelo número de tarefas e ponderado pelo peso da avaliação no índice. Na prática é a unidade que transforma placar em orçamento, porque converte capacidade medida em custo por unidade de trabalho entregue.

O índice v4.3 publica esse número lado a lado com o score, e a leitura de 2026-09-07 entrega dois pares que contam a história inteira. O primeiro é um empate caro. O segundo é um empate barato.

O par econômico ensina mais que o par caro, porque 42 pontos ainda é um score respeitável e US$ 0,25 por tarefa é outra ordem de grandeza. Um time que só olha o topo da tabela nunca encontra essa linha. É o mesmo tipo de assimetria que já sustentou o argumento econômico do roteamento em Custo de modelos de IA em 2026, agora com uma unidade de decisão no lugar de um spread por token.

O empate no índice não é o único sinal de qualidade disponível, e o segundo eixo mostra que o par caro não é um empate técnico disfarçado. No Terminal-Bench v4.0, medido em 66 tarefas por 3 execuções, o GPT-6 Astra (max) marca 59,1% de pass@1. A Claude Fable 5.1 fica em 52,0% e a Claude Opus 5 em 49,0%. Os dois primeiros têm forças em eixos diferentes, e a própria Artificial Analysis registra que a Fable 5.1 fica à frente em AA-Briefcase e SciCode enquanto o Astra lidera no Terminal-Bench v4.0 e no AutomationBench-AA. O placar composto trata como iguais dois modelos que ganham em lugares distintos, e é por isso que ele não decide.

Passo 1: fixe o piso de qualidade aceitável

Antes de comparar preço, a tarefa define qual score é suficiente. O piso de qualidade aceitável é o mínimo de capacidade que a família de tarefas tolera sem gerar retrabalho, e ele vem do custo do erro. Não do ranking. Escrito uma vez, ele transforma o score em filtro e libera o custo por tarefa para decidir entre os aprovados.

Esse piso é uma decisão de negócio disfarçada de parâmetro técnico. Um pipeline que gera um rascunho revisado por humano tolera um modelo de 42 pontos. Uma rota que escreve direto no sistema do cliente, não. A pergunta não é qual modelo é melhor. É quanto erro a etapa absorve antes de o barato sair caro, e essa resposta mora com quem é dono do processo, não com quem escreveu o prompt.

Quem começa pelo ranking inverte a ordem e trava a decisão. O piso precisa ser escrito antes de olhar a tabela. Depois que o placar entra em cena ele vira o objetivo, e um time com o objetivo errado escolhe o modelo mais caro com convicção.

Passo 2: leia o custo por tarefa do índice com a data

Custo por tarefa publicado se lê com três informações na mão: a versão do índice, a data de publicação e a definição da coluna. Sem isso, o número vira preço de tabela de supermercado, comparável com qualquer coisa e responsável por nada. A leitura de 2026-09-07 é o retrato válido até a próxima versão.

O erro mais comum é tratar o custo por tarefa publicado como previsão de fatura. Ele não é. É uma medição feita em um conjunto fixo de tarefas, sob uma política de execução que não é a sua, e serve para comparar modelos entre si, não para estimar o seu mês. Quem precisa da ponte entre medição de terceiro e orçamento próprio já tropeçou nessa diferença, e o caminho documentado está em Como medir o desempenho de provedores de LLM.

O segundo erro é ler a coluna isolada, sem o score ao lado. Um custo por tarefa de US$ 0,25 parece imbatível até alguém lembrar que ele resolve uma tarefa de 42 pontos. O terceiro erro é ignorar a versão: um número de v4.2 comparado com um de v4.3 é uma comparação entre réguas diferentes, e vale exatamente o que vale comparar duas medições de coisas distintas.

Passo 3: meça o seu custo por tarefa com tráfego próprio

O número publicado define o shortlist. O número que decide a rota é o seu, medido em teste paralelo, com o mesmo prompt enviado a dois ou três modelos aprovados no piso e as respostas avaliadas contra o critério da etapa. É aqui que mora a maior parte do trabalho da decisão.

Teste paralelo não é brincar de comparar resposta no chat da interface. É instrumentação: a mesma entrada nos dois lados, a taxa de degradação contada, o custo acumulado somado. O que quase ninguém contabiliza é o que acontece depois da primeira tentativa. Retries e fallback não aparecem no custo por tarefa publicado e são a fatia que faz um modelo barato sair caro quando ele falha no meio de uma tarefa longa. Um roteamento que decide pela complexidade da requisição já resolveu parte disso, e vale ler o critério em Roteamento por complexidade, mas complexidade não é custo: a primeira estima o esforço, o segundo mede o resultado.

A conta honesta do seu custo por tarefa inclui quatro linhas que a medição publicada não cobra. Tokens de entrada em contexto longo, que crescem com o histórico da conversa. Retries e a segunda chamada que ninguém orça. Fallback, quando o modelo principal indisponível empurra tráfego para um mais caro. E a tarefa abandonada no meio, que consumiu tokens e não entregou resultado, a linha que costuma ser a maior e a menos visível. E o retry que entra na conta precisa de limite: sem backoff exponencial com teto e um circuit breaker, o fallback agressivo vira o próprio problema, porque todo cliente reexecuta ao mesmo tempo e repõe a chamada mais cara em vez de evitá-la.

Passo 4: escreva a política de rota com fallback e teto de gasto

Cinco passos, e este é o que exige decisão escrita. A política de rota nomeia o modelo default, o modelo de fallback, a condição que autoriza escalonar e o teto de gasto que encerra a discussão. Sem os quatro itens no papel, a rota vira convenção oral que muda quando quem a sustentava sai.

O procedimento consolidado, na ordem:

1. Fixar o piso de qualidade aceitável por família de tarefa, a partir do custo do erro que cada etapa tolera.
2. Ler o custo por tarefa do índice v4.3 com versão e data, cruzado com o score. A saída é uma lista de dois a três modelos.
3. Medir o custo por tarefa real de cada finalista em teste paralelo, com tráfego próprio, contabilizando retries, fallback, contexto longo e tarefa abandonada.
4. Escrever a política de rota com modelo default, modelo de fallback, condição de escalonamento e teto de gasto por chave ou por projeto.
5. Auditar. Re-medir sempre que um modelo novo entrar no shortlist, e antes disso na cadência definida no passo anterior.

Sem uma camada de gateway no meio, nenhuma dessas quatro decisões sobrevive ao primeiro dia em que trocar de modelo exigir reintegrar a aplicação. O Nexforce Router é essa camada: seleção de modelo por custo, desempenho e contexto, teste paralelo com um prompt e vários modelos, ranking de modelo em tempo real, fallback configurável com failover automático, regras de rota por chave, teto de gasto por chave ou por projeto, rastro de auditoria de cada chamada e troca de modelo sem reintegração.

O teto de gasto merece o parágrafo que quase nunca recebe, porque ele é o único item da política que funciona sem confiança. O time pode discordar do piso, do default e da condição de escalonamento. O teto não pede concordância. Ele interrompe a rota quando o consumo passa do limite definido, e essa interrupção é a diferença entre um mês de custo previsível e um e-mail do financeiro perguntando o que aconteceu em outubro.

Passo 5: audite o resultado contra a decisão

Promover um modelo a default é uma hipótese, e hipótese sem verificação vira folclore corporativo em duas semanas. Auditar significa comparar o custo por tarefa medido depois da mudança com o que a decisão previa, e conferir se a qualidade se manteve. Se o custo caiu e a degradação subiu, a rota ficou mais barata e pior. Ninguém percebeu.

A auditoria tem uma pergunta central e duas de apoio. A central: o custo por tarefa caiu na proporção que a medição do Passo 3 previa? As de apoio: a taxa de retry mudou, e onde o fallback disparou no último período. Um fallback que dispara toda semana deixou de ser contingência e virou parte da rota, o que muda a conta e merece uma re-decisão. O custo de operar essa camada, que é pequeno mas não é zero, está destrinchado em Custo operacional do gateway de IA em produção.

A cadência importa mais que a sofisticação do relatório. Uma re-medição por trimestre, mais uma leitura forçada sempre que a Artificial Analysis publicar uma versão nova do índice, cobre o intervalo em que o mercado se move. Modelo novo entra no shortlist toda semana. Rota revalidada a cada seis meses é uma aposta, não uma política.

Quando o placar ainda decide

Existem quatro casos em que o score do índice volta a mandar, e um deles é uma armadilha. O primeiro é a tarefa na borda da capacidade medida: sem folga no piso, dois pontos separam funcionar de não funcionar. Aí o custo por tarefa é a variável dependente. O segundo é a auditoria. Ali a escolha precisa de critério publicado.

O terceiro é a tarefa de volume baixíssimo. Se a rota resolve duzentas tarefas por mês, o custo por tarefa move centavos. A decisão deve ir para a qualidade ou para a redução de risco operacional. Automatizar uma decisão de baixo impacto é gastar governança com quem não precisa dela. O quarto caso é a limitação da própria unidade: o custo por tarefa que o índice publica é uma média sobre um conjunto de tarefas que não é o seu.

O custo por tarefa publicado é a medição de uma instituição, em um conjunto fixo de tarefas, sob uma política de execução que não é a sua. Ele não inclui contexto longo, retries, fallback, tarefas abandonadas nem a revisão humana que entra depois da resposta. Tratar esse número como a fatura de dezembro é o erro simétrico do time que decide só pelo placar.

FAQ

As cinco perguntas abaixo fecham os pontos que decidem uma rota na prática: o que a unidade significa, o que fazer quando dois modelos empatam no índice, por que o número publicado não é a sua fatura, como medir a sua própria carga e onde o teto de gasto entra na política.

O que é custo por tarefa em modelos de IA? É o custo em dólar de resolver uma tarefa de um conjunto de avaliação, somando os tokens que o modelo consome para entregar a resposta na qualidade exigida. No Intelligence Index v4.3, publicado em 2026-09-07, custo por tarefa e score de inteligência aparecem lado a lado, modelo por modelo.

Se dois modelos empatam no índice, qual escolher? Pelo custo por tarefa, depois de fixar o piso de qualidade que a tarefa tolera. GPT-6 Astra (max) e Claude Fable 5.1 (max with fallback) empataram em 53 pontos na leitura de 2026-09-07, a US$ 3,26 contra US$ 7,63 por tarefa. Placar idêntico não separa nada; o custo separa.

O custo por tarefa publicado é o que eu vou pagar? Não. É a medição de uma instituição em um conjunto fixo de tarefas, sob uma política de execução que não é a sua. Ela compara modelos entre si, e não estima a sua fatura. O número que decide a sua rota sai de um teste paralelo com o seu tráfego, contando retries, fallback e tarefas abandonadas.

Como medir o custo por tarefa da minha própria carga? Rodando a mesma entrada em dois ou três modelos aprovados no piso, em teste paralelo, e somando o custo de todas as tentativas até a resposta aceitável, não só a primeira. A composição real de tarefas é o divisor. Um conjunto padronizado de outra empresa nunca representa o seu volume.

Onde entra o teto de gasto na política de rota? Como o único item que não depende de consenso. A política nomeia modelo default, fallback, condição de escalonamento e teto por chave ou por projeto. O teto interrompe o consumo quando ele passa do limite, e é o que transforma a decisão de rota em custo previsível em vez de intenção declarada.

Referências e Leitura Complementar

• Artificial Analysis, Intelligence Index v4.3, publicado em 2026-09-07: artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v4-3
• Artificial Analysis, artigo de benchmarking do GPT-6 Astra: artificialanalysis.ai/articles/benchmarking-gpt-6-astra
• Nexforce, pilar de roteamento: Model Router como middleware
• Nexforce, lançamento do GPT-6 Astra: GPT-6 Astra: preço, benchmarks e segurança da OpenAI
• Nexforce, re-base do índice: Ranking de modelos de IA resetou
• Nexforce, argumento econômico do roteamento: Custo de modelos de IA em 2026
• Nexforce, comparação de custos por modelo: Comparação de custos de LLMs em 2026
• Nexforce Router, a camada de roteamento: nexforce.ai/router

A decisão que fica

Na próxima segunda-feira, a decisão muda de lugar: o placar sai da cadeira de decisor e senta na de filtro. O time escreve o piso de qualidade, lê o custo por tarefa do índice com versão e data, mede o número real contra os finalistas e fecha a política com default, fallback e teto. Depois audita.

O empate de 53 pontos entre GPT-6 Astra e Claude Fable 5.1 vai ser lembrado como o dia em que o índice parou de responder. A diferença de 57% no custo por tarefa entre dois modelos que o placar trata como idênticos é a resposta que a conta esperava. Ela só aparece para quem decidiu olhar o custo antes do ranking.