OpenAI lança GPT-6 Sol e Luna com 50% mais baratos

Introdução

OpenAI lança hoje o GPT-6 Sol e o GPT-6 Luna, com preço 50% menor em comparação aos modelos GPT-5.6 equivalentes, a palavra-chave está no centro desta novidade: GPT-6 Sol e Luna reposicionam custo e capacidade no dia a dia de times de produto e engenharia. Em números, Sol passa de 4 para 2 dólares por milhão de tokens de entrada e de 20 para 10 dólares por milhão de saída, enquanto Luna vai de 0,20 para 0,10 e de 1,20 para 0,50, por milhão de tokens de entrada e saída, respectivamente. (openai.com)

A importância prática é direta, mais inteligência por menos, com ganhos de factualidade, melhor estilo colaborativo, melhorias em coding e avanços em uso de computador. O anúncio também destaca caching aprimorado que aumenta a taxa de acerto e mantém o desconto de 90% em leituras cacheadas. Segundo a OpenAI, a combinação de engenharia de inferência e caching permite repassar economias, o que ajuda a viabilizar aplicações de agente em escala. (openai.com)

O artigo aprofunda preços, desempenho reportado, diferenças de posicionamento em relação ao GPT-6 Astra, casos de uso práticos e um roteiro de migração de GPT-5.6 para GPT-6 com foco em ROI.

Preços e disponibilidade, o novo patamar de custo

Cortes pela metade em Sol e Luna mudam imediatamente matemática de produto. A tabela oficial resume: GPT-5.6 Sol para GPT-6 Sol, 4 para 2 dólares em entrada e 20 para 10 em saída, 50% mais barato. GPT-5.6 Luna para GPT-6 Luna, 0,20 para 0,10 em entrada e 1,20 para 0,50 em saída, 50% mais barato. Os valores são por milhão de tokens. (openai.com)

Publicações do mercado reforçam o recado, chamadas de VentureBeat e TNW enfatizam reduções de 50% ou mais e apontam que Luna mira volume com preços de centavos. Isso valida o tom competitivo do anúncio e indica disputa mais agressiva no custo por tarefa. (venturebeat.com)

Disponibilidade, GPT-6 Sol e GPT-6 Luna entram hoje no ChatGPT Work e no Codex para usuários Plus, Pro, Business, Enterprise e Edu, com rollout gradual ao longo do dia. Na API, os modelos aparecem como gpt-6-sol e gpt-6-luna. (openai.com)

O que muda em capacidade, factualidade e estilo colaborativo

Segundo a OpenAI, Sol e Luna dão um passo à frente em várias frentes. Em factualidade, Sol comete cerca de metade dos erros do antecessor em uma avaliação interna construída sobre conversas reais desidentificadas. Em estilo colaborativo, a família GPT-6 herda do Astra uma comunicação mais clara e direta, com menos jargão e respostas ligeiramente mais curtas sem perder substância. (openai.com)

No trabalho profissional, o anúncio destaca desempenho no AutomationBench, teste de fluxos de negócio em apps, em que Sol no esforço xhigh supera concorrentes de ponta com custo por tarefa muito menor. Em Agents’ Last Exam, avaliação de tarefas longas e economicamente valiosas, Sol em esforço máximo supera o melhor resultado reportado do Opus 5 com 60% menos custo por tarefa. (openai.com)

Em coding, Sol melhora no FrontierCode e no DeepSWE 1.1, ficando perto ou acima de modelos rivais em diferentes níveis de esforço, porém com custos sensivelmente menores. Luna no esforço máximo alcança patamar comparável a modelos premium de concorrentes com uma fração do custo. (openai.com)

Caching, a alavanca invisível que reduz conta e latência

Junto com o preço, caching é o outro protagonista. A OpenAI informa que as melhorias no caching do GPT-6 aumentam as taxas de acerto por padrão, mantendo leituras cacheadas com 90% de desconto. Há ainda suporte para breakpoints explícitos no prompt, preservação do cache ao alterar esforço de raciocínio e ligar ou desligar ferramentas, além de um dashboard e diagnósticos para otimização. (openai.com)

Um dado relevante vem do ecossistema, a GitHub reportou que, nos últimos meses, essas mudanças reduziram pela metade a parcela de tokens de prompt que exigem processamento novo, em bilhões de requisições do Copilot. Para quem roda agentes e fluxos longos, essa redução realimenta o ganho de custo e de tempo de resposta. (openai.com)

Como escolher entre GPT-6 Astra, Sol e Luna

Astra continua como o modelo mais inteligente e alinhado, indicado para cenários que exigem o melhor resultado e experiência sem concessões. Sol assume o papel de “workhorse” com alto teto de capacidade, custo médio e limite de uso mais folgado, o que viabiliza iteração e experimentos agressivos. Luna posiciona volume e economia, com ganhos substanciais em relação ao 5.6, inclusive em factualidade em níveis de esforço altos. (openai.com)

Em uso de computador, referência frequente para automação de UI, Sol em xhigh atinge resultado semelhante ao de concorrente topo de linha em esforço médio, com cerca de 80% menos custo por tarefa, enquanto Luna em máximo supera o 5.6 Sol em médio a um décimo do custo. Para organizações que estão construindo assistentes operacionais, esse delta muda o business case de automações que antes não fechavam conta. (openai.com)

Benchmarks citados e o que eles realmente significam

O anúncio referencia AutomationBench, Agents’ Last Exam, FrontierCode, DeepSWE 1.1 e OSWorld 2.0. AutomationBench avalia agentes em workflows ponta a ponta, multiaplicativos, enquanto Agents’ Last Exam mede desempenho em tarefas de longo horizonte com impacto econômico, cobrindo dezenas de subindústrias. FrontierCode olha “mergeabilidade” de mudanças em bases reais, e DeepSWE 1.1 testa engenharia de software complexa. OSWorld 2.0 observa o uso de computador em rotinas longas. São baterias voltadas a tarefas reais, com custos por tarefa acompanhando o score, o que ajuda a traduzir liderança técnica em ROI. (openai.com)

Vale notar, assim como a própria OpenAI ressalta, que as avaliações são feitas em ambiente de pesquisa ou via API e podem diferir do ChatGPT de produção por diferenças de prompts de sistema e ferramentas. Além disso, alguns números de concorrentes vêm de relatórios públicos, nem sempre com as mesmas configurações, então o ideal é testar no seu pipeline e medir custo por tarefa real. (openai.com)

O impacto do corte de 50% no P&L e no roadmap

Metade do preço muda alocação orçamentária e decisões de arquitetura. Notícias do setor apontam para uma reprecificação agressiva do ecossistema, com Luna a centavos e Sol reduzindo custo de planejamento e execução complexa em múltiplos domínios. Para times de dados e produto, a consequência é imediata, mais prompts, mais iteração, mais espaço para elevar esforço de raciocínio em cenários difíceis. (venturebeat.com)

No curto prazo, vale reavaliar três itens, a) roteamento de tarefas por esforço, baixando esforço ou trocando Sol por Luna quando a tarefa é repetitiva e bem-decomposta, b) estratégia de cache, introduzindo breakpoints claros e monitoramento ativo para elevar hit rate, c) política de comprimento de contexto, já que agora é mais barato manter históricos longos, mas não de graça, então segmentação de janelas e resumos ainda importam. (openai.com)

Migração prática do GPT-5.6 para o GPT-6

Um plano objetivo em quatro passos ajuda a capturar valor rapidamente:

1. Catalogar workloads por custo por tarefa e sensibilidade a latência. Mapear onde 80% do gasto ocorre. Em geral, pipelines de agente, coding assistido, QA longo e RAG com contextos extensos concentram tokens.

2. Rodar A/B sistemático com gpt-6-luna em alto ou máximo esforço versus gpt-5.6-luna e gpt-5.6-sol, fixando métricas de precisão, tempo de ciclo e custo por tarefa. Para Sol, comparar xhigh e max com o 5.6 Sol e concorrentes de preço similar. Usar o dashboard de caching e diagnosticar misses. (openai.com)

3. Ajustar prompts com breakpoints explícitos, separar prefixos estáveis de trechos que mudam a cada execução, e preservar cache quando mudar esforço de raciocínio ou ligar ferramentas. A ideia é evitar invalidar cache “barato” sem necessidade. (openai.com)

4. Formalizar roteamento, por exemplo, Luna max para rotinas de execução em massa, Sol xhigh para planejamento, Astra baixo para revisão crítica de decisões de risco alto quando a qualidade adicional paga a conta. Esse mix deve refletir o impacto por função de negócio e SLOs internos.

Segurança, alinhamento e notas de cautela

Sol e Luna herdam do Astra melhorias de alinhamento, com menor taxa de alegações enganosas em coding e salvaguardas mais consistentes. O post lembra que os testes de alinhamento são deliberadamente desafiadores e que os resultados não equivalem à taxa de falhas em uso típico. É recomendável manter guardrails, revisões humanas em etapas críticas e telemetria de qualidade. (openai.com)

Outro ponto, a OpenAI observa que avaliações de modelos, próprias e de concorrentes, podem usar ambientes e parâmetros distintos. Para decisões de plataforma, a régua final deve ser custo por tarefa na sua base de código, seus dados e seus fluxos operacionais. Benchmarks reduzem incerteza, medição em produção reduz risco. (openai.com)

Insights finais, onde Sol e Luna brilham primeiro

• Engenharia de software, squads que rodam agentes de refatoração, geração de testes e “sweepers” em bases grandes tendem a capturar mais valor com Sol em xhigh e Luna em max, pela relação desempenho-custo destacada nos testes FrontierCode e DeepSWE. (openai.com)
• Automação operacional, times de suporte e operações com fluxos multiapp se beneficiam do AutomationBench e OSWorld, onde Sol entrega pontuação de topo com custo sensivelmente menor. Em escala, caching faz diferença nos tickets com histórico longo. (openai.com)
• Produtos com alto volume de interações, Luna é o cavalo de batalha do LTV, especialmente quando se combina esforço máximo com roteamento inteligente que evita pagar por “inteligência ociosa”. (openai.com)

Conclusão

Cortes de 50% nos preços com ganhos de capacidade e caching mais eficiente mudam a curva custo-inteligência. GPT-6 Sol e GPT-6 Luna ampliam o alcance dos recursos introduzidos no Astra, agora com foco em escala e economia, e colocam pressão competitiva direta sobre modelos premium rivais. Para quem constrói com IA, o momento pede teste controlado, instrumentação de cache e um mix claro de modelos por caso de uso. (openai.com)

A recomendação prática é simples, medir custo por tarefa em produção, ajustar esforço de raciocínio ao contexto, usar breakpoints de cache e adotar Sol e Luna onde a relação qualidade-preço compensa. Com métricas na mão, a migração deixa de ser aposta e vira decisão de engenharia e negócio.