Durante anos, a disputa pela liderança em inteligência artificial foi medida quase exclusivamente por uma pergunta: qual empresa criou o modelo mais poderoso? Essa lógica continua importante, mas está surgindo uma segunda métrica capaz de mudar completamente o jogo. Modelos mais baratos estão alcançando resultados próximos aos dos sistemas mais avançados, enquanto conseguem operar com velocidade e custos muito menores. Para quem desenvolve agentes de IA, essa diferença pode ser decisiva.
Quando poucos pontos começam a valer muito dinheiro
O Google colocou essa mudança em evidência com o Gemini 3.8 Flash, apresentado como seu modelo generalista mais avançado até agora. A ferramenta foi desenvolvida especialmente para programação, raciocínio em várias etapas e tarefas agênticas, nas quais a inteligência artificial precisa utilizar ferramentas, verificar resultados e corrigir seus próprios erros.
O preço promocional é de US$ 0,75 por milhão de tokens de entrada e US$ 3,75 por milhão de tokens de saída. A condição vale até o fim de 2026, antes de os valores dobrarem no ano seguinte.
O mais interessante, porém, aparece quando preço e desempenho são analisados juntos. No Intelligence Index da Artificial Analysis, o Gemini 3.8 Flash alcança 59 pontos em seu nível elevado de raciocínio, ficando próximo de configurações de modelos muito mais caros.
A velocidade também chama atenção. O sistema chega a aproximadamente 327 tokens por segundo, mais de quatro vezes a mediana registrada entre modelos de raciocínio avaliados pela plataforma.
Há, entretanto, uma particularidade: o novo Gemini utiliza cerca de 30% mais tokens de saída que seu antecessor e pode fazer mais chamadas de ferramentas. Assim, embora o preço por token permaneça baixo, o custo efetivo por tarefa aumentou cerca de 40%.
Meta aparece logo atrás e torna a comparação ainda mais complicada
Quando parecia que o Google havia encontrado uma combinação particularmente agressiva entre preço e capacidade, a Meta apresentou o Muse Spark 1.3.
O modelo foi pensado para programação e tarefas longas, especialmente aquelas que exigem gerenciamento de ferramentas, arquivos e múltiplas instruções dentro do mesmo contexto.
Na configuração xhigh, o Muse Spark 1.3 chega a 61 pontos no Intelligence Index, dois acima do Gemini 3.8 Flash. A variante max, ainda limitada, alcança 62 pontos.
O custo também é competitivo: US$ 1,25 por milhão de tokens de entrada e US$ 4,25 por milhão de tokens de saída. Segundo a Artificial Analysis, cada tarefa analisada custa aproximadamente US$ 0,55, ligeiramente menos que o modelo do Google.
A Meta também afirma que o novo sistema utiliza cerca de 20% menos chamadas de ferramentas e 25% menos tokens que a geração anterior.
Isso não transforma automaticamente o Muse Spark no melhor modelo. O Gemini, por exemplo, praticamente dobra sua velocidade de geração. Além disso, nenhum benchmark consegue reproduzir todos os tipos de uso encontrados no mundo real.
Ainda assim, os resultados mostram algo importante: a distância entre modelos econômicos e sistemas de ponta está diminuindo rapidamente.
A mudança que pode incomodar OpenAI e Anthropic
É aqui que a disputa fica mais interessante. Para uma pergunta simples, a diferença de preço entre modelos pode parecer pouco relevante. Mas agentes autônomos funcionam de maneira diferente.
Uma IA encarregada de programar uma aplicação, analisar centenas de documentos ou realizar uma pesquisa prolongada pode fazer dezenas de chamadas de ferramentas e consumir milhões de tokens. Nesse cenário, pequenas diferenças de preço deixam de ser pequenas.
Modelos mais caros da OpenAI e da Anthropic podem custar várias vezes mais por milhão de tokens. Em determinadas comparações, o Gemini 3.8 Flash chega a custar até 13 vezes menos por token, enquanto mantém um desempenho relativamente próximo em algumas avaliações.
Isso não significa que Google ou Meta tenham ultrapassado definitivamente os líderes em inteligência artificial. A questão é outra.
Para competir, talvez elas nem precisem criar o modelo mais inteligente do planeta. Basta oferecer uma IA capaz de realizar quase as mesmas tarefas, com velocidade suficiente e por uma fração do preço.
Na era dos agentes autônomos, esse detalhe pode ser enorme. Uma diferença de apenas alguns pontos em um benchmark pode importar menos do que a quantidade de tarefas que uma empresa consegue executar pelo mesmo orçamento.
A próxima grande batalha da inteligência artificial, portanto, pode não ser decidida apenas por quem tem o modelo mais inteligente. Pode vencer quem entregar inteligência suficiente para fazer o trabalho — gastando muito menos para fazê-lo.
