Parviz Syed Mohammad considera que a revelação da identidade do misterioso modelo Ox Alpha evidencia uma transformação importante no mercado de inteligência artificial: a comparação entre modelos já não gira apenas em torno do mais alto nível de inteligência, mas também da quantidade de inteligência que uma organização obtém por cada dólar. Em 26 de agosto, a Z.ai revelou que o modelo que apareceu na OpenRouter era o GLM-5.3-Flash e que ele foi deliberadamente operado diante de tráfego público antes de sua identidade ser anunciada.
O modelo havia chamado a atenção de entusiastas e desenvolvedores independentes porque ofereceu bom desempenho sem custo inicialmente, o que levou ao processamento de vários trilhões de tokens por dia, enquanto as estimativas da comunidade para o volume de uso durante uma semana variaram de números de um dígito a mais de 20 trilhões de tokens. Mais importante, segundo o artigo, o serviço dependeu totalmente de chips e infraestrutura chineses, e não de um laboratório americano, como alguns observadores haviam especulado durante os seis dias que antecederam a revelação.
O preço reorganiza a comparação
O preço anunciado do GLM-5.3-Flash é de 15 centavos para a entrada e 50 centavos para a saída por milhão de tokens. A OpenRouter oferece um desconto de 50% até 9 de setembro, reduzindo o preço para 7,5 centavos para a entrada e 25 centavos para a saída. Os pesos do modelo também são abertos sob uma licença MIT, enquanto a inferência é hospedada por entidades que incluem Z.ai, GMI Cloud, Cloudflare e outros provedores nos Estados Unidos.
Segundo a comparação da Artificial Analysis, na qual o modelo foi incluído no mesmo dia, o GLM-5.3-Flash obteve uma pontuação de 57 no índice de inteligência, por cerca de nove centavos por tarefa. Em contrapartida, o GPT-5.6 Sol (max) alcança uma pontuação próxima de 59 por 67 centavos por tarefa, enquanto o Grok 4.6 registra 61 por 94 centavos. O autor calcula que uma diferença de apenas dois pontos entre os dois primeiros modelos corresponde a um preço cerca de 7,4 vezes maior, enquanto a diferença de aproximadamente quatro pontos exige quase dez vezes o custo.
Esses números não constituem um julgamento geral sobre a qualidade dos modelos, nem substituem testes específicos de cada organização, mas esclarecem o principal argumento do artigo: quando os modelos se aproximam uns dos outros nos indicadores de desempenho, o custo da inferência pode se tornar um fator decisivo para determinar o volume de uso, especialmente em programação, agentes e tarefas repetitivas.
A pressão sobre os orçamentos antecede a decisão de abandonar a inteligência artificial
O autor cita a Uber para ilustrar o problema. A The Information informou em abril que o diretor de tecnologia Praveen Neppalli Naga afirmou que o orçamento anual de programação previsto para 2026 foi consumido em quatro meses e que uma demonstração experimental de duas horas lhe custou pessoalmente 1.200 dólares. Em junho, a Uber estabeleceu um limite de 1.500 dólares por pessoa e por ferramenta.
Isso não significa que as ferramentas sejam inúteis; o artigo distingue entre “utilidade” e “valor”. O autor relata que Andrew Macdonald, diretor de operações da Uber, não conseguiu relacionar os painéis de acompanhamento a um aumento de 25% no número de recursos úteis para os consumidores. Os resultados de uma pesquisa da McKinsey de 2026, conforme apresentados pela fonte, também indicam que 80% dos participantes disseram ter se tornado mais rápidos e que 37% das empresas observaram impacto no lucro antes de juros e impostos, enquanto 32% das empresas deixaram de comprar pelo menos um software porque conseguiram criar o recurso internamente usando agentes de programação.
A leitura editorial aqui é que as organizações enfrentam uma equação dupla: querem reduzir a conta, mas não podem simplesmente interromper os investimentos em inteligência artificial. Por isso, a discussão passa da pergunta “devemos usar inteligência artificial?” para uma questão mais prática: qual modelo cada equipe deve usar, para que tipo de tarefa e com qual métrica de sucesso?
Três camadas em vez de um único modelo
Mohammad propõe distribuir as tarefas de programação e o trabalho com agentes em três camadas, considerando a parcela de tarefas e tokens, e não a parcela do gasto financeiro. Na camada superior ficam os modelos Fable e Opus para decisões irreversíveis, análise de estratégias e planos detalhados de execução; o autor estima que essas tarefas não ultrapassem 5% do volume de trabalho.
A camada intermediária inclui Kimi K3, Gemini 3.7 Flash, GPT-5.6 Sol e Grok 4.6, todos, segundo a fonte, em torno de 60 no índice de inteligência. Ele propõe destinar cerca de 50% do volume de tarefas a essa camada, especialmente para a programação diária e o trabalho habitual. O artigo menciona que o Kimi é popular em programação, enquanto o Grok 4.6 vem logo atrás, embora seu menor tamanho de contexto continue sendo uma limitação.
Os 45% restantes seriam destinados, na proposta do autor, ao GLM-5.3-Flash como modelo para trabalhos de grande volume. Essa porcentagem, porém, não é uma fórmula fixa; a ferramenta usada para operar os modelos, a combinação de tarefas entre programação, conteúdo e marketing e os resultados da avaliação interna é que devem determinar a distribuição efetiva.
O que deve ser medido antes de reconstruir o orçamento?
O artigo conclui que os modelos chineses de pesos abertos, como os modelos da Zhipu, Qwen, DeepSeek e outros, devem ser explicitamente incluídos nos cálculos de custo, e não excluídos apenas por causa de sua origem. O texto afirma que a participação dos modelos chineses nos tokens da OpenRouter ultrapassou a participação dos modelos americanos no início de junho e que a liderança da lista continuou sendo, em sua maior parte, de laboratórios chineses.
Antes da onda de lançamentos esperada do Google, xAI, Anthropic, OpenAI e DeepSeek em setembro, o autor propõe contabilizar o consumo de tokens e relacionar os gastos a um indicador claro, como o crescimento de clientes ou da receita, ou, no mínimo, à velocidade de desenvolvimento e à produtividade. Ele também recomenda preparar um orçamento de inteligência artificial no nível de cada organização ou equipe e, em seguida, definir uma política de modelos em camadas: um modelo de alto nível para decisões estratégicas, um intermediário para assentos pagos e programação diária e um modelo de baixo custo para tarefas intensivas e repetitivas.
A perspectiva do autor não prova que o GLM-5.3-Flash será a melhor opção para todas as organizações, nem que os indicadores gerais de comparação reflitam o desempenho em todos os contextos. Mas ela oferece um critério prático para revisão: cada solicitação não deve receber o modelo mais caro disponível, assim como o modelo mais barato não deve ser adotado sem avaliações e métricas claras de valor. A pergunta em aberto deixada pelo artigo é se as curvas de custo e desempenho continuarão nessa direção após a chegada dos novos lançamentos e se as empresas de inteligência artificial capazes de reduzir o custo da inferência conquistarão efetivamente a maior parte do volume de uso.