Claude Opus 4.5 é lançado com corte de 66% no preço para IA corporativa
A Anthropic lançou o Claude Opus 4.5 em 24 de novembro de 2025, apresentando seu modelo de inteligência artificial mais avançado com um corte de 66% no preço para usuários da API. O novo modelo principal foi projetado para lidar com engenharia de software, agentes autônomos e análise profunda com custos operacionais significativamente menores. Para equipes de software corporativo e serviços online, o lançamento reduz drasticamente o custo por token em refatoração automatizada de código, pesquisas complexas e tarefas de segundo plano em grande escala.
O que muda para as equipes de software corporativo
O modelo reduz os custos de API em mais de 66% em comparação com as gerações anteriores. Ao mesmo tempo, diminui o uso de tokens em tarefas complexas de engenharia. O preço cai para US$ 5 por milhão de tokens de entrada e US$ 25 por milhão de tokens de saída. Antes, os modelos principais custavam US$ 15 e US$ 75. As empresas que utilizam agentes de programação autônomos e fluxos de pesquisa avançada agora podem executar operações em grande escala com uma fração do orçamento antigo. Testadores relatam que o consumo de tokens para refatoração de várias etapas e migração de código caiu pela metade. Já os erros de chamada de ferramentas caíram entre 50% e 75%. Em modelagem financeira e automação no Excel, a precisão das tarefas melhorou em 20%, enquanto o tempo de execução caiu de duas horas para trinta minutos.
Data de lançamento e infraestrutura em nuvem
A Anthropic definiu a data oficial de lançamento do Claude Opus 4.5 para 24 de novembro de 2025, disponibilizando-o nas principais plataformas de nuvem. O modelo já está disponível na API para desenvolvedores, no Claude.ai, na Amazon Web Services, no Google Cloud e no Microsoft Azure via Microsoft Foundry. Como parte de uma expansão estratégica de infraestrutura, a Microsoft comprometeu até US$ 5 bilhões e a NVIDIA até US$ 10 bilhões em investimentos de capital. A Anthropic usará US$ 30 bilhões em capacidade de processamento do Azure e hardware da NVIDIA para treinar e hospedar sistemas avançados de IA.
Acesso à API e ferramentas de desenvolvimento
Os desenvolvedores podem acessar o sistema por meio da API usando o identificador de modelo claude-opus-4-5-20251101. O modelo também está disponível em versão prévia pública no GitHub Copilot para usuários do VS Code. As ferramentas de espaço de trabalho incluem integrações com Claude para Chrome, Claude para Excel e aplicativos de desktop, além de limites de contexto expandidos para contas corporativas. Um novo parâmetro de esforço permite que as equipes de engenharia controlem diretamente a profundidade de raciocínio. Isso possibilita reduzir a latência em consultas simples ou aumentar a profundidade de pesquisa em tarefas complexas de banco de dados e software.
Desempenho em benchmarks e avaliação de programação
Em testes internos e externos, o sistema alcançou resultados de ponta em avaliações de engenharia de software e tarefas autônomas. Na avaliação SWE-bench Multilingual, o modelo lidera em 7 de 8 linguagens de programação. Nos testes de código do Aider Polyglot, registrou um ganho de 10,6% em relação ao Sonnet 4.5 e obteve pontuações 29% mais altas no Vending-Bench. Em um teste prático interno aplicado a candidatos a vagas de engenharia de desempenho, o modelo obteve uma pontuação mais alta no limite de duas horas do que qualquer candidato humano na história da empresa.
"O Claude Opus 4.5 lida com tarefas de programação de longo prazo de forma mais eficiente do que qualquer outro modelo que já testamos." — Sean Ward, CEO e cofundador
Capacidades de desempenho em comparação com o Sonnet 4.5
O modelo principal supera o Sonnet 4.5 em planejamento de longo prazo, coordenação multiagente e refatoração de código complexo. No Terminal Bench, alcançou um ganho de desempenho de 15% em relação ao Sonnet 4.5 ao usar o Modo de Planejamento do Warp. Agentes de escritório autônomos alimentados pelo sistema atingiram o ápice da qualidade de tarefas em quatro iterações. Já os sistemas concorrentes não alcançaram essa qualidade mesmo após dez iterações. Os primeiros retornos do setor corporativo indicam que o modelo evita becos sem saída durante sessões autônomas de programação de trinta minutos. Além disso, mantém a consistência em narrativas de longo contexto e na depuração de múltiplos sistemas.
Perguntas e respostas
Quanto custa o modelo por milhão de tokens?
O preço é de US$ 5 por milhão de tokens de entrada e US$ 25 por milhão de tokens de saída. Isso representa uma redução de 66% em relação aos modelos anteriores, que custavam US$ 15 por milhão de tokens de entrada e US$ 75 por milhão de tokens de saída.
Quais são os principais recursos para fluxos de trabalho corporativos?
O sistema introduz um parâmetro de esforço para controlar o tempo de raciocínio, planejamento avançado de tarefas em várias etapas e forte refatoração em bases de código variadas. Ele reduz erros de build, lint e chamada de ferramentas de 50% a 75%, oferecendo integrações expandidas no GitHub Copilot, Microsoft Azure e softwares de escritório.
Como o Claude Opus 4.5 se compara ao Sonnet 4.5?
O modelo principal alcança uma melhoria de 10,6% no Aider Polyglot e um ganho de 15% no Terminal Bench em relação ao Sonnet 4.5. Ele usa até 65% menos tokens para resolver problemas complexos de programação, conclui fluxos de trabalho em menos iterações e resolve falhas complexas em múltiplos sistemas que os modelos anteriores não conseguiam processar com segurança.
A visão da MOZGII
Como nós construiríamos
Nós direcionaríamos tarefas complexas de refatoração de software e depuração de múltiplos sistemas por meio de chamadas de API com parâmetros de esforço dinâmicos. Para análise estática padrão ou consultas básicas a bancos de dados, definiríamos um baixo esforço de raciocínio para limitar a latência de processamento. Para migrações de código em várias etapas, aumentaríamos a profundidade de busca e passaríamos o contexto do repositório diretamente no prompt. Uma camada de roteamento direcionaria tarefas de rotina para modelos mais leves, reservando níveis de esforço mais altos para sessões autônomas longas.
Colocaríamos engenheiros humanos no processo para revisar solicitações de pull geradas por agentes de codificação em segundo plano. O sistema falha quando agentes autônomos chegam a becos sem saída ou interpretam mal a lógica de negócios implícita em repositórios antigos. Para evitar despesas inesperadas durante sessões de trinta minutos, imporíamos orçamentos rígidos de tokens por execução. Desenvolvedores sênior inspecionariam os resultados de refatorações automatizadas antes de incorporar o código aos ramos principais.
Acompanharíamos a taxa de conclusão de tarefas por dólar gasto como a métrica principal para avaliar o custo de tokens em relação ao tempo de engenharia economizado. Assim que a refatoração automatizada de código funcionar de forma confiável e com menos erros de compilação, expandiríamos a estrutura para automatizar tarefas de modelagem financeira em aplicativos de planilhas.
Fontes
De onde vêm os fatos desta matéria.