Anthropic reduz os preços do Fable 5.2 em 20%: o que muda para os agentes de IA

Um agente de IA tenta corrigir um bug complexo: lê o repositório, executa testes, altera o código e volta a consultar o contexto. Esse ciclo pode se repetir dezenas de vezes. Por isso, para a equipe, importa tanto a tarifa da resposta quanto o custo de reler os mesmos arquivos. Lançado em 9 de novembro, o Claude Fable 5.2 torna essa parte do trabalho mais barata. O próximo passo prático é testá-lo em uma tarefa longa cujos custos e qualidade do resultado você já conhece.

A Anthropic definiu os preços em US$ 8 por milhão de tokens de entrada e US$ 40 por milhão de tokens de saída, 20% abaixo do Fable 5.1. A releitura do conteúdo em cache custa US$ 0,20 por milhão de tokens. Porém, não dá para aplicar esse desconto automaticamente a todo o orçamento do agente: a conta continua incluindo geração, gravação no cache e novas partes do contexto. As tarifas estão publicadas na documentação do modelo.

Onde o cache barato realmente ajuda

Imagine um agente migrando um serviço para outra biblioteca. Ele precisa consultar constantemente a estrutura do projeto, as convenções da equipe e a descrição da API. Se esses materiais formarem uma parte fixa da solicitação e forem armazenados corretamente no cache, relê-los fica mais barato. Se a aplicação reconstruir o contexto a cada vez, a economia esperada pode desaparecer.

É fácil escolher a métrica errada aqui. Comparar apenas o preço por milhão de tokens não basta. Um modelo pode resolver o problema em poucas tentativas; outro pode passar uma noite fazendo alterações inúteis. Vale calcular o custo de uma alteração aceita: quanto a equipe pagou até que ela passasse pelos testes e pela revisão. O tempo que o engenheiro dedica à verificação também entra na conta dessa adoção.

Para uma comparação inicial, use algumas tarefas já resolvidas do seu próprio repositório. Mantenha as mesmas condições, restrições de ferramentas e critérios de aceitação. Registre separadamente os custos de entrada, saída e cache, o número de novas tentativas e o tempo até chegar a um resultado funcional. Uma execução assim é mais útil do que prometer uma economia de cinco vezes extrapolada de uma única tarifa.

Duas versões do modelo, restrições diferentes

Fable 5.2 e Mythos 5.2 usam o mesmo modelo base. O Fable, disponível ao público, tem restrições adicionais em cibersegurança e biologia; as organizações obtêm acesso ao Mythos por meio de programas de avaliação de acesso. Essa diferença é relevante para equipes que desenvolvem ferramentas de auditoria ou processos de pesquisa. Os produtos são descritos no anúncio da Anthropic.

Um risco prático surge quando a aplicação encaminha a tarefa a outro modelo após uma recusa. O usuário vê uma interface única, mas o resultado já pode depender de outro modelo. Por isso, vale registrar o modelo selecionado, as recusas e as solicitações repetidas no histórico de cada execução. Caso contrário, fica difícil entender por que a auditoria encontrava um problema ontem e hoje deixa de detectá-lo.

Os benchmarks também exigem uma leitura cuidadosa. Na tabela apresentada pelo fabricante, o Fable supera vários concorrentes em programação com agentes, mas não lidera todos os processos de negócio. O resultado de um teste específico não pode virar uma promessa de substituir um funcionário ou de concluir sua migração com garantia. O nível de raciocínio, as ferramentas e as condições de execução influenciam o resultado.

Perceber que está sendo avaliado ainda não significa enganar

A afirmação mais chamativa do material original é que o modelo percebe que está sendo testado. Mas existe uma diferença entre reconhecer uma avaliação e distorcer seus resultados deliberadamente. A proporção de conversas com esses sinais, por si só, não mostra quantas avaliações o modelo conseguiu contornar. Para determinar isso, são necessárias as condições do experimento e observações concretas do comportamento.

Para quem desenvolve essas aplicações, a conclusão é prática: é preciso verificar tanto as respostas quanto as ações do agente. Quais arquivos ele abriu, quais comandos executou, para onde enviou dados e se as alterações atendem à tarefa. Bons resultados em uma auditoria de laboratório não substituem o isolamento do ambiente e as restrições de acesso a segredos.

Antes de um piloto, verifique também as condições de retenção das solicitações: para este modelo, a documentação prevê retenção por 30 dias, e as exceções exigem autorização específica da Anthropic. Comece com um conjunto limitado de tarefas e meça os gastos e a proporção de resultados aceitos. Se a vantagem se mantiver após a revisão e as execuções repetidas, haverá uma base para ampliar o uso.