Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAPI / Produto · Pronto p/ usoThe Decoder→ original

Agentes de código da OpenAI custam $2400 por dia por pesquisador, na conta do preço da API

A OpenAI calculou quanto custariam seus próprios agentes de código se os tokens fossem cobrados pelo preço público da API, como para um cliente comum. O resultado é $2400 por dia para o pesquisador mediano em outubro (62% a mais que em setembro) e $23 000 para os 10% mais ativos. Os agentes monitoram treinamentos com sucesso em 79% dos casos, mas escrevem código para sistemas de inferência em apenas 25%. A conclusão prática: entregue a rotina aos agentes e deixe a revisão de código complexo com as pessoas.

Processado por IA de The Decoder; editado por Hamidun News
Agentes de código da OpenAI custam $2400 por dia por pesquisador, na conta do preço da API
Fonte: The Decoder. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalThe Decoder ↗
Editor-chefe
Dado-chave #1Em setembro, o gasto teórico com agentes foi o dobro dos salários, sem contar ações
Dado-chave #2A taxa de sucesso em tarefas de 2–4 horas subiu de 23% para 46% entre março e outubro
Dado-chave #327 de 28 entrevistados preferiram o modelo mais recente a um engenheiro de nível pleno

Até hoje, só era possível especular quanto custa de fato manter agentes de código em desenvolvimento sério. Agora a OpenAI tem números da sua própria operação. Imagine rodar um agente semelhante ao Codex no seu repositório e pagar cada token pelo preço de tabela da API.

Foi assim que a empresa recalculou o trabalho dos seus agentes internos: em outubro, o pesquisador mediano "queimaria" $2400 em tokens por dia, e os 10% de funcionários mais ativos, $23 000. Na prática, a OpenAI não paga isso; é um equivalente teórico, mas ele mostra a escala: os agentes se tornaram a principal ferramenta de trabalho. Com este segundo relatório sobre a aceleração da pesquisa interna, a empresa também tenta registrar sinais de autoaperfeiçoamento recursivo (RSI), isto é, situações em que a IA acelera a criação das próximas gerações de IA.

Quanto isso custa em tokens

O cálculo usa os preços de tabela da API. Em outubro, o pesquisador mediano consumiria $2400 em tokens por dia, 62% a mais que no mês anterior. Entre os 10% de usuários mais ativos, esse valor teórico dobrou, chegando a $23 000 por dia. Os agentes trabalham principalmente com comunicação e código.

Há também a conversão em tempo. Somando tudo o que os agentes fazem, cada pesquisador equivale a cerca de 5,7 dias úteis de oito horas a cada dia corrido. Nas equipes de pré-treinamento e pós-treinamento de modelos, o número chega a aproximadamente oito. Mais de dois terços dos funcionários monitorados chegaram, no pico, a rodar pelo menos quatro agentes em paralelo.

Em setembro, o equivalente teórico em API do trabalho dos agentes foi o dobro dos gastos normais com salários de pesquisadores. Uma ressalva: as ações não entram na conta, e elas representam 70–80% da remuneração total na OpenAI. Em relação a toda a capacidade de computação para pesquisa da empresa, a fatia dos agentes é modesta: apenas 2%. Para as equipes que estão adotando agentes, a conclusão é simples: os tokens já são comparáveis à folha de pagamento e merecem uma linha própria no orçamento.

Onde os agentes se saem bem e onde não

Entre março e outubro, a fatia estimada de tarefas de 2–4 horas que o agente resolve sozinho, sem intervenção humana, subiu de 23% para 46%. Nas tarefas de 4–8 horas, o indicador passou de 13% para 35%.

A divisão pela taxonomia da Epoch AI mostra um viés para o que é simples. Os agentes acompanham com sucesso as rodadas de treinamento em 79% dos casos e respondem sozinhos a perguntas técnicas em 72%. Já a criação de ambientes para avaliação de modelos e aprendizado por reforço só dá certo em 29% dos casos, e a escrita de código para sistemas de inferência e serviço de modelos, em 25%. Em linhas gerais, o agente consegue verificar a curva de treinamento ou responder a uma pergunta quase sozinho, mas ainda não constrói infraestrutura complexa sem um humano.

O que dizem os próprios pesquisadores

A pesquisa com 101 funcionários da OpenAI não é representativa, mas é reveladora. A resposta mediana: os pesquisadores prefeririam abrir mão de 40% do quadro da equipe ou de 30% da capacidade de computação a ficar três meses sem os agentes de código atuais. Em outra enquete rápida, com 28 pessoas, 27 preferiram o modelo interno mais recente a um engenheiro de nível pleno.

O outro lado apareceu nas entrevistas com dez pesquisadores. Segundo eles, os modelos não têm "gosto": distinguem mal uma boa ideia científica e não percebem a qualidade do código e dos dados. Os agentes se perdem em etapas desnecessárias, fazem suposições incorretas na análise e enviam alterações de código fracas junto com artefatos de dados imprestáveis, ou seja, o famoso "AI slop". Sem supervisão humana próxima, a computação é desperdiçada.

Segundo as equipes entrevistadas, as principais ideias conceituais do GPT-6 Astra e do GPT-6.2 Astra foram inteiramente criadas por pessoas do pós-treinamento e da segurança. Só no pré-treinamento do GPT-6.2 Astra alguns pesquisadores disseram ter tido insights importantes em conversas com o Codex.

Como ler esses números

A própria OpenAI alerta que os dados sobre o trabalho conjunto de pessoas e IA podem não se extrapolar de forma linear. A empresa cita os avanços rápidos recentes da IA em matemática e admite que saltos parecidos podem ocorrer na pesquisa em deep learning, quando os modelos ficarem mais autônomos.

O contexto é este. A METR avaliou recentemente, após onze semanas de observação dentro da concorrente Anthropic, que o uso de IA ali quase dobrou o ritmo de desenvolvimento. No início de setembro, no primeiro relatório, a OpenAI declarou ter atingido a meta de um estagiário de IA automatizado para pesquisa. No texto que acompanha o relatório, o cientista-chefe Jakub Pachocki alertou para o risco de perda de controle, após uma auditoria que apontou várias lacunas no sistema de supervisão.

O que fazer na prática. Primeiro, meça não o volume de execuções dos agentes, mas a proporção de alterações aceitas: os tokens já custam o mesmo que salários. Segundo, entregue aos agentes monitoramento, consultas e tarefas padronizadas, em que o sucesso fica perto de 70–80%. Terceiro, mantenha sob revisão humana o código de infraestrutura, os ambientes de avaliação e a escolha das linhas de pesquisa; do contrário, você terá "AI slop" e computação queimada. E lembre-se da fonte: o relatório foi escrito pela própria OpenAI, e as pesquisas são pequenas e não representativas.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Quanto isso custa em tokens?

O cálculo usa os preços de tabela da API. Em outubro, o pesquisador mediano consumiria $2400 em tokens por dia, 62% a mais que no mês anterior. Entre os 10% de usuários mais ativos, esse valor teórico dobrou, chegando a $23 000 por dia. Os agentes trabalham principalmente com comunicação e código. Há também a conversão em tempo. Somando tudo o que os agentes fazem, cada pesquisador equivale a cerca de 5,7 dias úteis de oito horas a cada dia corrido.

Onde os agentes se saem bem e onde não?

Entre março e outubro, a fatia estimada de tarefas de 2–4 horas que o agente resolve sozinho, sem intervenção humana, subiu de 23% para 46%. Nas tarefas de 4–8 horas, o indicador passou de 13% para 35%. A divisão pela taxonomia da Epoch AI mostra um viés para o que é simples. Os agentes acompanham com sucesso as rodadas de treinamento em 79% dos casos e respondem sozinhos a perguntas técnicas em 72%.

O que dizem os próprios pesquisadores?

A pesquisa com 101 funcionários da OpenAI não é representativa, mas é reveladora. A resposta mediana: os pesquisadores prefeririam abrir mão de 40% do quadro da equipe ou de 30% da capacidade de computação a ficar três meses sem os agentes de código atuais. Em outra enquete rápida, com 28 pessoas, 27 preferiram o modelo interno mais recente a um engenheiro de nível pleno. O outro lado apareceu nas entrevistas com dez pesquisadores.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…