Claude Opus 5: custo e qualidade em cada nível de esforço

O preço por token é idêntico nos cinco níveis. O que muda é quantos tokens o modelo decide gastar para chegar na resposta, e isso varia por um fator de oito.

O Claude Opus 5 tem um parâmetro que quase nunca sai do valor de fábrica. Ele se chama esforço, mora em output_config.effort, tem cinco degraus e decide quanta computação o modelo aplica antes de responder. Este artigo mede o que muda entre esses degraus: custo, pontuação, tokens e latência, sempre no mesmo modelo, para que a comparação isole a variável.

Como o raciocínio do Opus 5 funciona

O raciocínio no Claude Opus 5 é adaptativo e vem ligado por padrão. O modelo avalia cada requisição e decide sozinho se pensa e quanto pensa, sem que você defina um orçamento de tokens. Uma pergunta factual simples pode não gerar bloco de raciocínio nenhum; um problema de várias etapas gera um longo.

Isso é uma mudança em relação ao Opus 4.8 e ao 4.7, onde omitir o parâmetro thinking significava não pensar. No Opus 5, omitir significa raciocínio adaptativo. Duas consequências operacionais seguem daí. A primeira é que o parâmetro antigo budget_tokens foi removido e devolve erro 400. A segunda é que max_tokens é teto duro do raciocínio somado ao texto da resposta, então uma rota dimensionada para uma resposta sem raciocínio pode passar a truncar no meio.

Como a Anthropic cobra o raciocínio

Tokens de raciocínio são cobrados como tokens de saída, na mesma tarifa do texto que o usuário lê. No Claude Opus 5 isso são US$ 25 por milhão, cinco vezes o preço da entrada. Não existe tarifa separada de raciocínio e não existe desconto por ele ser interno.

O detalhe que mais confunde equipe de produto é que a cobrança não corresponde ao que aparece na resposta. O Opus 5 nunca devolve a cadeia de raciocínio bruta, e o padrão de exibição é omitido, o que deixa o campo de raciocínio vazio. Você é faturado pelo processo inteiro de qualquer forma. Trocar a exibição para resumida não muda um centavo: só muda o que você vê, e a geração do resumo não é cobrada.

Fonte: documentação da plataforma Claude, páginas de cobrança de raciocínio e de cache de prompt, leitura de 31/08/2026.

Em streaming, o detalhamento de raciocínio só chega no evento final. E blocos de raciocínio de turnos anteriores que continuam no contexto passam a ser cobrados como entrada, o que faz uma conversa longa carregar o custo do que já foi pensado.

A leitura prática é que a fatura de saída tem duas camadas e você enxerga uma. O texto que o usuário lê é a ponta; o rascunho interno é o volume, e é ele que o parâmetro de esforço controla.

Por isso o campo de detalhe de raciocínio é a primeira instrumentação a ligar antes de qualquer tentativa de otimizar custo. Sem ele, você não sabe qual das duas camadas está crescendo.

O que muda entre os cinco níveis

O esforço afeta todos os tokens da resposta, não só o raciocínio: texto, argumentos de chamada de ferramenta e raciocínio, os três. É essa amplitude que explica por que o efeito no custo é maior do que se ele mexesse só no rascunho interno.

O comportamento documentado acompanha a altura. No low o modelo minimiza o raciocínio e pula em tarefas simples, o que faz dele a indicação oficial para subagentes e alto volume. No medium o raciocínio é moderado e ainda pode ser pulado em consulta simples. No high, que é o padrão, ele quase sempre pensa. No xhigh sempre pensa fundo, com exploração estendida. E no max pensa sem restrição de profundidade nem de gasto, que é literalmente como a documentação o descreve.

Em fluxo com ferramentas o efeito é mais amplo do que a escada sugere. Esforço menor faz o modelo agrupar operações em menos chamadas, ir direto à ação sem preâmbulo e confirmar de forma curta. Esforço maior faz ele chamar mais ferramentas, explicar o plano antes de agir e resumir as mudanças em detalhe. Como cada chamada reprocessa o histórico como entrada, o esforço acaba multiplicando os dois lados da fatura num laço agêntico.

Um detalhe que só aparece na conta do mês: o valor resolvido do esforço entra no prompt renderizado, então trocar de nível no meio de uma conversa invalida o cache. Escolha o nível no início da sessão e mantenha.

Quanto cada nível custa

A Artificial Analysis publica uma página por variante de esforço do Claude Opus 5, rodando o mesmo índice no mesmo modelo. Os valores abaixo são medidos por eles; a normalização é cálculo nosso.

Fonte: Artificial Analysis, páginas por variante de esforço do Claude Opus 5, leitura de 31/08/2026. Preço idêntico nos cinco níveis: US$ 5 por milhão de entrada, US$ 25 de saída.

O consumo de saída vai de 12 para 100 milhões de tokens, um fator de 8,3. A própria Artificial Analysis registra o mesmo comportamento no benchmark GDPval, onde descreve os níveis de esforço abrindo 407 pontos de Elo com uso de tokens variando cerca de 8 vezes do low ao max.

Um cálculo que a tabela permite e que raramente se faz: subtraindo o custo dos tokens de saída do custo total, sobra o gasto de entrada. Ele vai de cerca de US$ 255 no low para US$ 1.336 no max, ou seja, a entrada também cresce, por volta de 5 vezes. Isso confirma o mecanismo: em carga agêntica, mais esforço significa mais idas e voltas, e cada ida e volta reprocessa o histórico. Vale a ressalva de que esse valor mistura entrada cacheada e não cacheada, então serve como ordem de grandeza, não como contagem exata.

Quanto de qualidade cada nível entrega

Com o high como base 100, a escada completa fica assim. Todas as células saem de medição pública; o rótulo indica se o número é o medido ou uma derivação aritmética dele.

Cálculo nosso sobre os valores medidos pela Artificial Analysis. Latência relativa usa o tempo até a primeira palavra, não a duração total.

A Anthropic publica medições próprias que apontam na mesma direção, com outra metodologia e outra carga de trabalho. Em programação de longo prazo com o Opus 5, o nível medium abriu mão de cerca de 2 pontos por metade do custo e o low de cerca de 8 pontos por um quarto. E no SWE-bench Pro, rodar tudo no padrão resolveu 91,7% a US$ 1,39 por tarefa, enquanto rodar tudo em low e reprocessar só as falhas no padrão chegou a cerca de 93% por cerca de US$ 0,70, a mesma taxa de acerto por metade do preço.

Vale registrar o que a Anthropic diz sobre o low em contexto agêntico, porque contraria a intuição: no Zapier AutomationBench, o Opus 5 no menor nível de esforço aprova mais tarefas do que qualquer outro modelo. O degrau de baixo deste modelo não é um degrau fraco em termos absolutos.

Quanto custa cada ponto adicional de qualidade

O custo marginal por ponto do índice é a leitura que decide onde parar, e ele não é linear.

Do xhigh para o max são US$ 926,75 a mais na mesma suíte para o mesmo resultado de 63 pontos. Não é um ganho pequeno demais para justificar o preço: é ausência de ganho medido.

A fronteira de Pareto termina no xhigh

A fronteira de Pareto é o conjunto de configurações que entregam a melhor qualidade possível para cada faixa de orçamento. Uma configuração sai da fronteira quando outra entrega o mesmo ou mais por menos.

Nesta suíte, quatro dos cinco níveis estão na fronteira e um está fora. O low é a melhor opção abaixo de US$ 600 de orçamento, o medium abaixo de US$ 1.200, o high abaixo de US$ 2.000 e o xhigh abaixo de US$ 3.000. O max não é a melhor opção em nenhuma faixa, porque o xhigh entrega a mesma pontuação por 32% menos. Ele é dominado.

Isso vale para esta suíte e para a data da leitura, e é exatamente o tipo de resultado que muda por carga de trabalho. A Anthropic posiciona o max como opção para quando a correção importa mais que o gasto, e o próprio guia de migração do Opus 5 diz que xhigh e max existem para ganho medido, não como ponto de partida. As duas afirmações convivem: o max pode valer o preço numa tarefa de fronteira e não valer numa suíte de uso geral.

A latência não muda como você espera

A velocidade de geração é praticamente a mesma nos cinco níveis, entre 50,0 e 52,7 tokens por segundo. O que explode é o tempo até a primeira palavra, porque é ali que o modelo pensa.

São 29 vezes mais tempo de espera entre o low e o max antes de qualquer coisa aparecer na tela. Para uma rota com pessoa esperando, isso decide o nível antes de qualquer argumento de custo. Para um trabalho de fundo, não decide nada.

Existe tarefa em que pensar mais piora o resultado?

Existe, e o fornecedor documenta isso sem eufemismo. A orientação oficial registra que na maioria das cargas o nível max acrescenta custo relevante por ganho de qualidade relativamente pequeno, e que em tarefas de saída estruturada ou menos sensíveis a inteligência ele pode levar a elaboração excessiva. O guia de migração do Opus 5 repete o alerta: os níveis mais altos podem mostrar retorno decrescente e elaborar demais em tarefas simples.

Relatos de desenvolvedores em fóruns técnicos ao longo de agosto de 2026 descrevem exatamente esse comportamento e mencionam saída melhor escopada em níveis intermediários do que no xhigh. São relatos, não medição, e entram aqui como sinal convergente com o que a documentação diz, não como evidência independente.

Vale separar dois ajustes que se confundem. O esforço controla o volume de raciocínio, não o tamanho da resposta visível: no Opus 5, mudar o esforço não encurta o texto de forma confiável. Resposta longa demais se resolve com instrução de concisão no prompt, e a própria Anthropic mediu cerca de 20% de redução no comprimento com uma instrução curta.

O que estes benchmarks não dizem

Todos os números acima medem raciocínio, programação, uso de ferramentas e conhecimento geral. Nenhum deles mede extração de informação de documento longo por nível de esforço, e essa é a lacuna que mais importa para quem processa contrato, transcrição ou relatório.

O que existe de público e adjacente, com o limite de cada um:

• MedScribeNota clínica a partir de transcrição de consulta, com 100 rubricas de especialista. O Opus 5 marca 90,99%, mas só há o ponto de esforço máximo.
• AA long contextCem questões sobre documentos de 10 mil a 100 mil tokens, exigindo sintetizar informação dispersa. Sem quebra por nível de esforço.
• Legal Research e MortgageTaxLeitura de documento jurídico e fiscal, medidos pela Vals AI. Também só no esforço máximo.
• Taxa de omissão por nívelNão existe medição pública. É a métrica que mais importa em ata e extração, e é justamente a que ninguém publicou.Lacuna

A conclusão honesta é que benchmark de programação e de raciocínio não se converte em porcentagem de qualidade para extração de documento. A forma da tarefa é diferente, a distribuição de custo é diferente, e o modo de falha é diferente: no código, a falha aparece em teste que quebra; numa ata, a falha é um compromisso que ninguém percebeu que sumiu.

Metodologia, limitações e fontes

Apuração de 31 de agosto de 2026. As regras de funcionamento e a cobrança vêm da documentação da plataforma Claude, nas páginas de esforço, de direcionamento de raciocínio, de preços e no guia de migração do Opus 5. As medições próprias da Anthropic vêm do guia de otimização de custo e inteligência. Os números por nível de esforço vêm das páginas por variante da Artificial Analysis, e os benchmarks de domínio da Vals AI.

Quatro limitações que mudam como você deve ler os números. Cada linha da suíte da Artificial Analysis é uma execução por nível, então diferenças de um ou dois pontos ficam dentro do ruído esperado de uma rodada única. O custo da suíte reflete a distribuição de tarefas dela, não a sua. As medições da Anthropic são publicadas como direcionais pelo próprio fornecedor. E o preço é de tabela: contratos de volume mudam a aritmética.

Nada aqui foi medido em laboratório da X-Apps. Esta é uma apuração documental sobre fontes públicas, e a única forma de obter o número da sua carga de trabalho é rodar uma varredura de esforço sobre requisições reais.