Nível de raciocínio no GPT-5.6 Sol: pensar mais custa 3x e rende 7%

Existe um botão na API do GPT-5.6 Sol que multiplica a sua fatura por onze sem trocar de modelo. Ele se chama reasoning.effort, tem seis posições, e a maior parte das equipes deixa no padrão sem nunca ter medido o que as outras cinco fazem com o custo e com a qualidade.

Não estamos falando de escolher um modelo melhor, nem de ligar o modo de raciocínio no ChatGPT. É o mesmo modelo, o mesmo prompt, a mesma tarefa, com uma única palavra trocada na chamada. E a diferença entre a posição mais barata e a mais cara é de 181 para 2.017 dólares na mesma bateria de testes.

Resumo do artigo

• O GPT-5.6 Sol aceita seis níveis de raciocínio, e o custo de rodar o mesmo benchmark varia 11,1 vezes entre none e max, enquanto a qualidade varia 1,45 vez.
• Se uma tarefa custa US$ 1,00 em high, ela custa US$ 0,61 em medium, US$ 0,37 em low e US$ 2,88 em max.
• O degrau de medium para high é o pior negócio da escala inteira: 63% mais caro por 1 ponto de índice, pior retorno por dólar do que o degrau seguinte.
• O retorno do raciocínio depende da distância até o teto do modelo. Em tarefa que ele já resolve, max chega a pontuar abaixo de xhigh.

O que exatamente muda quando você sobe o effort

Reasoning effort é o orçamento de pensamento que o modelo gasta antes de escrever a resposta. Ele não altera os pesos, não troca de modelo e não muda o tamanho do texto final: muda quantos tokens invisíveis o modelo queima raciocinando, e esses tokens entram na fatura.

O Sol aceita seis valores: none, low, medium, high, xhigh e max. O padrão é medium quando o parâmetro é omitido. Vale registrar duas confusões comuns. A primeira é o minimal, que aparece no guia geral de reasoning da OpenAI mas não na lista do Sol, então não use. A segunda é o ultra, que não é um effort de API: é um modo de produto do Codex e do ChatGPT Work que coordena quatro agentes em paralelo. max é profundidade em um agente só; ultra é paralelismo entre agentes.

A recomendação oficial da OpenAI para quem está migrando é contraintuitiva e vale como método: preserve o effort atual como linha de base e compare um nível abaixo, não um acima. A pergunta padrão da documentação não é quanto você ganha subindo, é quanto você perde descendo.

Para efeito de conta, o que importa é que esse orçamento de pensamento é cobrado na tarifa mais cara da tabela.

Como o GPT-5.6 Sol cobra o raciocínio

Reasoning tokens são cobrados como output. A documentação da OpenAI é literal: eles não são visíveis pela API, ocupam espaço na janela de contexto e são cobrados como output tokens. Isso resolve a dúvida que mais gera erro de planilha: eles já estão dentro de output_tokens, e aparecem detalhados em output_tokens_details.reasoning_tokens. Somar os dois campos conta o mesmo token duas vezes.

Na prática, o raciocínio é cobrado a US$ 20 por milhão enquanto a leitura do seu documento custa US$ 4 por milhão. É a assimetria que explica quase tudo o que vem a seguir.

Fonte: tabela de preços da API da OpenAI, leitura de 31/08/2026. A OpenAI declara esse preço como promocional pelo menos até 21/11/2026. O preço de lançamento, em julho, era US$ 5,00 e US$ 30,00, e ainda aparece em análises daquele mês.

Dois detalhes de cobrança mudam contas reais. O cache é automático para prefixos a partir de 1.024 tokens, dura no mínimo 30 minutos e cobra 1,25x para escrever contra 0,1x para ler, o que significa que um prefixo reaproveitado uma única vez já se paga. E prompts acima de 272 mil tokens de input passam a custar o dobro no input e 1,5x no output, no pedido inteiro, não só no excedente.

Seis níveis, um benchmark: a curva inteira

A evidência mais limpa que existe hoje vem do Artificial Analysis, que publica o GPT-5.6 Sol como seis entradas separadas no mesmo Intelligence Index. Mesmo modelo, mesma bateria de nove avaliações, mesma metodologia, só o effort muda. É exatamente o desenho experimental que interessa.

Fonte: Artificial Analysis Intelligence Index v4.1.1, páginas por variante do GPT-5.6 Sol, leitura de 31/08/2026. O índice compõe GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA-Omniscience e AA-LCR.

Leia a tabela em duas colunas e a assimetria salta: os tokens crescem 26,9 vezes de ponta a ponta, o custo cresce 11,1 vezes, e o índice cresce 1,45 vez. O raciocínio escala muito mais rápido do que o resultado que ele compra.

Se high custa US$ 1,00, quanto custa cada nível

Normalizando high em 100, a resposta direta para quem precisa orçar:

Cálculo próprio sobre os dados do Artificial Analysis Intelligence Index v4.1.1. Custo relativo é o custo de rodar o índice; qualidade relativa é a pontuação do índice.

O número que resume o artigo está na última linha: max custa 2,88 vezes o que high custa e entrega 7,0% a mais de pontuação. Trocar high por medium devolve 38,6% do orçamento e cobra 1,8% de pontuação.

O degrau mais caro da escada é medium para high

Nenhuma configuração é estritamente dominada: a fronteira é monotônica, cada nível entrega mais que o anterior e custa mais que o anterior. Mas o preço de cada ponto conquistado desaba no meio da escada e nunca se recupera.

none → lowUS$ 8,28 por ponto

low → mediumUS$ 34,72 por ponto

medium → highUS$ 270,33 por ponto

high → xhighUS$ 203,94 por ponto

xhigh → maxUS$ 454,87 por ponto

Subir de medium para high custa 63% a mais e entrega 1 ponto, de 56 para 57. São US$ 270,33 por ponto, mais caro que os US$ 203,94 do degrau seguinte, que entrega dois pontos. Em porcentagem do orçamento, cada ponto percentual de qualidade nesse degrau consome 22,0% do custo de high, contra 16,6% no degrau high para xhigh.

Há um agravante honesto: 56 contra 57 em um índice composto de nove avaliações é uma diferença que provavelmente cabe dentro do intervalo de confiança do próprio benchmark. Ou seja, o degrau mais caro por ponto da escala também é o único em que não dá para afirmar que houve ganho.

O retorno do effort depende da distância até o teto

Se o effort rende pouco no meio da escala, por que a OpenAI oferece xhigh e max? Porque o retorno não é uma propriedade do modelo, é uma propriedade da dificuldade da tarefa. A ARC Prize publicou o Sol nos cinco níveis, e o mesmo modelo, no mesmo dia, mostra as duas coisas ao mesmo tempo.

Fonte: ARC Prize, resultados do GPT-5.6 Sol no conjunto semi-privado, leitura de 31/08/2026.

No ARC-AGI-1, que o modelo essencialmente já resolve, a curva satura em high e max termina abaixo de xhigh, 96,5% contra 97,5%. Você paga 1,8 vez mais para perder um ponto. No ARC-AGI-2, ainda longe do teto, o mesmo salto de medium para max leva o acerto de 67,1% para 92,5%. No ARC-AGI-3, praticamente intocado, o effort é a diferença entre não funcionar e começar a funcionar.

A consequência prática é que a pergunta "qual effort usar" não tem resposta global. Ela tem uma resposta por tarefa, e a variável que decide é quanto a sua tarefa ainda deixa na mesa.

Latência: o custo que não aparece na fatura

O tempo até o primeiro token vai de 1,05 segundo em none para 115,19 segundos em max. São 109 vezes. max leva cerca de 29 vezes o tempo de medium, e high já leva quase 3 vezes.

Isso reposiciona os níveis altos: xhigh e max não são configurações de produto interativo, são configurações de lote. A própria OpenAI classifica xhigh como deep research e fluxos assíncronos. Qualquer interface em que uma pessoa espera a resposta na tela sai da conversa acima de high, independentemente do que o benchmark diga sobre qualidade.

Vale notar que a velocidade de geração quase não muda: fica entre 72,6 e 80,8 tokens por segundo em todos os níveis. O modelo não pensa mais devagar em max, ele pensa por muito mais tempo.

Onde mais raciocínio piora o resultado

Existe uma classe de tarefa em que subir o effort não é caro, é contraproducente. São as tarefas de compressão fiel: sumarizar, extrair campos, transcrever para um esquema. Nelas, o trabalho do modelo é não inventar, e mais deliberação abre espaço para elaborar.

Um estudo de 2025 comparou oito estratégias de raciocínio e três modelos de raciocínio em oito conjuntos de dados de sumarização. A conclusão do resumo é direta: aumentar o orçamento interno de raciocínio de um modelo não melhora a sumarização de forma confiável e pode reduzir a consistência factual. Os autores registram um trade-off entre qualidade e fidelidade, com a fidelidade factual caindo conforme a capacidade de raciocínio aumenta.

A explicação provável é simples. Em tarefa de compressão fiel, o acerto consiste em não acrescentar. Cada passo extra de deliberação é uma oportunidade a mais de o modelo conectar pontos que a fonte não conectou, e essa conexão sai plausível, bem escrita e errada.

Uma medição operacional aponta na mesma direção. A Observe.ai testou quatro níveis de esforço em tarefas de central de atendimento sobre transcrições de chamada:

Fonte: Observe.ai, avaliação de tarefas de central de atendimento. Evidência indireta: os testes foram feitos com o GPT-5, não com o GPT-5.6 Sol, e servem como sinal de direção para a família, não como medição deste modelo.

Em extração de entidades, subir de low para medium mudou o resultado em 0,1 ponto percentual. Em geração abstrativa, high ficou abaixo de low. A latência de high nesse estudo foi de 32,6 segundos contra 2 a 3 segundos nos níveis baixos. A conclusão dos autores é que a profundidade de raciocínio tem impacto mínimo no desempenho e, em alguns casos, reduz levemente a acurácia.

Não há evidência pública que desagregue taxa de alucinação do GPT-5.6 Sol por nível de effort. O que existe é o sinal consistente, em modelos anteriores e em literatura acadêmica, de que tarefas ancoradas em um documento não se beneficiam de mais deliberação da mesma forma que tarefas de resolução de problema.

Como decidir o effort sem chutar

A regra que sai da evidência não é "use medium". É medir a folga da sua tarefa antes de escolher.

1. Comece pelo padrão e desça, não suba, seguindo a recomendação de migração da própria OpenAI: fixe o effort atual como linha de base e compare um nível abaixo em um conjunto de casos reais.
2. Meça a folga. Se a sua tarefa já acerta acima de 90% em medium, você está na região de saturação e o effort alto vai comprar latência, não qualidade.
3. Separe o tipo de tarefa. Resolução de problema, depuração e planejamento longo pagam effort. Compressão fiel de documento não paga, e pode piorar.
4. Trate xhigh e max como lote, nunca como caminho interativo, por causa dos 43 e 115 segundos até o primeiro token.
5. Confira o seu próprio usage em vez de confiar na estimativa, e compare com a fatura.

Esse último ponto tem um motivo concreto. Em julho de 2026, desenvolvedores relataram no fórum da OpenAI que o campo usage.output_tokens do GPT-5.6 vinha inflado, re-somando o total de raciocínio uma vez por item de reasoning. Um caso registrado reportou 466.818 output tokens para 21.064 reasoning tokens reais. O suporte da OpenAI acusou o recebimento em 13/07/2026 e escalou, e os usuários relataram normalização no fim daquele mês. O episódio não descreve a cobrança de hoje, mas descreve bem por que a sua medição precisa ser sua.

Fontes e método

Apuração de 31/08/2026, a partir de fontes primárias. As especificações do modelo, a taxonomia de effort, a contabilidade de reasoning tokens, as regras de cache e a tabela de preços vêm da documentação oficial da OpenAI em developers.openai.com. A curva de custo, tokens, latência e qualidade por effort vem das páginas por variante do GPT-5.6 Sol no Artificial Analysis, Intelligence Index v4.1.1. Os resultados por effort no ARC-AGI vêm do conjunto semi-privado publicado pela ARC Prize.

Todo número normalizado neste artigo é cálculo próprio sobre esses dados, e a operação está declarada junto de cada tabela. A OpenAI não publica tabela oficial de pontuação desagregada por reasoning effort: o system card do GPT-5.6 apresenta desempenho como função do effort em curvas, sem os valores por nível.

Duas limitações valem ser ditas de frente. A primeira é que o Intelligence Index é composto de problemas difíceis de raciocínio, o que faz dele o cenário mais favorável ao effort alto; em tarefas mais fáceis, o retorno tende a ser menor que o mostrado aqui, não maior. A segunda é que a evidência específica sobre sumarização e extração vem de estudos com o GPT-5 e com modelos abertos, não com o GPT-5.6 Sol, e está rotulada como indireta onde aparece.

Leia também

• Ata de reunião com IA: quanto custa em 10 mil reuniões por mês
• Reduzir custo de IA generativa: cache, roteamento e limite por usuário
• Qual IA usar em cada etapa do desenvolvimento de software

Perguntas frequentes