Asana corta custo de modelo em 76x em testes de browser agent com nova geração da OpenAI
A Asana, plataforma de gestão de trabalho conhecida por orchestrar fluxos entre times, divulgou resultados expressivos ao trocar a infraestrutura do seu browser agent — o agente que automatiza tarefas diretamente dentro de um navegador web — para a nova geração de modelos da OpenAI acessada via Codex. Nos testes internos, o custo por tarefa caiu 76x e a latência caiu 5x, um salto que coloca em xeque a conta de quem ainda roda automações web sobre LLMs de peso pesado.
O que mudou de fato
O browser agent da Asana é o componente que clica, preenche formulários e navega em sistemas legados em nome do usuário humano. Esse tipo de agente depende de chamadas sucessivas a um LLM para "ler" a tela e decidir a próxima ação, e cada chamada consome tokens — as unidades de texto que o modelo processa e cobra. Em arquiteturas tradicionais, manter um agente assim rodando em volume rapidamente estoura o orçamento.
Ao portar o agente para o GPT-6.1 Sol através do Codex — o ambiente de coding agent da OpenAI que conecta modelos a fluxos agentic —, a Asana conseguiu reduzir drasticamente tanto o custo por inferência (o momento em que o modelo é consultado e gera uma resposta) quanto o tempo de resposta. Os números de 76x mais barato e 5x mais rápido vieram dos benchmarks internos da empresa, ainda em fase de testes antes da oferta aos clientes.
Por que isso importa para o ecossistema
O movimento sinaliza uma tendência clara do mercado de IA em 2026: a commoditização acelerada de modelos cada vez mais capazes por frações do custo anterior. Quando uma plataforma SaaS consegue multiplicar sua margem por 76 usando a mesma engenharia de agent e trocando apenas o motor de inferência, a barreira de entrada para oferecer automação web sofisticada despenca.
Na prática, isso significa que concorrentes da Asana — e há dezenas, de startups a incumbents como Monday, ClickUp e Notion — passam a ter acesso ao mesmo tipo de ganho de eficiência. O Codex, como camada de orquestração, também se consolida como peça estratégica: em vez de cada empresa reinventar o pipeline de chamadas e o tratamento de contexto, a OpenAI oferece o ambiente pronto, e o modelo fica intercambiável.
Há também um ângulo de UX. Um browser agent 5x mais rápido muda a sensação do usuário: em vez de esperar dezenas de segundos entre cada ação automatizada, a interação começa a parecer quase síncrona. Para продукты que competem por atenção em fluxos de trabalho, essa diferença de percepção é tão importante quanto o custo.
O que ainda não sabemos
A OpenAI não detalhou publicamente a arquitetura completa do GPT-6.1 Sol nem os parâmetros — ou seja, os pesos matemáticos e conexões neurais que definem a capacidade do modelo. Também não há informação sobre qual técnica específica possibilitou a redução de custo: pode ser destilação do modelo (processo de treinar um modelo menor a imitar um maior, herdando parte da capacidade por uma fração do compute), uso mais agressivo de cache de prompts (reaproveitamento de respostas anteriores para evitar recomputação), mistura de especialistas acionada de forma mais parcimoniosa (a chamada Mixture of Experts, arquitetura que ativa apenas parte dos pesos para cada tarefa) ou uma combinação de tudo isso.
Os números, por enquanto, são da Asana — empresa interessada em pintar o resultado da forma mais favorável. Benchmarks independentes ainda não foram publicados, e a prometida oferta aos clientes depende de validação em produção.
O sinal para builders
Para desenvolvedores e times de produto brasileiros que estão construindo ou avaliando agentes web, o caso Asana serve como lembrete prático: a conta econômica de um agente de IA em 2026 não é mais ditada pelo modelo mais potente do mercado, mas pela melhor combinação entre capacidade, custo e latência dentro do fluxo de uso real. Trocar de motor deixou de ser migração de ano — virou mudança de sprint.