Dez agentes no GPT-6 Luna ou um no Opus 5.5: qual configuração realmente entrega mais

Você tem um número fixo de revisores e, desde 22/09/2026, uma conta de modelo que não decide mais nada por você. O GPT-6 Luna está listado a US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de saída, com id de API gpt-6-luna. O Claude Opus 5.5 está listado a US$ 4 e US$ 20, com id de API claude-opus-5-5. Isso é uma diferença de 40x nos dois lados do medidor, segundo nossa aritmética a partir das tabelas de preços dos próprios fornecedores, e transforma uma pergunta que antes era teórica em uma decisão semanal de agendamento. Com o mesmo dinheiro, você roda dez Agentes baratos ou um caro?

As duas configurações não são substitutas. O que as separa não é a qualidade do modelo, e isso aparece no fim da execução, não no começo: cada uma coloca uma quantidade diferente de trabalho na frente de uma pessoa.

A aritmética que faz a pergunta valer a pena

A OpenAI publica o custo por tarefa ao lado da pontuação, o que é mais útil do que uma tabela de preços. No DeepSWE 1.1, o Luna com esforço de raciocínio máximo pontua 66,6%, o que a OpenAI descreve como comparável ao Claude Opus 5 e ao Fable 5 em esforço médio, com custo por tarefa 93% menor que o Opus 5 e 96% menor que o Fable 5.

Faça a conta ao contrário e uma tarefa do Opus 5 equivale a cerca de catorze tarefas do Luna. Portanto, dez execuções do Luna custam aproximadamente sete décimos de uma única execução do Opus 5 nesse mesmo harness. Essa multiplicação é nossa, a partir dos 93% informados pela OpenAI.

A Anthropic afirma que o Opus 5.5 custa 40% menos para rodar do que o Opus 5. Aplique isso e a proporção cai para algo em torno de nove para um. Esse número encadeia medições de dois fornecedores feitas em harnesses diferentes, então trate-o como uma direção, não como um valor exato: dez tentativas baratas e uma tentativa cara agora custam praticamente o mesmo, seja qual for a forma de calcular.

Duas ressalvas acompanham essa tabela. O destaque da OpenAI é que Sol e Luna são cada um 50% mais baratos que o preço promocional do GPT-5.6, e “promocional” é palavra da própria OpenAI: a comparação é feita contra uma tarifa com desconto, não contra o preço de tabela. E os dois posts de lançamento não são uma comparação direta. Ambos os fornecedores reportam uma pontuação do AutomationBench, em versões diferentes de harness e níveis de esforço distintos, no mesmo dia. Colocar essas duas porcentagens na mesma linha produziria uma comparação que nenhum dos laboratórios realizou. As proporções de custo por tarefa acima se sustentam porque vêm de dentro da medição de um único fornecedor.

Três configurações que parecem uma única escolha

“Dez agentes ou um” na verdade são três arranjos, e eles se comportam de forma diferente na etapa de revisão.

A linha do meio é a que o corte de preço de fato destrava, e é a que a maioria das equipes ignora. Rodar a mesma Tarefa dez vezes e ficar com a tentativa que passa no typecheck, nos testes e no build é uma estratégia que só se tornou acessível quando uma tentativa deixou de custar dinheiro de verdade. Com uma taxa de aprovação em benchmark perto de dois terços, um terço das tentativas individuais falha. Se as tentativas falhassem de forma independente, dez tentativas quase nunca falhariam todas. Elas não falham de forma independente: uma tarefa com um requisito ambíguo ou uma fixture ausente derrota todas as tentativas da mesma maneira. O fan-out compra a variância, não uma garantia.

A primeira linha é a que a maioria das equipes realmente usa, e é a cara. Não em dólares. Dez Agentes em dez Tarefas produzem dez diffs, e cada um deles precisa que uma pessoa leia, entenda o que o Agente escolheu e assuma a responsabilidade de fazer o merge. Esse custo não caiu em 22/09/2026 e nenhum lançamento de modelo o afeta. Já escrevemos sobre por que a revisão humana é o gargalo no trabalho com agentes paralelos e sobre quantos dias de trabalho de agente um dia de trabalho humano consegue absorver; a aritmética ali não muda com tokens mais baratos.

Dez Agentes no Luna não é dez vezes o resultado. É dez vezes o trabalho que chega. Um modelo mais barato compra tentativas. Não compra capacidade de revisão, e é fácil confundir as duas coisas quando a fatura é o único número sendo observado.

Custo por mudança aceita é a métrica que se aplica

Custo por mudança aceita é o que sua equipe gasta em inferência para cada diff que uma pessoa realmente lê e aceita. É a única métrica de custo de agente que se conecta ao trabalho entregue, porque uma tentativa que ninguém revisa não entregou nada.

Essa definição organiza as três configurações imediatamente. O fan-out em uma Tarefa divide dez tentativas em uma única decisão de revisão, então tentativas mais baratas reduzem o custo por mudança aceita em linha reta. A largura em dez Tarefas divide uma tentativa em uma decisão de revisão dez vezes, então tentativas mais baratas reduzem a linha de inferência enquanto a linha de revisão permanece estável e se torna a restrição. A profundidade em um Agente caro compra uma chance maior de que a única tentativa na frente do seu revisor seja a que vale a pena fazer o merge.

Há um segundo efeito que só aparece na prática. Dez tentativas baratas e uma tentativa cara não são a mesma experiência de trabalho. O Artificial Analysis mede as variantes de raciocínio máximo desses modelos em 124,23 segundos até o primeiro token para o Luna e 102,15 segundos para o Sol, números de terceiros especificamente para as variantes de máximo e que vale a pena confirmar antes de planejar com base neles. Dez Agentes que passam dois minutos em silêncio antes de produzir um caractere não são um pipeline rápido. São dez execuções que parecem travadas ao mesmo tempo, o que é um problema de status, não de modelo.

O par de decisões

Use dez Agentes baratos quando uma máquina decide. Isso significa que a Tarefa tem um sinal de aceitação real que roda sem uma pessoa: um teste que falha hoje e precisa passar, um typecheck, um build, uma regra de lint, um script de reprodução. Triagem, rotulagem, scaffolding de testes e refatorações mecânicas se qualificam. Também qualquer mudança em que “funcionou?” é um comando e não uma opinião.

Use um Agente caro quando uma pessoa decide. Se aceitar a mudança exige ler o código e formar uma opinião, tentativas extras não ajudam, elas multiplicam a leitura. O mesmo vale para trabalho de longo horizonte: a Anthropic afirma que o Opus 5.5 se mantém na tarefa por 18 horas ou mais, e uma execução que sustenta um objetivo ao longo de uma tarde vale mais do que dez execuções que recomeçam do mesmo entendimento parcial.

Não use fan-out para evitar escrever o sinal de aceitação. Dez diffs plausíveis sem um juiz automático é pior que um diff, porque escolher entre dez diffs plausíveis é um trabalho mais difícil do que revisar um, e é um trabalho que cai justamente sobre a pessoa que você estava tentando proteger.

O que a configuração ampla precisa da camada de cima

Dez Agentes rodando ao mesmo tempo é um problema de coordenação antes de ser um problema de custo. As peças são conhecidas: cada execução em seu próprio worktree para que dois Agentes editando o mesmo arquivo não seja um incidente, um Assignee por Tarefa para que a propriedade nunca seja ambígua, e um status que distinga rodando de aguardando de falhou.

O Agente define como o trabalho deve ser conduzido. O Computer fornece o host e os recursos locais. O Runtime executa a sessão. A Tarefa permanece o registro compartilhado. Quando dez execuções terminam com uma hora de diferença entre si, essa última parte é o que impede que a hora se transforme em uma caçada ao tesouro por dez terminais.

Uma execução do Luna finalizada deveria retornar algo assim para sua Tarefa, e não para um log de sessão privado:

SH-312  Add retry with backoff to the webhook dispatcher
Runtime   gpt-6-luna (fan-out, 8 attempts, 3 passed the suite)
Selected  attempt 6, smallest diff of the passing set
Evidence  typecheck ok, 214 tests pass, build ok, coverage +0.4%
Known limit  no test for the 429 path, dispatcher is not idempotent yet
Status    Ready for review, waiting on a human

A linha de seleção é a parte que importa. Ela diz o que decidiu, para que o revisor saiba se está confirmando a escolha de uma máquina ou fazendo uma. Dez tentativas sem registro de seleção são dez vezes o trabalho fingindo ser uma Tarefa.

A resposta

Dez Agentes baratos entregam mais quando uma suíte decide e o backlog é amplo o suficiente para mantê-los ocupados. Um Agente caro entrega mais quando a decisão de aceitação é humana, o horizonte é longo ou o sinal automático é fraco. A maioria das equipes quer os dois, roteados pelo tipo de Tarefa e não por preferência, que é o argumento em combinar modelos com papéis de agente.

Nenhuma das configurações muda o último passo. Agentes pesquisam, executam, testam e relatam. Pessoas definem a direção, concedem autoridade e aceitam o resultado. Os preços dos modelos variaram 40x em um dia, e o número de mudanças que sua equipe pode aceitar com responsabilidade não mudou nada.

Se você já roda vários agentes, o Sharkly oferece um único lugar para manter contexto, progresso, bloqueios, resultados e revisão humana visíveis da solicitação até a entrega, qualquer que seja o runtime que produziu o diff.