A OpenAI apresentou em 17 de julho de 2026 uma nova forma de medir o retorno da IA. Em vez de contar usuários ou licenças, ela propõe medir o trabalho concluído. Além disso, cria um conceito central: inteligência útil por dólar. Portanto, o foco muda do preço do processamento para o valor entregue.
A queda silenciosa da métrica de licenças contratadas
Durante anos, as empresas mediram adoção por números fáceis. Por exemplo, quantidade de usuários ou de licenças ativas. No entanto, esses números dizem pouco sobre resultado. A OpenAI defende outra lógica. Assim, a pergunta deixa de ser quantas pessoas usam e passa a ser quanto trabalho foi feito.
A mesma discussão sobre como medir a IA corporativa aparece no texto sobre a demonstração do Astra pela OpenAI em Washington.
Sobre esse ponto, o texto GEO e Algorithmic Authority: a diferença entre a prática e o resultado trata o mesmo tema sob outro ângulo.
No Brasil, a adoção ainda é pequena demais para ser o único indicador. A TIC Empresas 2025, do Cetic.br/NIC.br, mostrou que o uso de IA nas empresas brasileiras com 10 ou mais pessoas ocupadas subiu de 13% em 2024 para 17% em 2025, e chegou a 50% entre as grandes. Contar quem usa diz pouco; a pergunta da OpenAI é quanto essas empresas entregam com o que já usam.
Licença ativa mede acesso, e o orçamento de IA passa a ser defendido pelo trabalho concluído. A proposta que a OpenAI apresentou em 17 de julho de 2026 troca a contagem de usuários pela inteligência útil por dólar, conta que soma processamento, revisão humana, correções e retrabalho até a entrega confiável. Um painel cheio de licenças e sem nenhuma tarefa com critério de conclusão deixa o gestor sem resposta quando a diretoria perguntar pelo retorno. O primeiro ajuste cabe numa reunião: escolher uma tarefa e escrever o que significa concluí-la.
Inteligência útil por dólar: a conta que realmente importa
Aqui está o conceito central. A ideia mede a relação entre o valor produzido e o custo para chegar a um resultado confiável. Ou seja, conta o esforço total até a entrega. Segundo a empresa, isso inclui processamento, revisão humana, correções e retrabalho. Dessa forma, o cálculo reflete o custo real de ponta a ponta.
O preço do modelo é uma das parcelas dessa conta, e o efeito de uma queda nele aparece no texto sobre o corte de 75% no custo do Claude Haiku.
Ethan Mollick, da Wharton, mostra o outro lado da conta de custo total: a revisão humana muda de natureza e continua na tarefa. Quem mede inteligência útil por dólar precisa orçar esse julgamento dentro do custo, porque é ele que decide se o resultado pode ser usado.
“Esses especialistas e consultorias não vão desaparecer. Se algo muda, é que o julgamento deles se torna mais decisivo à medida que passam de executar o trabalho para orquestrar e validar o trabalho dos sistemas de IA.”
Ethan Mollick, professor associado da Wharton School, da Universidade da Pensilvânia, em The End of Search, The Beginning of Research (One Useful Thing) (2025). Tradução livre.
O primeiro passo é escolher uma tarefa clara. Depois, define o que significa concluir essa tarefa com sucesso. Por exemplo, para atendimento, pode ser resolver o problema do cliente. Em engenharia, pode ser aprovar uma alteração de código em testes. Já no jurídico, pode ser revisar um contrato dentro do prazo.
Sobre esse ponto, o texto Google AI Overviews atinge 1 bilhao de usuarios: o que isso significa para o SEO detalha o que isso significa para o SEO.
Por que o modelo mais barato pode sair caro
Aqui mora a virada de chave. Um modelo barato pode exigir várias tentativas. Além disso, pode pedir mais revisões humanas e mais tempo. Enquanto isso, um modelo avançado às vezes resolve tudo em uma única execução. Portanto, o barato no token pode ficar caro no total.
O indicador que importa é o custo total para concluir a tarefa com qualidade suficiente.
Sol, Terra e Luna: a IA vira escolha por tarefa
A OpenAI também citou o GPT 5.6. Ele chega em três níveis. Sol entrega a maior capacidade. Terra busca o equilíbrio entre desempenho e custo. Luna prioriza velocidade e economia. Assim, a empresa sugere escolher o modelo pela eficiência na tarefa. Ou seja, tarefa simples pede modelo rápido, tarefa complexa pede mais raciocínio.
Sobre esse ponto, o texto A Anatomia de um Prompt de Busca: Como os usuários estão perguntando coisas à IA em 2026 detalha como os usuários estão perguntando coisas à IA em 2026.
| Nível do GPT 5.6 | Prioridade | Uso indicado |
|---|---|---|
| Sol | Maior capacidade | Tarefas complexas e de raciocínio pesado |
| Terra | Equilíbrio entre desempenho e custo | Uso geral do dia a dia |
| Luna | Velocidade e economia | Tarefas simples e de alto volume |
Confiança vira métrica, e não promessa
A confiabilidade aparece como pilar. Segundo a OpenAI, a adoção avança em etapas. Primeiro, a IA ajuda a redigir conteúdo. Depois, passa a analisar informações. Por fim, executa etapas de processos sob supervisão. Para medir isso, a empresa sugere acompanhar três saídas. São elas: entregas prontas, respostas que pedem ajuste e casos em que a pessoa assume a conclusão.
Ainda assim, escala pede limite. A empresa afirma que a expansão exige regras claras. Por exemplo, quais dados a IA acessa e quando um humano precisa aprovar. Dessa forma, o ganho de produtividade convive com segurança e controle.
O que a nova régua da OpenAI muda para o GEO
Agora vem o ponto para quem produz conteúdo. Se o valor da IA está no resultado, a qualidade da fonte pesa mais. Afinal, respostas confiáveis dependem de conteúdo confiável. Por isso, marcas que estruturam bem seu conteúdo ganham espaço nas respostas geradas por IA. Em outras palavras, o GEO deixa de ser detalhe e vira parte do retorno.
Medir a presença da marca nessa fonte ainda é exceção. Segundo a McKinsey (outubro de 2025), apenas 16% das marcas acompanham de forma sistemática seu desempenho na busca com IA. A régua de resultado vale também para o marketing: citação medida é resultado, e presença presumida é só licença contratada.
Pouca gente faz essa conta no conteúdo. Segundo a McKinsey, em estudo de outubro de 2025, apenas 16% das marcas acompanham de forma sistemática seu desempenho na busca com IA. Aplicar a régua da OpenAI ao próprio conteúdo começa por medir se ele aparece nas respostas, antes de calcular quanto custa cada resposta confiável.
A lógica fecha o ciclo. Quanto melhor o conteúdo, menos correção a IA exige. Assim, cai o custo por resultado e sobe a inteligência útil por dólar. Portanto, investir em conteúdo claro e citável vira decisão de eficiência, além de marketing.
A régua da IA está mudando. O mercado sai da contagem de usuários e entra na conta do valor entregue. Para marcas e profissionais, a vantagem vai para quem transforma cada dólar em resultado real. E isso começa no conteúdo.
Sobre esse ponto, o texto ChatGPT atingiu 1 bilhão de usuários em 3 anos. trata o mesmo tema sob outro ângulo.
A Brasil GEO presta consultoria de Generative Engine Optimization, a otimização de conteúdo para mecanismos generativos, e foi a primeira consultoria brasileira dedicada à disciplina. Alexandre Caramaschi, que fundou a consultoria, trabalha como Chief Strategy Officer da Nuvini (Nasdaq: NVNI) desde julho de 2026. Alexandre Caramaschi, por sua vez, lidera a Brasil GEO e é um dos cofundadores da NAIA e da AI Brasil.
Leitura essencial sobre o tema no blog: OpenAI lanca SearchGPT: a busca por IA que pode substituir o Google.
