Escolher quanto raciocínio pagar em cada tarefa

Esforço de raciocínio é o nível que define quanto o modelo pensa antes de responder, e esse pensamento entra na fatura como saída. Use esforço baixo em classificação, extração e chat, reserve o alto para código, agentes longos e análise, e meça hoje o mesmo prompt em dois níveis antes de pagar mais.

Em outubro de 2026, os modelos de topo raciocinam por padrão, e vários nem deixam desligar: no Claude Opus 5.5 e no Fable 5.1, pedir o pensamento desligado devolve erro 400, e o Grok 4.7 também não desliga. Sobra a decisão de quanto pensamento comprar em cada fluxo. Quem copia o nível mais alto para tudo paga mais por respostas que, em tarefa simples, não melhoram e às vezes pioram.

Como o botão de esforço mexe na qualidade e na conta

O esforço (effort, ou reasoning effort na OpenAI) é uma escala de níveis, de baixo a máximo, que diz ao modelo quanto vale pensar antes de escrever a resposta. Lembra a escolha entre resolver um assunto numa ligação de cinco minutos ou numa reunião de uma hora. Até 2025, o controle mais comum era um teto em tokens (pedaços de palavra que o modelo lê, escreve e cobra), como o budget_tokens do Claude e o thinking_budget do Gemini. Em 2026 ele virou categoria: o Claude devolve erro 400 para budget_tokens do 4.7 em diante, e o Google recomenda migrar para thinking_level sem misturar os dois na mesma chamada.

O nível afeta outros tokens além do pensamento. No Claude, o effort vale para todos os tokens de saída, inclusive texto e chamadas de ferramenta (pedidos que o modelo faz ao seu sistema, como consultar um estoque): esforço baixo gera menos chamadas e confirmações mais curtas. No Gemini, o preço da resposta soma tokens de saída e de pensamento, e o max_output_tokens conta os dois. No Grok, os reasoning_tokens também entram como saída. Por isso o mesmo botão mexe em custo e em latência (o tempo de espera pela resposta).

Saída custa mais que entrada. No Opus 5.5, o milhão de tokens de entrada sai a US$ 4 e o de saída a US$ 20, então mil tokens de pensamento a mais por chamada custam dois centavos de dólar; num fluxo de 100 mil chamadas por mês, viram US$ 2.000. A Anthropic resume o que fazer: baixar o effort reduz pensamento, custo e latência de forma mais confiável do que instruções no prompt.

Pensar demais (overthinking, gastar raciocínio além do que a tarefa pede) tem medição publicada desde o fim de 2024. Em fevereiro de 2025, Cuadron e colegas estudaram agentes que corrigem código e acharam três padrões: paralisia por análise, ações desgarradas do ambiente e desistência precoce. Quanto mais o agente pensava demais, pior ele resolvia a tarefa.

Em abril de 2026, outro estudo mostrou que os ganhos de mais pensamento diminuem muito nos orçamentos maiores e que o modelo, ao estender o raciocínio, chega a abandonar respostas que já tinha acertado. O comprimento ideal depende da dificuldade, e parar num orçamento moderado deu acerto parecido com menos computação. A própria Anthropic registra excesso de pensamento no Opus 4.6 e manda baixar o effort quando isso aparece.

Cada fornecedor dá nome, escala e padrão próprios ao botão, e o high de uma marca não equivale ao high de outra. Antes de mexer, descubra o padrão do modelo em uso: no Opus 5.5 e no GPT-6.1 Sol ele é medium, e o guia do Opus 5.5 manda começar ali e varrer os níveis nas suas avaliações (casos reais com a resposta certa anotada).

Quando baixar e quando subir

Esforço baixo rende quando a resposta cabe num formato fechado e a conferência é feita por regra: classificar chamados, extrair campos de documento, responder dúvida no chat. Nessas tarefas, o erro caro se resolve com esquema de saída e validação no código, e mais pensamento só aumenta a conta e o tempo.

Com muitos passos que dependem um do outro, o esforço alto se paga: escrever e corrigir código, agentes que trabalham por muito tempo, análise com contas encadeadas, parecer com várias condições. Mesmo nesses casos, a evidência de 2025 e 2026 pede medir, porque duas tentativas baratas com escolha da melhor chegaram perto do nível alto em agentes de código.

O procedimento abaixo compara o mesmo prompt em dois níveis, com tudo o mais idêntico, e cabe numa tarde. O exemplo usa triagem de chamados; a mesma estrutura vale para extração, resumo ou parecer.

Faça hoje

Escolha o fluxo de maior volume da equipe, separe 20 casos com gabarito e rode o mesmo prompt no nível atual e um degrau abaixo, com tudo o mais idêntico. Em 30 a 40 minutos você tem duas colunas de acerto, tokens de saída e tempo. Se o nível mais barato empata, mude a configuração hoje e anote a economia por mil chamadas; se ele perde, você passa a ter o número que justifica pagar pelo nível alto.