GPT-6 Astra corta 35 minutos por tarefa: o relógio que trava a sua conta de mídia não é esse

A OpenAI publicou o GPT-6 Astra em 3 de setembro de 2026, e a cobertura em português saiu no dia seguinte, no Mobile Time. O número que a empresa colocou na frente do lançamento não foi acerto, foi tempo: o modelo fecha uma tarefa de computador em 40 minutos, contra 75 minutos do GPT-5.6 Sol.

O que muda objetivamente

Quatro números sustentam o anúncio. No OSWorld 2.0, que mede uso de computador de verdade (abrir tela, clicar, preencher campo), o Astra marca 72,6% contra 65,7% do modelo anterior. O contexto sobe para 1 milhão de tokens. O preço fica em US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de saída, com o modo rápido dobrando os dois valores, segundo a análise de benchmarks da Vellum. Os testes de raciocínio saturaram: 98% no FrontierMath Tier 4 e 99,9% no ARC-AGI-3. A própria OpenAI pede que a comparação seja feita por custo de tarefa concluída, não por preço de token.

O que isso muda para quem roda e-commerce

Antes do relógio, olhe o número mais baixo da lista. Acertar 72,6% em uso de computador significa que 1 em cada 4 tarefas de tela falha. Em briefing de criativo, a falha custa um texto refeito. Em alteração de orçamento dentro do gerenciador, custa verba. Isso não é automação. É trabalho supervisionado, e supervisão tem custo que não aparece na tabela de preço por token. O limite é o mesmo que descrevemos em quando a IA piora a decisão de mídia.

Feita essa conta, o ganho do Astra é de relógio, e a sua operação tem dois relógios diferentes.

O primeiro relógio é seu: briefing de criativo, higiene de feed, conciliação de planilha de pedido, leitura de comentário de anúncio, montagem de relatório. São horas de gente. O corte de 47% medido no benchmark é o teto, não a média da sua rotina, e mesmo metade disso vira margem no mês seguinte.

O segundo relógio é da plataforma, e o Astra não encosta nele. Um conjunto da Meta precisa de 50 eventos de otimização em 7 dias para sair da fase de aprendizado. A janela de atribuição de 7 dias por clique leva 7 dias. O intervalo entre o clique e o pedido pago no seu checkout continua igual. Modelo nenhum encurta esses prazos, e é neles que a maior parte da sua verba está presa.

Três coisas para fazer nesta semana

1. Meça o seu relógio antes de comprar o modelo. Abra o gerenciador de anúncios da Meta, coluna Entrega, e conte quantos conjuntos ativos aparecem como "Em aprendizado" ou "Aprendizado limitado" nos últimos 30 dias. Gatilho de decisão: se mais da metade da verba está presa nesses dois status, o gargalo é volume de evento, não velocidade de análise, e trocar de modelo não move nada.

2. Rode a primeira tarefa onde o relógio é seu, que é o feed. No Google Merchant Center, vá em Produtos, filtre por "Reprovado" e "Aprovado com restrições" e exporte a lista. Peça ao modelo título e atributo faltante em lote, suba por feed suplementar e meça a taxa de produtos ativos 48 horas depois. Gatilho: se não subir pelo menos 10 pontos, o problema é política do Merchant e não texto. O caminho completo está no diagnóstico de rejeições do Merchant Center.

3. Fixe o custo por tarefa concluída, não por token. Pegue 10 tarefas reais da semana passada, cronometre em horas de gente e multiplique pelo custo da hora. Compare com o custo em tokens somado ao retrabalho de 1 em cada 4 tentativas. Gatilho: se a economia não cobrir refazer um quarto das tarefas, a troca de ferramenta espera. A separação entre o que a máquina fecha sozinha e o que exige gestor está em o que a IA automatiza em mídia paga.

O que ignorar do anúncio

Os 98% no FrontierMath e os 99,9% no ARC-AGI-3 não têm relação com conta de mídia. Nenhuma decisão de verba no seu e-commerce depende de matemática de fronteira. O benchmark que interessa é o de 72,6%, justamente o mais baixo da lista. Ignore também o calendário: o acesso saiu primeiro para organizações selecionadas e só depois entra nos planos Plus, Pro, Business e Enterprise. Anúncio não é disponibilidade, e quem estruturou processo contando com a data vai esperar sentado.

O modelo ficou 35 minutos mais rápido por tarefa. A fase de aprendizado da Meta continua com os mesmos 7 dias.