Fable e o fim do almoço grátis
À medida que modelos de IA de fronteira como Fable da Anthropic e Sol da OpenAI ficam mais inteligentes, mas também mais caros e fortemente protegidos, muitos desenvolvedores estão migrando para alternativas mais baratas e “boas o suficiente”, como DeepSeek, GLM e outros modelos abertos ou de baixo custo. Os comentaristas debatem se estamos nos aproximando de um platô nas capacidades da IA — em que os ganhos vêm principalmente de custo e eficiência, e não de inteligência bruta — ou ainda numa fase de rápida melhoria, com o valor futuro mudando para modelos especializados, melhor tooling e harnesses que escolhem automaticamente o modelo certo para cada tarefa. O debate também destaca fricções práticas: sistemas de segurança excessivamente zelosos, saídas prolixas e cognitivamente pesadas, e incerteza sobre quem acabará capturando o valor econômico em um mercado em que modelos poderosos se comoditizam rapidamente.
Custo versus capacidade e inteligência “suficientemente boa”
- Muitos veem a verdadeira mudança em modelos baratos e “bons o suficiente” (Deepseek v4 Flash, GPT 5.6 Luna, muse/mimo, GLM, Qwen, etc.) que são rápidos e baratos, suficientes para programação rotineira e ajuda cotidiana.
- Outros argumentam que os últimos 10–20% de capacidade dos modelos de fronteira (Fable, Sol, nível Opus) são desproporcionalmente valiosos: melhor arquitetura, menos bugs, maior autonomia e percepção estratégica mais forte.
- Alguns usuários misturam níveis: usam os melhores modelos para planejamento, design e revisão; passam a implementação ou exemplos para modelos mais baratos. Há discordância sobre se isso realmente reduz custos quando se inclui o contexto e a sobrecarga de revisão.
Estamos chegando a uma curva em S?
- Um grupo acha que a inteligência dos LLMs está atingindo retornos decrescentes; os novos modelos de fronteira parecem apenas marginalmente mais inteligentes do que gerações anteriores de Opus/Claude, e os benchmarks parecem “manipulados”.
- Outros respondem que as capacidades ainda estão melhorando rapidamente (por exemplo, matemática, raciocínio, voz), e que as alegações de platô já se mostraram erradas repetidas vezes. Para alguns, as evidências de nivelamento são “incertas”.
AGI, cérebros humanos e impacto econômico
- Debate sobre se o escalonamento de LLMs somado a melhor treinamento pode alcançar inteligência “sobre-humana” ou nível AGI, versus a necessidade de arquiteturas parecidas com cérebros ou diferentes.
- Alguns argumentam que os LLMs já exibem capacidades “polihumanas” ou super-humanas em domínios específicos (provas matemáticas, análise de código); críticos respondem que eles carecem de compreensão verdadeira e aprendizado online, e falham no básico, como fusos horários.
- Discordância sobre quem “vence” economicamente: acionistas dos primeiros laboratórios de AGI, fabricantes de chips/ASICs, fabricantes de robôs ou a sociedade por meio de serviços mais baratos. Alguns observam alta competição e provável comoditização.
Guardrails, censura e usabilidade
- Forte frustração com as salvaguardas de Fable/Opus: checagens de segurança acionadas com frequência sem necessidade, rebaixamentos e recusas (incluindo genética benigna, culinária ou identificação de imagens).
- Modelos alinhados aos EUA são vistos por alguns como mais restritivos do que modelos abertos chineses; outros alertam que hardware poderoso pode ficar restrito a hyperscalers, limitando a liberdade de auto-hospedagem.
Hardware, lei de Moore e silício especializado
- Discordância sobre a analogia com a lei de Moore: a contagem de transistores continuou subindo, mas o desempenho de thread única estagnou, forçando eficiência e paralelismo — visto como paralelo ao escalonamento de LLMs versus custo de treinamento.
- Muitos esperam mais barato/rápido com silício personalizado (Cerebras, Etched, ASICs, chips de dataflow, modelos de 1 bit) e, no fim, modelos de porte médio com milhões de tokens por segundo; outros duvidam de uma barateação dramática e citam os custos de inferência.
Fluxos de trabalho de desenvolvedores e uso no mundo real
- Uso intenso de LLMs como programadores em dupla, revisores de especificações e assistentes de voz; alguns dizem que um Opus de sempre já seria “suficiente” para suas vidas.
- Outros relatam que Fable ainda é “burro” sem supervisão rígida, excessivamente verboso, lento e propenso a loops de autoverificação, tornando modelos mais baratos ou rivais mais atraentes.