Melhores modelos para agentes de IA usarem o computador em 2026

GPT-5.6 Sol é o melhor modelo geral para agentes de IA que usam o computador em 2026, mas seu custo normalizado, considerando apenas o modelo, é de $0.40 em uma tarefa que contabiliza 50,000 tokens de entrada e 5,000 tokens de saída. Na mesma carga de tokens, Gemini 3.7 Flash custa $0.05625, enquanto DeepSeek V4-Flash-Vision-Exp fica entre $0.0143 e $0.0286. Escolha a rota que reduz o custo por conclusão aceita, não aquela que exibe o menor preço por token.

Os melhores modelos para agentes de IA, de relance

As quatro rotas abaixo resolvem necessidades diferentes de uso do computador. GPT-5.6 Sol, Claude Opus 5 e Gemini 3.7 Flash oferecem uma ferramenta de uso do computador com um ciclo de ações definido. DeepSeek V4-Flash-Vision-Exp fornece o modelo visual e chamadas genéricas de ferramentas, mas cabe à sua aplicação definir as ações no computador, o executor, as aprovações e a lógica de recuperação.

Os preços foram verificados em 22 de agosto de 2026. “Preço inicial” significa o valor de tabela da API direta por milhão de tokens, apresentado como entrada/saída. Salvo indicação em contrário, não inclui hospedagem do executor, tarifas de ferramentas, novas tentativas nem revisão humana.

O ranking:

1. GPT-5.6 Sol é a melhor escolha geral quando uma ação malsucedida sai caro e você busca o resultado mais forte divulgado para uso do computador entre estas opções.
2. Claude Opus 5 é a melhor escolha de controle corporativo quando a estrutura do navegador, a confirmação automática diante de prompt injection, o tratamento de dados ou a elegibilidade para cargas reguladas importam mais do que a liderança em benchmark.
3. Gemini 3.7 Flash oferece o melhor custo-benefício entre as rotas nativas para automação reversível em navegador, celular e desktop. O modelo está GA, mas Computer Use continua em Preview.
4. DeepSeek V4-Flash-Vision-Exp estabelece o piso de custo para uma equipe técnica que já possui executor e stack de avaliação. É um núcleo visual experimental, não um sistema pronto de uso do computador.

Ninguém deveria comprar um modelo para uso do computador só porque ele reconhece um botão em uma captura de tela. Um agente em produção precisa interpretar o estado, propor uma ação permitida, executá-la em um ambiente isolado, observar o resultado, recuperar-se de erros e aguardar aprovação antes de gerar consequências. O “melhor modelo” é a rota que completa todo esse ciclo com o menor risco aceitável.

O veredito em um minuto

Escolha GPT-5.6 Sol primeiro para trabalhos de alto valor em que um estado ignorado, uma coordenada errada ou uma recuperação malsucedida pode consumir vários minutos de um operador. A OpenAI informa um resultado de 62.6% no OSWorld 2.0 para o Sol. É uma evidência de benchmark divulgada pelo fornecedor, não uma promessa de que seu CRM, portal de sinistros ou aplicativo de desktop terá o mesmo comportamento, mas é o número mais forte de uso do computador publicado entre estas quatro rotas atuais.

Escolha Claude Opus 5 quando a camada de controle fizer parte da compra. O conjunto atual da Anthropic oferece 17 ações no lado do cliente, pode agrupar várias ações em um único turno, adiciona uma ferramenta específica para navegador que lê a estrutura da página e verifica automaticamente capturas de tela em busca de suspeitas de prompt injection. Computer use agora está GA na Claude API, eliminando uma objeção relevante de aquisição, embora sua aplicação continue responsável pelo ambiente e pela execução das ações.

Escolha Gemini 3.7 Flash para um fluxo reversível em que um esquema nativo de ações seja importante e o custo precise permanecer próximo do piso. Na carga usada aqui, seu custo normalizado de tokens é muito inferior ao do Sol. A Google também expõe a intenção da ação e as decisões de segurança, sinais úteis para aprovação e registro. A ressalva é o status: Gemini 3.7 Flash está GA, mas o recurso Computer Use permanece em Preview, e a Google desaconselha o uso sensível ou irreversível sem supervisão próxima.

Escolha DeepSeek V4-Flash-Vision-Exp apenas se “construir o plano de controle que falta” soar como uma vantagem. Mesmo no pico, seu preço por token continua abaixo da tarifa Standard atual do Gemini, e 100 capturas de tela no tamanho máximo custam no máximo $0.016896 no horário de pico, antes de texto e saída. O preço baixo é relevante. A ausência de uma ferramenta própria de ações no computador também. Uma equipe sem uma estrutura de navegador ou desktop deve tratar a engenharia e a segurança como o produto, não como uma etapa de configuração.

O teste dos 22 segundos: por que preço por token não é custo por tarefa

Um agente baseado em capturas de tela funciona em ciclo, não em uma única inferência. A aplicação envia a captura e o estado. O modelo devolve uma ação ou um pequeno lote de ações. Seu executor realiza a ação. A aplicação registra o novo estado e consulta o modelo novamente. Cada turno pode acrescentar tokens de imagem, definições de ferramentas, resultados de ações, latência e mais uma possibilidade de recuperação.

Por isso, o preço de entrada divulgado por um modelo é apenas o piso. A métrica de compra é:

Custo por tarefa aceita = tokens do modelo + tarifas de ferramentas + tempo de execução + revisão humana + novas tentativas, dividido pelas conclusões aceitas.

“Aceita” é a palavra-chave. A tarefa não está concluída só porque o modelo afirma que terminou. A saída precisa passar por uma verificação determinística ou por um padrão humano previamente definido. Em preenchimento de formulários, isso pode significar que todos os campos correspondem ao registro de origem e que o envio final continua bloqueado até a aprovação. Em QA visual, pode significar que o fluxo-alvo foi concluído, o elemento esperado apareceu e a captura comprobatória foi preservada.

Para tornar os preços de API comparáveis, use uma tarefa normalizada com 50,000 tokens totais de entrada contabilizados e 5,000 tokens de saída. A cota de entrada inclui capturas de tela, definições de ferramentas, estados anteriores e resultados. Ela não prevê todos os fluxos; serve como uma régua comum.

• GPT-5.6 Sol custa $0.40 em tokens do modelo.
• Claude Opus 5 custa $0.375.
• Gemini 3.7 Flash Standard Paid custa $0.05625 até 31 de dezembro de 2026.
• DeepSeek V4-Flash-Vision-Exp custa $0.0143 fora do pico ou $0.0286 no pico para entrada sem cache.

Em 1,000 tarefas enviadas, esses pisos passam a ser $400 para Sol, $375 para Opus 5, $56.25 para Gemini e de $14.30 a $28.60 para DeepSeek. Os valores não incluem o executor nem cobranças específicas de ferramentas do fornecedor. Também pressupõem a mesma carga de tokens contabilizados, não a mesma taxa de sucesso.

Agora acrescente o trabalho humano. Com um custo integral de operador de $60 por hora, um minuto custa $1. O prêmio de $0.3714 do Sol em relação à tarifa de pico do DeepSeek equivale a 22.284 segundos de trabalho. O prêmio do Claude equivale a 20.784 segundos. O do Gemini, a 1.659 segundos.

Esse é o teste dos 22 segundos: se o Sol evitar 22 segundos de revisão, retrabalho ou recuperação de um ciclo malsucedido por tarefa enviada, ele elimina seu prêmio de tokens sobre o preço de pico do DeepSeek. Em 1,000 tarefas, o Sol custa $371.40 a mais em tokens do modelo e precisa poupar cerca de 6.19 horas de operador para empatar. Uma única intervenção costuma demorar mais quando alguém precisa abrir o log, entender o estado, corrigir o problema e reiniciar a execução.

O teste não prova que o Sol poupará esse tempo. Ele mostra o que sua avaliação precisa medir. Um resultado de benchmark pode justificar um piloto. Só o registro do tempo de recuperação pode justificar o orçamento.

Os extras específicos de cada fornecedor alteram o piso:

• Se uma tarefa da OpenAI gerar 20 chamadas faturáveis da ferramenta de computador, o preço atual de $2.50 por 1,000 chamadas acrescenta $0.05 antes da hospedagem do executor.
• O conjunto padrão de ferramentas de computador do Claude Opus 5 adiciona cerca de 4,520 tokens de entrada a uma solicitação sem cache, equivalentes a $0.0226 na tarifa-base de entrada. Os aproximadamente 6,610 tokens do conjunto de ferramentas do navegador equivalem a $0.03305. O prompt caching pode reduzir a sobrecarga recorrente, mas consulte o uso contabilizado em vez de presumir que todos os turnos aproveitaram o cache.
• O Gemini cobra Computer Use nas tarifas normais de tokens do modelo selecionado, incluindo tokens de saída e de raciocínio. Uma deliberação longa pode fazer o lado da saída superar a régua simples de 5,000 tokens.
• O DeepSeek limita cada imagem a 384 tokens de entrada, mas o esquema de ações personalizado, as respostas do executor, as novas tentativas e as verificações de segurança ainda geram custos e trabalho de engenharia fora dessa linha.

Para rotear por preço de forma mais ampla, a comparação das APIs de IA mais baratas cobre modelos que não precisam operar uma tela. O uso do computador merece um orçamento próprio porque capturas, transições de estado e recuperações se acumulam a cada turno.

1. GPT-5.6 Sol: melhor opção geral quando as falhas custam caro

GPT-5.6 Sol é o modelo multimodal de fronteira da OpenAI e o melhor ponto de partida geral quando as falhas no uso do computador geram um custo relevante de recuperação. O alias gpt-5.6 direciona para o Sol, e o modelo aceita imagens como entrada, oferece uma janela de contexto de 1,050,000 tokens e pode usar a ferramenta computer atual da Responses API.

A OpenAI informa 62.6% no OSWorld 2.0 para o Sol, ante 50.2% para o Terra e 45.6% para o Luna. O OSWorld mede um agente operando softwares de desktop, o que se aproxima mais desta decisão de compra que um benchmark geral de chat. Ainda assim, o resultado veio do ambiente de avaliação da OpenAI. Use-o como motivo para incluir o Sol no piloto, não como permissão para dispensar seus próprios testes de aceitação.

Onde o Sol se destaca

O ponto mais útil da integração atual da OpenAI é a flexibilidade. O modelo pode analisar capturas de tela e devolver ações de computador pela ferramenta integrada, ou trabalhar com ferramentas personalizadas e uma estrutura de execução de código. Assim, uma equipe técnica pode começar com um navegador Playwright e migrar para uma máquina virtual completa quando o fluxo alcançar aplicativos nativos de desktop.

O guia atual também coloca a camada de segurança na prioridade certa. Ele recomenda um navegador ou uma VM isolada, um ambiente herdado vazio, extensões e acesso ao sistema de arquivos local desativados quando possível, além de aprovação explícita para ações com consequências. Também orienta o agente a parar quando o conteúdo na tela se parecer com prompt injection. Essas são instruções de implementação, não proteções automáticas, mas conduzem o piloto a uma configuração inicial mais segura.

O caso de uso mais forte é um fluxo valioso, reversível e com interfaces confusas. Pense em uma equipe financeira de médio porte que precisa coletar dados em três portais web, conciliá-los com um registro de origem e preparar um lançamento para aprovação. O prêmio do Sol faz sentido se o acompanhamento de estado e a recuperação mais robustos evitarem até uma pequena parcela da limpeza manual. Faz menos sentido em um formulário simples, cujos controles nunca mudam e cujos dados poderiam ser enviados por API.

A tabela de preços da OpenAI

A OpenAI oferece três níveis atuais do GPT-5.6 compatíveis com uso do computador:

• GPT-5.6 Sol: $5.00 por milhão de tokens de entrada, $0.50 por milhão de tokens de entrada em cache e $30.00 por milhão de tokens de saída.
• GPT-5.6 Terra: $2.00 por milhão de tokens de entrada, $0.20 por milhão de tokens de entrada em cache e $12.00 por milhão de tokens de saída.
• GPT-5.6 Luna: $0.20 por milhão de tokens de entrada, $0.02 por milhão de tokens de entrada em cache e $1.20 por milhão de tokens de saída.

A ferramenta de computador pode acrescentar $2.50 por 1,000 chamadas faturáveis, enquanto os tokens consumidos por ferramentas integradas são cobrados na tarifa do modelo selecionado. O Sol não possui um nível gratuito compatível na API.

A família forma uma escada útil de roteamento. Estabeleça o teto de qualidade com o Sol. Execute novamente o mesmo conjunto de tarefas aceitas no Terra. Transfira uma classe de tarefa para o Terra apenas quando seu perfil de conclusão e revisão continuar dentro do limite. O Luna é um executor muito mais barato, mas seu resultado no OSWorld divulgado pelo fornecedor é menor. Ele deve assumir trabalhos delimitados e reversíveis depois que a regra de aceitação estiver comprovada, e não virar o padrão só porque seus tokens de entrada custam muito menos que os do Sol.

Um piloto seguro com Sol

1. 1

   Escolha um fluxo bem delimitado

   Selecione uma tarefa com estado inicial claro, verificação determinística de conclusão e nenhuma ação irreversível antes da aprovação. Bons candidatos incluem QA de navegador, coleta de evidências e preparação de um registro para revisão. No primeiro teste, evite compras, exclusões, publicações ou envios.

2. 2

   Congele o ambiente

   Use um perfil de navegador, contêiner ou VM isolado. Remova variáveis de ambiente herdadas, desative extensões e o acesso ao sistema de arquivos local quando possível, restrinja os domínios aos permitidos e exponha apenas as credenciais necessárias para a tarefa.

3. 3

   Defina a aprovação antes da execução

   Registre quais ações sempre exigem uma pessoa, como enviar uma mensagem, aceitar termos, alterar dados da conta ou assumir um compromisso financeiro. O executor — não o texto produzido pelo modelo — impõe a pausa.

4. 4

   Registre o estado e a aceitação

   Preserve o estado inicial, cada captura de tela, a ação proposta, a ação executada, o resultado da ferramenta, a parada de segurança, o estado final e o resultado da aceitação. A mensagem final do modelo não é uma verificação de aceitação.

5. 5

   Só desça a rota depois que o Sol passar

   Use o Sol para estabelecer a referência possível de conclusão e revisão. Depois, compare Terra e Luna nas mesmas tarefas, no mesmo ambiente e sob as mesmas regras de aprovação. Mantenha o Sol como escalonamento para os formatos de tarefa que falharem nos níveis inferiores.

Ideal para: Trabalho de alto valor e várias etapas em navegador ou desktop, quando uma recuperação malsucedida sai caro.
Destaque: A OpenAI informa 62.6% no OSWorld 2.0, o resultado atual mais forte de uso do computador divulgado entre estas quatro rotas.
Preço: Sol $5/$30, Terra $2/$12 e Luna $0.20/$1.20 por milhão de tokens de entrada/saída, além das cobranças aplicáveis por chamadas de ferramenta.
Teste grátis: Não há nível gratuito compatível na API para o Sol.

Quem deve evitar: Não use o Sol como executor padrão quando houver uma API determinística, quando a tarefa for de baixo valor e extremamente repetitiva ou quando Terra, Luna ou Gemini atingir o mesmo limite de aceitação. Não pague a tarifa de fronteira para clicar em um controle estável que uma automação convencional pode acionar com mais segurança.

2. Claude Opus 5: melhor para trabalho corporativo governado em desktop

Claude Opus 5 é a melhor escolha quando a camada de controle do uso do computador importa tanto quanto a qualidade bruta do modelo. Em 20 de agosto de 2026, a Anthropic tornou o computer use geralmente disponível na Claude API e lançou uma nova ferramenta de uso do navegador. O computer_toolset_20260801 atual expõe 17 ferramentas no lado do cliente em uma única declaração e não exige cabeçalho beta.

A diferença entre uso do computador e uso do navegador é prática. O primeiro trabalha com capturas de tela e controla um desktop completo por ações de mouse e teclado. O segundo também lê a estrutura da página e atua sobre elementos específicos, sendo mais adequado quando o fluxo permanece em aplicações web. A estrutura pode facilitar a seleção de um campo ou botão em comparação com o uso apenas de coordenadas da tela.

As duas opções continuam sendo ferramentas de execução no lado do cliente. Claude não se conecta ao desktop por conta própria. Sua aplicação executa cada ação dentro de um contêiner, VM ou navegador controlado, devolve o resultado e chama o modelo novamente. No momento, computer use não está disponível dentro do Claude Managed Agents; portanto, quem espera que a Anthropic hospede toda a sessão de desktop escolheu a fronteira de produto errada.

Por que Claude é a escolha para governança

Claude pode devolver várias ações de computador em um único turno do modelo. Seu executor realiza essas ações em sequência e para na primeira falha. Isso pode eliminar turnos repetidos do modelo em uma sequência segura, como clicar, digitar e observar. Não justifica atravessar em lote um estado que precisa ser inspecionado. Se um clique puder abrir a conta errada, o agente deve observar o resultado antes de digitar.

A Anthropic também aplica classificadores às capturas de tela para identificar uma possível prompt injection e levar o modelo a pedir confirmação antes da ação seguinte. Clientes podem solicitar ao suporte a desativação, mas o padrão é útil em fluxos que navegam por páginas não confiáveis. O classificador é mais uma camada de defesa, não um substituto para listas de domínios permitidos, limites de credenciais ou aprovação no executor.

O tratamento dos dados está mais claro do que na fase beta. O cliente controla o armazenamento de capturas de tela, ações e arquivos, e a Anthropic afirma que o computer use se qualifica para retenção zero de dados. O recurso também é elegível para cargas reguladas pela HIPAA sob o BAA da Anthropic. A elegibilidade não torna uma aplicação compatível por si só, mas pode remover um bloqueio ligado ao modelo durante uma avaliação de compra na área da saúde.

Essa combinação serve a fluxos de sinistros, seguros, finanças ou operações em que o sistema precisa acessar um software sem API útil e o comprador exige evidências de cada ação. A Anthropic cita a Asteroid, cliente que informou redução de seu fluxo de sinistros mais longo de 32 minutos para 13 minutos, queda de cerca de 30% no custo da tarefa e 100% de conclusão sem mudanças no prompt. É um resultado atribuído a um cliente, não uma taxa esperada para uma nova implantação. Ele evidencia o efeito que vale medir: menos turnos no ciclo e uma seleção de alvos melhor podem mudar o custo operacional, e não apenas a pontuação do modelo.

A análise aprofundada do custo das múltiplas ações do Claude explica quando um lote de ações economiza dinheiro e quando a observação entre ações continua obrigatória.

A tabela de preços do Claude

O conjunto atual de ferramentas é compatível com Sonnet 5, Opus 5, Fable 5, Mythos 5 com disponibilidade limitada e Opus 4.8. A escala atual de modelos mais relevante é:

• Claude Sonnet 5: $2 por milhão de tokens-base de entrada e $10 por milhão de tokens de saída. Uma gravação em cache por 5 minutos custa $2.50, por 1 hora custa $4, e uma leitura do cache custa $0.20 por milhão de tokens.
• Claude Opus 5: $5 por milhão de tokens-base de entrada e $25 por milhão de tokens de saída. Uma gravação em cache por 5 minutos custa $6.25, por 1 hora custa $10, e uma leitura do cache custa $0.50 por milhão de tokens.
• Claude Fable 5 e Claude Mythos 5: $10 por milhão de tokens-base de entrada e $50 por milhão de tokens de saída. Mythos 5 tem disponibilidade limitada.
• Modo Fast do Opus 5: $10 por milhão de tokens de entrada e $50 por milhão de tokens de saída.
• Opus 5 Batch: $2.50 por milhão de tokens de entrada e $12.50 por milhão de tokens de saída. Batch é útil para trabalho assíncrono do modelo, mas um ciclo interativo de uso do computador ainda precisa observar e agir em sequência.

Novos usuários da API recebem uma quantidade pequena e não especificada de créditos gratuitos. Para uma avaliação estendida, a Anthropic orienta compradores corporativos a procurar a equipe de vendas.

A linha oculta é a sobrecarga das definições de ferramentas. O conjunto padrão de ferramentas de computador adiciona cerca de 4,520 tokens de entrada no Opus 5 e 4,590 no Sonnet 5 a uma solicitação. Desativar o zoom elimina aproximadamente 410 tokens. O conjunto de ferramentas do navegador é maior: adiciona cerca de 6,610 tokens no Opus 5 e 6,670 no Sonnet 5, enquanto habilitar todos os quatro componentes opcionais do navegador soma aproximadamente 880 tokens.

Na tarifa-base de entrada do Opus 5, um conjunto padrão de ferramentas de computador sem cache custa cerca de $0.0226 antes da captura de tela, do contexto da tarefa, do resultado da ação ou da saída. O conjunto de ferramentas do navegador custa cerca de $0.03305 na mesma base. Uma tarefa curta pode gastar mais para declarar a superfície de controle disponível do que com seus dados de negócio. Armazene em cache as instruções e definições de ferramentas estáveis quando o fluxo permitir, desative os componentes que não usa e confie no uso contabilizado da resposta, não em uma estimativa.

Ideal para: Fluxos corporativos em navegador e desktop que exigem controles explícitos, evidências para auditoria e um caminho de migração compatível.
Destaque: Computer use GA com 17 ações no lado do cliente, lotes sequenciais de ações e uma ferramenta separada para navegador que reconhece a estrutura da página.
Preço: Sonnet 5 $2/$10, Opus 5 $5/$25 e Fable 5 ou Mythos 5 limitado $10/$50 por milhão de tokens-base de entrada/saída.
Teste grátis: Pequenos créditos para novos usuários da API, sem valor informado; avaliações corporativas exigem contato com a equipe de vendas.

Quem deve evitar: Evite o uso de um desktop completo quando a tarefa ficar dentro de uma página web e o uso do navegador for suficiente. Evite ambos quando houver uma API estável. Quem busca apenas o ciclo de interface reversível mais barato deve começar pelo Gemini; quem já controla toda a estrutura de ações deve calcular o preço do DeepSeek como núcleo do modelo.

3. Gemini 3.7 Flash: melhor custo-benefício no uso nativo do computador

Gemini 3.7 Flash é o modelo recomendado pela Google para Computer Use e a opção de melhor custo-benefício desta lista com um ciclo de ações definido pelo fornecedor. O modelo está GA, com janela de contexto de 1 milhão de tokens e saída máxima de 64,000 tokens. Computer Use continua em Preview.

A Google oferece três ambientes-alvo: navegador, celular e desktop. A aplicação envia o prompt, o ambiente e a captura de tela. Gemini devolve uma chamada de função para uma ação de interface. Seu cliente ajusta a escala das coordenadas, executa a ação, captura a nova tela e a envia de volta. Uma VM ou um contêiner seguro e um manipulador de ações no lado do cliente continuam necessários; os exemplos da Google usam Playwright.

O Gemini 3.x adiciona dois sinais especialmente úteis para uma camada de aprovação. Cada ação pode trazer uma intenção, uma explicação curta do motivo da escolha feita pelo modelo. Uma decisão de segurança separada pode classificar a ação como permitida, dependente de confirmação ou bloqueada. A intenção não prova que uma ação está correta, mas fornece ao mecanismo de políticas e ao revisor mais contexto que uma simples coordenada de clique.

O sistema de segurança pode ser configurado por categoria de política, e a detecção de prompt injection em capturas de tela é opcional. Isso torna o Gemini atraente para uma equipe de produto que esteja criando sua própria experiência de aprovação. A aplicação pode exibir, juntas, a ação proposta, a intenção do modelo, a decisão de política e a captura atual, exigindo uma pessoa apenas quando o risco do fluxo justificar.

Onde o Gemini faz sentido

Gemini é o primeiro piloto mais sensato para trabalhos reversíveis em diferentes ambientes. Uma equipe de produto mobile poderia usar a mesma rota de modelo para percorrer um fluxo de cadastro no navegador e em uma versão para celular, coletar capturas e sinalizar onde as jornadas divergem. Uma equipe de operações de suporte poderia usá-la para reunir informações públicas em sites aprovados e preparar um registro sem acionar o botão de envio final.

Na carga normalizada de tokens, o piso Standard Paid atual do Gemini é de $0.05625 por tarefa ou $56.25 por 1,000 tarefas. Ele custa $0.02765 a mais por tarefa que o DeepSeek no pico. A $60 por hora, o Gemini precisa poupar apenas 1.659 segundos de engenharia ou revisão para cobrir esse prêmio do modelo. Um esquema definido de ações, uma decisão de segurança ou a eliminação de um adaptador personalizado pode superar esse limite rapidamente.

O alerta está no status, não nas letras miúdas. A Google afirma que Computer Use pode conter erros e vulnerabilidades de segurança e desaconselha decisões críticas, dados sensíveis ou ações irreversíveis graves sem supervisão próxima. Um modelo GA não transforma uma ferramenta Preview em um recurso GA. Aquisição, análise de risco e escopo de lançamento devem considerar o status da ferramenta.

A tabela de preços do Gemini

A Google lista quatro modos de processamento para Gemini 3.7 Flash. Até 31 de dezembro de 2026:

• Standard: $0.75 por milhão de tokens de entrada, $3.75 por milhão de tokens de saída e $0.075 por milhão de tokens em cache.
• Batch: $0.375 por milhão de tokens de entrada, $1.875 por milhão de tokens de saída e $0.0375 por milhão de tokens em cache.
• Flex: $0.375 por milhão de tokens de entrada, $1.875 por milhão de tokens de saída e $0.0375 por milhão de tokens em cache.
• Priority: $1.35 por milhão de tokens de entrada, $6.75 por milhão de tokens de saída e $0.135 por milhão de tokens em cache.

A partir de 1 de janeiro de 2027, Standard passa para $1.50/$7.50, com $0.15 por entrada em cache. Batch e Flex passam para $0.75/$3.75, com $0.075 por entrada em cache. Priority passa para $2.70/$13.50, com $0.27 por entrada em cache.

O nível Standard Free do modelo oferece tokens gratuitos de entrada e saída, mas Computer Use não está disponível no nível Free. A Google cobra Computer Use como tokens normais do modelo na modalidade Paid. Essa distinção precisa constar em qualquer plano de teste: experimentar o modelo-base no AI Studio não equivale a testar gratuitamente o ciclo de uso do computador em produção.

Um agente interativo normalmente se preocupará mais com Standard ou Priority que com a economia assíncrona implícita no Batch. Flex pode ser atraente em trabalhos agendáveis quando o comportamento do serviço se encaixar no ciclo. Não copie o modo mais barato para um caso de negócio sem confirmar se o padrão de interação completo e a latência atendem à tarefa.

Ideal para: Automação reversível em navegador, celular e desktop que precisa de um esquema nativo de ações com baixo preço por token.
Destaque: Um modelo recomendado para três ambientes, com intenção da ação, políticas de segurança configuráveis, decisões de confirmação e detecção opcional de prompt injection.
Preço: Standard $0.75/$3.75 até 31 de dezembro de 2026; Batch e Flex $0.375/$1.875; Priority $1.35/$6.75 por milhão de tokens de entrada/saída.
Teste grátis: O modelo tem nível Free, mas Computer Use está disponível apenas na modalidade Paid.

Quem deve evitar: Evite Gemini Computer Use em um fluxo de produção regulado ou irreversível que não possa aceitar o risco de Preview. Evite também quando apenas o navegador não for suficiente e o ambiente de desktop-alvo não puder ser isolado. Se as falhas de qualidade consumirem mais que uma pequena parcela do tempo do operador, compare Sol e Claude antes de otimizar o preço dos tokens.

4. DeepSeek V4-Flash-Vision-Exp: melhor para estruturas personalizadas e econômicas

DeepSeek V4-Flash-Vision-Exp é o núcleo de modelo mais barato deste ranking e o produto menos completo para uso do computador. A DeepSeek lançou o modelo multimodal experimental em 21 de agosto de 2026 com o identificador exato de API deepseek-v4-flash-vision-exp.

O modelo aceita texto e imagens, oferece chamadas genéricas de ferramentas e funciona com as APIs Chat Completions e Responses compatíveis com OpenAI, além de uma interface compatível com Anthropic. Ele tem janela de contexto de 1 milhão de tokens, saída máxima de 384,000 tokens, modos com e sem raciocínio e um limite de concorrência informado de 2,500.

Esses são componentes úteis para um agente que usa o computador. Eles não formam uma ferramenta própria de ações no computador. A DeepSeek documenta como enviar capturas de tela e chamar ferramentas genéricas, mas não apresenta um esquema integrado de ações de navegador ou desktop, um executor, decisões de aprovação ou um ambiente operacional. Chamar o produto de núcleo de modelo é uma inferência editorial baseada nessa fronteira.

Na prática, sua equipe precisa definir ferramentas como clicar, digitar, rolar, capturar a tela, aguardar e pedir aprovação. Também precisa validar argumentos, mapear coordenadas, executar ações em um navegador ou VM isolado, devolver o novo estado, detectar ciclos, parar diante de erros e registrar tudo. Uma equipe madura de automação pode preferir esse controle. Uma equipe comprando seu primeiro agente para uso do computador deve contabilizá-lo como desenvolvimento de aplicação.

Por que o preço merece atenção

A DeepSeek precifica V4-Flash-Vision-Exp no mesmo cronograma de pico e fora de pico exibido para a rota Flash:

• Fora do pico: $0.007 por milhão de tokens de entrada encontrados no cache, $0.22 por milhão de tokens de entrada ausentes do cache e $0.66 por milhão de tokens de saída.
• Pico: $0.014 por milhão de tokens de entrada encontrados no cache, $0.44 por milhão de tokens de entrada ausentes do cache e $1.32 por milhão de tokens de saída.

Os horários de pico são 01:00 a 04:00 UTC e 06:00 a 10:00 UTC. Todos os outros horários ficam fora do pico. A partir de 23 de agosto de 2026 no horário de Pequim, as tarifas fora do pico valem durante todo o sábado e domingo, também no horário de Pequim.

A página de preços não anuncia nível gratuito nem teste. Ainda assim, o custo prático da avaliação é mínimo. Na carga normalizada de 50,000 tokens de entrada e 5,000 de saída, o modelo custa $0.0143 fora do pico ou $0.0286 no pico. Uma equipe pode executar um volume experimental considerável antes que os tokens se tornem a principal linha de custo. Isso não torna barato o desenvolvimento, a revisão ou uma ação ruim.

A regra de tokens de visão é especialmente clara. Imagens grandes são redimensionadas para um orçamento aproximado de 800 por 800 pixels, com cada imagem limitada a 384 tokens de entrada. Na tarifa de pico para entrada sem cache, 100 capturas de tela com o máximo de tokens custam no máximo $0.016896 em entrada de imagem. Fora do pico, custam $0.008448. Texto, saídas, histórico repetido, chamadas genéricas de ferramentas e novas tentativas ficam fora desse cálculo.

Esse limite é uma vantagem de custo e também uma restrição de percepção. Uma planilha densa, uma caixa de diálogo pequena ou um painel com várias colunas pode perder detalhes importantes quando comprimido para o orçamento de imagem do modelo. Envie um recorte focado ou use o caminho de detalhe original documentado quando necessário; depois, confira como o serviço redimensiona a imagem. Tokens de imagem baratos não garantem leitura precisa de textos minúsculos.

DeepSeek aceita JPEG, PNG, GIF e WebP. É possível enviar dados em base64, uma URL pública ou uma referência da Files API. O serviço aceita até 600 imagens por solicitação, no máximo 8,192 pixels de cada lado e 4,096 pixels de cada lado quando a solicitação contém 15 imagens ou mais. Imagens por base64 e URL podem ter até 32 MiB, imagens da Files API até 64 MiB, e o corpo da solicitação inline até 48 MiB.

Esses limites estão muito acima de um ciclo normal de capturas de tela; portanto, a barreira real não é a quantidade de uploads, e sim o plano de controle personalizado. A equipe precisa provar que seu esquema de ações, mapeamento de coordenadas, aprovações e lógica de recuperação produzem resultados aceitos. Um modelo capaz de enxergar um botão ainda não conquistou permissão para pressioná-lo.

Para uma comparação mais ampla de modelos, DeepSeek vs ChatGPT analisa os fornecedores além dos fluxos que operam telas.

Ideal para: Equipes experientes em agentes que buscam um núcleo visual barato dentro de sua própria estrutura de navegador ou desktop.
Destaque: Até 384 tokens de entrada por imagem e preço fora do pico de $0.22/$0.66 para entrada sem cache/saída.
Preço: $0.22/$0.66 fora do pico ou $0.44/$1.32 no pico por milhão de tokens de entrada sem cache/saída; leituras do cache custam $0.007 fora do pico ou $0.014 no pico.
Teste grátis: Nenhum nível gratuito ou teste anunciado na página de preços atual.

Quem deve evitar: Evite DeepSeek quando o comprador espera um ciclo de ações pronto, precisa de uma decisão de segurança definida pelo fornecedor ou não possui um executor isolado e um sistema de avaliação. Evite também tarefas com texto muito pequeno ou telas densas até que capturas focadas tenham passado por um teste visual representativo.

Qual modelo escolher em cada cenário

Um fundador com capital que queira automatizar pesquisas competitivas reversíveis deve começar pelo Gemini 3.7 Flash. Ele oferece o ciclo de ações, cobre ambientes de navegador e desktop e mantém o piso de custo do modelo baixo o bastante para uma avaliação ampla. A escolha muda para o Sol se a revisão e a recuperação de ciclos malsucedidos consumirem mais do que sugere o teste de prêmio de aproximadamente 22 segundos. Muda para Claude se conteúdo web não confiável e o desenho das aprovações se tornarem o desafio maior.

Um CTO de empresa de médio porte que transfira dados por uma aplicação regulada ou legada deve começar pelo Claude Opus 5 ou Sonnet 5. Computer use está GA na Claude API, classificadores de capturas podem pedir confirmação, o cliente controla o ambiente e o recurso se qualifica para ZDR. A elegibilidade HIPAA sob um BAA importa na análise do modelo, mas o fluxo ainda exige credenciais de privilégio mínimo, logs protegidos e uma pessoa antes do envio. Prefira o uso do navegador ao uso de um desktop completo quando todas as etapas ficarem em páginas web.

Um profissional sênior de operações que automatize um fluxo de desktop confuso e de alto valor deve começar pelo GPT-5.6 Sol. A liderança do Sol no OSWorld divulgada pelo fornecedor e o pequeno ponto de equilíbrio em trabalho humano justificam pagar primeiro pelo teto de qualidade. Depois de definir o nível de aceitação, direcione os formatos estáveis de tarefa para Terra, Luna ou Gemini. O erro é começar pelo nível mais barato e nunca descobrir quanto trabalho de recuperação um modelo mais forte poderia eliminar.

Um desenvolvedor técnico que já possua executor de ações, serviço de políticas e suíte de avaliação deve incluir DeepSeek V4-Flash-Vision-Exp. Nesse estágio de maturidade, o esquema personalizado de ações não é um projeto novo, e a tarifa fora do pico pode alterar o custo de grandes avaliações e cargas em lote. Mantenha uma rota mais forte para telas com texto pequeno, estados ambíguos e falhas recorrentes.

A decisão muda com quatro perguntas:

1. Existe uma API estável? Use-a. O controle de tela é a alternativa para interfaces sem um caminho programático confiável.
2. É possível reverter uma ação errada? Se não, exija aprovação e prefira uma rota cujo status, controles e processo de aquisição sejam compatíveis com a consequência.
3. Você já possui o executor? Se não, a economia de tokens do DeepSeek não compra uma solução completa.
4. Quantos segundos de revisão o prêmio elimina? Use os logs por tarefa aceita para escolher Sol, Claude, Gemini ou DeepSeek. Não decida apenas pela tabela de preços.

Como estes modelos foram escolhidos

Este ranking usa cinco critérios vinculados a uma decisão de compra:

• Completude no uso do computador: O fornecedor define um ciclo de ações ou oferece apenas visão e chamadas genéricas de ferramentas?
• Evidência atual: Existe um resultado relevante divulgado para uso do computador, um status de produto ou um detalhe de implementação que possa ser verificado hoje?
• Economia por tarefa aceita: Quanto custa uma carga comum de tokens e quanto tempo humano uma rota premium precisa poupar?
• Barreira de produção: O que continua sob responsabilidade do comprador, incluindo sandbox, trabalho no executor, aprovações, defesa contra prompt injection e registros?
• Durabilidade do preço: A tarifa é padrão, tem prazo limitado, varia por pico ou está ligada a um recurso Preview?

Os produtos foram comparados a partir da documentação, das páginas de preços, das páginas de modelos e de evidências nominais de casos dos fornecedores disponíveis em 22 de agosto de 2026. Eles não foram executados em uma estrutura de navegador compartilhada durante esta análise; portanto, esta página não apresenta um resultado de teste. O modelo de custos é uma análise original baseada nas tabelas de preços fixadas. O protocolo de 240 execuções abaixo mostra como um comprador pode produzir evidências específicas para seu fluxo.

Esta seleção abrange quatro rotas porque cada uma representa uma decisão de compra distinta: confiabilidade máxima, operação corporativa governada, elasticidade de baixo custo ou economia com stack personalizada. Cada opção incluída tem um diferencial atual, uma tabela de preços, um caminho de implementação e uma limitação apresentada com franqueza. Modelos mais antigos aparecem abaixo apenas onde um comprador ainda pode encontrá-los durante uma migração.

Nenhuma relação de afiliado influenciou este ranking, e nenhum parceiro comercial irrelevante foi inserido. A disponibilidade comercial não elevou nem rebaixou qualquer modelo.

Quais opções evitar

Evite OpenAI computer-use-preview em uma nova integração

O formato de solicitação GA atual da OpenAI usa um modelo GPT-5.5 ou mais recente com tools: [{ type: "computer" }]. O modelo antigo computer-use-preview e a ferramenta computer_use_preview têm outro formato de ações e exigem configurações legadas na solicitação. Mantenha-os apenas durante a migração de uma aplicação existente. Começar um novo projeto pelo caminho legado cria um trabalho que já se sabe que precisará ser substituído.

Evite Gemini 2.5 Computer Use Preview quando 3.7 estiver disponível

A Google classifica Gemini 2.5 Computer Use Preview como modelo legado. Ele custa $1.25 por milhão de tokens de entrada e $10 por milhão de tokens de saída com prompts de até 200,000 tokens, subindo para $2.50/$15 acima de 200,000. Gemini 3.7 Flash é o modelo recomendado pela Google para uso do computador e custa $0.75/$3.75 até 31 de dezembro de 2026. Mantenha o 2.5 apenas em uma dependência de compatibilidade que você tenha medido e ainda não possa remover.

Evite rotas DeepSeek somente de texto disfarçadas por um proxy de visão

Apenas deepseek-v4-flash-vision-exp aceita imagens na API oficial da DeepSeek. Outros modelos DeepSeek devolvem erro 400 para entrada de imagem. Um adaptador de terceiros pode pedir que outro modelo descreva a captura e encaminhar o texto ao DeepSeek, mas isso avalia uma stack de dois modelos, não o uso visual do computador pelo DeepSeek. Preço, latência, perda de informação e tratamento de dados mudam. Identifique o proxy como um componente separado ou use o modelo visual exato.

Evite qualquer agente de tela sem teste de aceitação

“O modelo chegou ao fim” não é um resultado de negócio. Um agente de navegador pode cair na conta errada, digitar no campo errado ou parar após uma mudança na página sem perceber a falha. Se a tarefa não tiver uma verificação determinística ou um padrão definido para o revisor, ela não está pronta para execução autônoma em nenhum destes modelos.

O checklist de produção que importa mais que o nome do modelo

O modelo é um componente dentro de um sistema controlado. Antes que o volume cresça, uma análise de produção deve responder:

• Ambiente: O navegador ou desktop está isolado do host, de contas pessoais, arquivos locais e credenciais não relacionadas?
• Alcance: Os domínios, aplicativos e ações permitidas estão restritos ao fluxo?
• Segredos: Cada tarefa recebe apenas o escopo de credenciais necessário, sem expor segredos em capturas ou logs?
• Consequências: Quais ações sempre exigem confirmação humana, e o executor impõe essa regra?
• Injection: O que acontece quando uma página, imagem, documento ou caixa de diálogo manda o agente ignorar sua tarefa?
• Estado: O sistema consegue comprovar em qual conta, registro, janela e etapa está antes de executar uma ação?
• Recuperação: Uma ação malsucedida interrompe o lote, preserva evidências e devolve estado suficiente para uma nova tentativa ou um escalonamento seguro?
• Aceitação: Qual verificação automática ou decisão do revisor marca a tarefa como concluída?
• Economia: Tokens do modelo, chamadas de ferramentas, tempo de execução, novas tentativas e segundos de revisão são registrados por conclusão aceita?
• Mudança: A equipe consegue repetir o mesmo conjunto de tarefas depois de uma alteração no snapshot do modelo, preço, navegador ou interface-alvo?

Trocar de modelo deveria ser uma operação comum. A interface de ações, a política de segurança, os logs e o teste de aceitação permanecem estáveis enquanto o modelo muda nos bastidores. Se mudar de fornecedor exigir reescrever todo o plano de controle, o sistema confundiu o formato de ferramenta de um fornecedor com sua própria arquitetura de produto.

A ação para segunda-feira: faça um comparativo de 240 execuções

Não programe um amplo “piloto de agente de IA”. Escolha uma classe de tarefas e tome uma decisão de roteamento na próxima semana. Use 20 tarefas representativas, as quatro rotas deste ranking e três tentativas por rota. O resultado será de 240 execuções. Três repetições bastam para revelar parte da sorte pontual sem fingir que a amostra é um benchmark universal.

1. 1

   Segunda-feira: congele a tarefa e a regra de aceitação

   Escolha 20 tarefas de um único fluxo, incluindo casos normais, estados com tela pequena, pop-ups, controles ambíguos e um teste seguro de prompt injection. Remova as ações finais irreversíveis. Registre a condição exata de aprovação e as situações que exigem revisão.

2. 2

   Terça-feira: mantenha o ambiente constante

   Execute todas as rotas no mesmo viewport, imagem de navegador ou VM, lista de domínios permitidos, estado inicial, escopo de credenciais, vocabulário de ações, limite de tempo e política de aprovação. Para DeepSeek, associe suas ferramentas personalizadas às mesmas ações subjacentes do executor usadas pelas rotas nativas.

3. 3

   Quarta-feira: colete o custo completo das execuções

   Registre entrada contabilizada, entrada em cache, saída, chamadas faturáveis de ferramentas, tempo do executor, tempo transcorrido, tentativas, paradas de segurança e segundos de revisão humana. Armazene o primeiro estado de falha e a evidência final aceita.

4. 4

   Quinta-feira: calcule o preço das conclusões aceitas

   Some o custo do modelo, as tarifas das ferramentas, o custo do executor, o trabalho do revisor na taxa horária combinada e o custo das novas tentativas. Divida pelas conclusões aceitas. Informe também a parcela aceita sem edições, aceita após correção, rejeitada com segurança e malsucedida de forma insegura.

5. 5

   Sexta-feira: direcione uma classe e preserve o escalonamento

   Escolha a rota mais barata que supere o limite de aceitação e segurança. Mantenha o modelo mais forte como escalonamento para ações repetidas, estados incertos, suspeita de prompt injection, falha de validação ou etapas de grande consequência. Registre o identificador do modelo e a data do preço para que a decisão possa ser repetida.

A ação de segunda-feira é pequena de propósito. Uma classe de tarefa medida cria uma linha de orçamento defensável. Uma demonstração ampla cria uma coleção de capturas de tela sem regra de roteamento.

Perguntas frequentes

Qual é a melhor IA para usar o computador?

GPT-5.6 Sol é o melhor ponto de partida geral quando as falhas custam caro, considerando o resultado divulgado de 62.6% no OSWorld 2.0 e o pequeno ponto de equilíbrio em trabalho humano de seu prêmio por token. Claude Opus 5 é a melhor rota corporativa governada, Gemini 3.7 Flash é a opção de valor, e DeepSeek V4-Flash-Vision-Exp atende equipes que já possuem a estrutura de ações.

Qual é a melhor IA multimodal?

Para uso do computador, o melhor modelo de IA multimodal é aquele que enxerga a interface-alvo com precisão suficiente, funciona com as camadas necessárias de ações e aprovações e minimiza o custo por conclusão aceita. Raciocínio visual, sozinho, não fornece um executor seguro, uma política de segurança ou uma verificação de conclusão.

Qual é o modelo de IA mais poderoso atualmente?

Nenhum benchmark isolado sustenta essa afirmação para todas as tarefas. A OpenAI informa 62.6% no OSWorld 2.0 para GPT-5.6 Sol, enquanto a Anthropic posiciona Opus 5 com força no uso do computador e a Google recomenda Gemini 3.7 Flash para sua ferramenta. Use essas divulgações para montar uma lista curta; depois, classifique os modelos por conclusões aceitas, tempo de recuperação e segurança dentro do seu próprio fluxo.

Baixe o Mapa de Ferramentas de IA para Donos de Negócios e transforme esta lista curta em um comparativo de uma semana para uso do computador.