Corte de 17% no Claude Code expõe limites da cobrança por usuário

O aumento “permanente” de 25% no limite semanal do Claude Code dará aos usuários 17% menos capacidade que o reforço temporário ao qual ele sucede. Essa conta pouco intuitiva revela algo que uma licença de software por usuário não informa ao comprador: quanto trabalho um único desenvolvedor consegue colocar em andamento. Na programação autônoma, um só acesso pode disparar uma fila irregular de varreduras no repositório, chamadas de ferramentas, testes, novas tentativas e correções. O fornecedor precisa bancar essa carga, mesmo que a quantidade de usuários permaneça inalterada.

A licença por usuário agora esconde um compromisso de capacidade

Fornecedores tradicionais de software usam a identidade como aproximação do consumo. Contam funcionários, atribuem licenças e deixam que as diferenças de uso se compensem na média. Essa aproximação deixa de funcionar quando um desenvolvedor pede uma sugestão de código e outro delega uma migração sem escopo fechado em uma grande base. Ambos ocupam uma licença, mas geram custos radicalmente diferentes.

A Anthropic deixou essa incompatibilidade especialmente clara ao informar que os limites semanais normais do Claude Code passariam a ficar 25% acima do patamar de referência em 14 de setembro, após um aumento temporário de 50%. Em relação à capacidade reforçada, os usuários receberão cerca de 17% menos. A conta só parece estranha se o Claude Code for tratado como um software convencional por assinatura. Ela é perfeitamente lógica quando a assinatura representa um direito sobre uma reserva finita de capacidade de inferência.

Esse não foi o primeiro sinal. Em julho de 2025, usuários do Claude Code se depararam com limites inesperadamente restritivos, inclusive muitos que pagavam $200 por mês pelo plano Max. A questão recorrente não era se determinado limite parecia generoso. A categoria “um usuário pagante” continha informação de menos para determinar quanta capacidade computacional a Anthropic havia prometido.

Segundo relatos, Anthropic e OpenAI gastaram mais da metade da receita com inferência. A Anthropic teria reduzido sua projeção de margem bruta para 2025 de 50% para 40% depois que os custos de inferência ficaram 23% acima do previsto. Cobrar um valor fixo por um uso variável e intensivo em computação cria uma versão da armadilha de escala das assinaturas: os clientes mais entusiasmados podem ser justamente os menos atraentes para atender.

As cargas dos agentes também chegam em filas. A demanda não se distribui de maneira uniforme ao longo da semana, assim como o trabalho autônomo não se distribui igualmente durante um projeto. Alterações em todo o repositório, ciclos de testes e prazos de lançamento geram picos. Limites, créditos e ajustes nos horários de maior procura não são, portanto, constrangimentos temporários antes de uma volta ao modelo puro de software como serviço. São mecanismos de distribuição de capacidade dentro de uma embalagem comercial conhecida.

Entre 2024 e 2026, o enfoque empresarial na cobertura da Anthropic subiu 7.4 pontos, para 19.7%, enquanto o enfoque no consumidor recuou 17 pontos, para 15.4%. Compradores empresariais não perguntam apenas se um assistente está disponível. Querem saber quanto trabalho ele executa, sob quais controles, com quais garantias de serviço e quem arca com o prejuízo quando algo dá errado.

É o ciclo de trabalho, não a solicitação, que determina a conta

Os primeiros assistentes de programação faziam a solicitação parecer a unidade natural de consumo. O desenvolvedor perguntava; o modelo respondia. Sistemas autônomos substituem essa troca por um ciclo: examinar o repositório, elaborar um plano, editar arquivos, executar ferramentas, rodar testes, interpretar falhas, rever o plano e tentar novamente. A tarefa termina quando um critério de aceitação é cumprido — ou quando um orçamento, prazo máximo, limite de permissão ou ser humano interrompe o processo.

Os desenvolvedores perceberam essa mudança antes que a linguagem comercial se adaptasse. Um relato prático sobre o Claude Code de março de 2025 descreveu a ferramenta triturando erros antigos como “um picador de madeira movido a dólares”. O mesmo ciclo era, ao mesmo tempo, extraordinariamente produtivo e intensivo em computação. À medida que os agentes melhoraram, os desenvolvedores passaram a delegar blocos maiores de trabalho — e blocos maiores exigiram mais inferência.

A Anthropic levou o Claude Code para além do terminal, com versões experimentais para web e iOS destinadas a usuários Pro e Max. A Cursor acrescentou acionadores que iniciam agentes após mudanças no repositório, mensagens no Slack ou horários programados. O agente já não ficava dentro do editor aguardando uma solicitação humana. Estava se tornando um processo operacional.

Quando nenhuma pessoa precisa esperar por cada resposta intermediária, as plataformas podem equilibrar rapidez imediata, volume processado, custo e programação da execução. Mas ciclos sem supervisão também podem durar mais. Chamadas individuais baratas não garantem que a tarefa concluída sairá barata.

Os compradores precisam incluir a verificação na mesma unidade de custo. A Artificial Analysis informou que avaliar o o1 da OpenAI custou $2,767.05. Verificar repetidamente um trabalho específico de determinado repositório não se torna gratuito só porque o código apareceu depressa. A medida relevante é o custo de IA por tarefa útil: geração, ferramentas, testes, novas tentativas, revisão e correção esperada.

Os fornecedores estão deixando de contar acessos para medir trabalho. As unidades de texto continuam sendo um insumo, mas clientes empresariais compram, em última análise, um resultado operacional delimitado.

Inferência mais barata não recupera a lógica da cobrança por usuário

A queda dos custos de inferência é o argumento mais forte contra medições complexas. Segundo relatos, engenheiros da OpenAI encontraram um método capaz de reduzir esses custos em mais da metade. Uma oferta mais abundante de unidades de texto também poderia transformar modelos de ponta em infraestrutura indiferenciada, deslocando o valor para os produtos construídos sobre eles. Esses avanços reduziriam a necessidade de racionar cada interação e enfraqueceriam a capacidade dos fornecedores de modelos de cobrar pela escassez.

O Claude Code também demonstrou força comercial considerável em planos semelhantes a assinaturas. Segundo as informações divulgadas, sua receita recorrente anual havia crescido pelo menos mais $100 milhões além do $1 bilhão anunciado em novembro, chegando a 12% de toda a receita recorrente anual da Anthropic no fim de 2025. Está claro que os clientes compram acesso a agentes mesmo antes de o modelo de cobrança estar bem resolvido.

Mas a queda dos custos de inferência enfraquece o argumento da escassez de unidades de texto, não a crítica à cobrança por usuário. Quando um insumo fica mais barato, os responsáveis pelos sistemas os redesenham para consumir mais dele. Um agente pode examinar mais contexto, testar mais alternativas, executar mais testes e trabalhar por mais tempo sem pedir autorização a cada etapa. Em vez de economizar previsões, passa-se a governar previsões abundantes.

As empresas continuarão usando licenças por usuário para identidade, controle de acesso, orçamento e administração. Elas apenas deixam de ser a unidade comercial completa. Um fornecedor pode cobrar por usuário e, ainda assim, medir o uso de modelos avançados, reservar capacidade para agentes, vender créditos adicionais ou cobrar separadamente por fluxos de trabalho controlados. Chamar tudo isso de assinatura não transforma o custo subjacente em fixo.

Se vários modelos conseguem produzir código satisfatório, o recurso escasso complementar passa a ser o sistema que escolhe entre eles, fornece o contexto do repositório, controla o acesso às ferramentas, avalia o resultado e preserva o estado quando há troca de fornecedor. Modelos mais baratos deslocam a margem do domínio da previsão para o controle da ação.

A cobrança por resultado obriga os fornecedores a precificar falhas

Quando um agente executa parte de um fluxo de trabalho, em vez de apenas auxiliar um funcionário identificado, cobrar pelo trabalho concluído passa a fazer sentido econômico. Segundo relatos, a OpenAI começou a permitir que alguns grandes clientes paguem apenas quando sua IA conclui tarefas, enquanto Salesforce e outros fornecedores testam preços baseados em resultados. Ao fim de 2025, 79 das 500 empresas de software acompanhadas haviam adotado cobranças de IA por consumo, mais que o dobro do nível de 2024.

Esses testes não provam que as assinaturas desapareceram. A oferta da OpenAI parece ser seletiva, e empresas de consultoria enfrentam dificuldades para trocar a cobrança por hora por trabalhos de preço fixo ou vinculados a resultados. Compradores e fornecedores esbarram no mesmo problema: definir algo como “concluído” transfere risco.

Um programa pode compilar e ainda assim representar um resultado ruim. Michael Truell, CEO da Cursor, alertou que a programação por intuição em projetos avançados pode criar fundações frágeis que desmoronam mais tarde. Uma tarefa pode passar nos testes imediatos e, ao mesmo tempo, aumentar os custos de manutenção, enfraquecer a segurança ou violar uma restrição de arquitetura que nunca foi descrita na solicitação. O software tem o hábito inconveniente de revelar defeitos depois da emissão da fatura.

Por isso, os fornecedores precisam de um contrato de avaliação. As partes devem definir testes de aceitação, ferramentas permitidas, níveis mínimos de desempenho, prazos de revisão, tratamento de exceções e responsabilidade pelas correções. Cada nova tentativa consome capacidade. Cada critério ambíguo de conclusão abre espaço para uma disputa. Cada defeito tardio levanta a dúvida: o fornecedor vendeu um artefato, um resultado verificado ou uma garantia?

Em um contrato por resultado, o fornecedor garante o desempenho. Ele estima não apenas o custo esperado de uma execução bem-sucedida, mas também a distribuição das falhas: com que frequência o agente precisa tentar novamente, quanto custa verificar, em quantos casos uma pessoa precisa intervir e quais correções são devidas. A margem vem da capacidade de medir e reduzir essa distribuição melhor que o comprador — não de dar um nome mais elegante às unidades de texto.

Quem controla o fluxo de trabalho pode superar quem controla o modelo

Os criadores dessas ferramentas estão convergindo para a mesma arquitetura: vários modelos sob uma camada persistente de fluxo de trabalho. A Apple acrescentou programação autônoma ao Xcode 26.3, com suporte ao Claude Agent da Anthropic, ao Codex da OpenAI e ao MCP. O ativo estratégico da Apple não é um único modelo de ponta. É o ambiente de desenvolvimento em que contexto, permissões, compilações e atenção dos desenvolvedores já se encontram.

A Cursor avançou na mesma direção com Automations acionadas por mudanças na base de código, mensagens no Slack ou horários programados. Com isso, o elemento duradouro deixa de ser a conversa e passa a ser o fluxo de trabalho. A Cursor pode organizar quando um agente é executado, qual contexto recebe e em que ponto seu resultado entra no processo de desenvolvimento.

A dependência da Cursor em relação aos fornecedores de modelos continua sendo uma fragilidade estrutural. A OpenAI informou que pretendia deixar de fornecer modelos à Cursor a partir de 12 de novembro em um contrato relacionado à SpaceX, porque não conseguia assegurar que a tecnologia seria usada de acordo com seus termos de serviço. A Cursor afirmou que a OpenAI representava apenas 5% de seu tráfego, o que limitava o impacto imediato. Ainda assim, o acesso aos modelos permanece condicionado. Um fornecedor de aplicações incapaz de redirecionar o trabalho vendeu uma promessa que não controla por inteiro.

A Ai2 lançou modelos de agentes de programação com 32 bilhões e 8 bilhões de parâmetros, projetados para se adaptar a bases de código privadas. Modelos de ponta hospedados podem continuar superiores em determinadas tarefas, mas possuir o único modelo utilizável já não é um alicerce seguro para a camada de aplicações. Uma camada de controle com vários fornecedores pode distribuir o trabalho de acordo com capacidade, custo, demora, política de dados ou disponibilidade.

Essa flexibilidade favorece fornecedores que já controlam o ponto em que o trabalho é aceito: a Cursor no editor, a Apple no Xcode, e GitHub e Microsoft nos repositórios, solicitações de incorporação, Actions, identidade e compras empresariais.

Essa é a lógica da camada de controle dos fluxos de trabalho autônomos. A qualidade do modelo importa, mas é apenas um insumo entre vários. O poder duradouro pertence à camada que conserva o contexto, encaminha a execução, governa as permissões e permanece no lugar quando mudam o fornecedor do modelo, o preço ou as regras.

A garantia faz parte do produto, não é mero custo indireto

Um agente autorizado a alterar código transforma confiabilidade e segurança: elas deixam de ser funções de apoio para se tornar atributos do produto. Não basta produzir algo útil. O comprador precisa de provas de que o trabalho foi autorizado, testado, atribuído ao responsável correto, passível de reversão e mantido dentro dos limites previstos.

A resposta da Anthropic ao roubo de sessões mostrou como a economia de capacidade e a de segurança se misturam rapidamente. Depois que programas de roubo de informações sequestraram sessões ativas do Claude e esgotaram a capacidade disponível, a empresa encerrou as sessões dos usuários afetados, removeu formas de pagamento salvas e concedeu reembolsos. Em um único incidente, uma autorização roubada virou capacidade computacional consumida, perda para o cliente, resposta de segurança e reparação financeira.

A Anthropic também disponibilizou o Claude Security, antes chamado Claude Code Security, em versão pública de testes para clientes empresariais, usando o Opus 4.7 para examinar vulnerabilidades no código. Mais de 100 organizações, entre elas OpenAI, Anthropic, AWS e Microsoft, defenderam uma preparação conjunta contra ataques cibernéticos apoiados por IA. Em conjunto, essas iniciativas incorporam restrições e inspeção ao próprio produto de agentes.

A Anthropic está ampliando esse limite para além do software. Seu Model Hardware Standard foi criado para ajudar agentes a usar sistemas como microscópios, equipamentos de computação quântica e braços robóticos. Quando as ações dos agentes passam a afetar equipamentos físicos, “desfazer” deixa de ser uma estratégia universal de recuperação. Autorização, limites operacionais, restauração de estado e responsabilidade por incidentes passam a integrar o contrato de implantação.

Na responsabilização pela implantação, o contrato determina quem pode autorizar uma ação, como ela será observada, quais provas demonstram conformidade e quem paga depois de uma falha. As empresas pagarão por essa camada porque ela transforma capacidade bruta em uma automação que pode ser autorizada. A estrutura mais profunda aparece no pilar de segurança dos agentes de IA: quanto maior a autonomia, mais valioso se torna o governo da execução.

O contrato duradouro precifica consequências

Fornecedores de fluxos de trabalho não conquistam margem apenas por inserir uma camada de controle. Compradores ou fornecedores de modelos podem contornar um simples encaminhador. A posição só se torna duradoura quando o fornecedor conserva o contexto do fluxo, melhora a avaliação, distribui capacidade escassa, aplica regras e aceita uma parcela definida do risco operacional. A responsabilização vira uma barreira competitiva quando o contrato a incorpora à estrutura de ganhos e perdas.

Contratos duradouros dividem esse acordo em três camadas. A capacidade determina quanto trabalho dos agentes pode ser executado, quando isso pode ocorrer e quais modelos ou ferramentas podem ser consumidos. A governança define permissões, limites de dados, regras de aprovação e provas para auditoria. A garantia estabelece avaliação, reversão, correção e responsabilidade por trabalhos malsucedidos. Uma licença por usuário pode continuar aparecendo no pedido de compra, mas são essas camadas que determinam o valor e o custo reais.

A concorrência, a portabilidade entre modelos e a queda dos custos de inferência pressionam para baixo a renda dos modelos básicos, enquanto os ciclos variáveis de trabalho e a exigência de responsabilização por parte dos compradores deslocam valor para a coordenação e a garantia. A redução de 17% no Claude Code em relação ao reforço temporário pareceu apenas um ajuste de limite, mas revelou o acordo escondido sob a cobrança por usuário. A licença contava pessoas; o contrato do agente precifica consequências.