Opus 5: ótimo funcionário, chefe frustrante

A Anthropic lançou o Opus 5 em 24 de julho de 2026 [1]. Cinco dias depois, a reação se dividiu em dois grupos que mal parecem descrever o mesmo modelo. A Artificial Analysis mediu o Opus um ponto acima do Fable 5 no seu índice de inteligência, pela metade do preço por token [2]. Enquanto isso, uma parte barulhenta do Reddit quer o modelo antigo de volta.

Entrei na semana de lançamento com uma teoria de trabalho: o Opus 5 é um ótimo funcionário e um chefe frustrante. Depois de cinco dias lendo tudo o que encontrei (documentação oficial, avaliações independentes e threads demais no Reddit), a teoria se sustenta, com uma correção. O Opus 5 não é o modelo burro dos posts mais raivosos. Ele executa no nível do Fable. O que falta é direção: ler a intenção, respeitar o escopo e saber quando de fato terminou.

Os números estão colados, e são reais

No índice de inteligência da Artificial Analysis, o Opus 5 em esforço máximo marca 61 contra 60 do Fable 5. Ninguém deveria ler um ponto de diferença como prova de coisa alguma, além de que os dois modelos jogam na mesma classe de capacidade [2].

Abaixo do índice geral, o Opus 5 na verdade lidera várias das avaliações mais delimitadas. Marcou 1.861 de Elo no GDPval-AA v2 (trabalho profissional de conhecimento) e 1.720 no AA-Briefcase (entregáveis agênticos), 114 e 146 de Elo à frente do Fable, respectivamente. Empatou em primeiro no Coding Agent Index com esforço xhigh e chegou a 89% no Terminal-Bench 2.1 no máximo [2].

Métrica	Opus 5	Fable 5
Índice de inteligência da AA	61	60
GDPval-AA v2, Elo	1.861 (Melhor valor da linha)	1.747
AA-Briefcase, Elo	1.720 (Melhor valor da linha)	1.574
Custo medido por tarefa de avaliação, $	2,03 (Melhor valor da linha)	2,75

A leitura da tabela não é que o Opus seja mais inteligente. É que, em trabalho delimitado, com cara de entregável, o modelo mais barato agora troca golpes com o carro-chefe. Os números da própria Anthropic apontam na mesma direção: a meio ponto do Fable no CursorBench 3.2 em esforço máximo, e acima do melhor resultado do Fable no OSWorld por cerca de um terço do custo. São medições do fabricante, então trate como marketing com recibos [1].

O que a onda de críticas descreve de verdade

A crítica mais útil da semana veio de alguém que gosta do modelo. A pessoa rodou seu próprio conjunto de tarefas reais de código, e o Opus 5 foi o único modelo a fazer 100%, com a melhor implementação e disciplina de testes que ela já tinha visto. Mesmo assim, o post o chama de “an incredible coder and really painful to work with” [4]. Essa tensão é a discussão inteira em uma frase.

Lendo os threads negativos além da raiva, os mesmos cinco padrões de falha voltam o tempo todo.

Ele perde o quadro geral. Código local forte, decisões mais fracas sobre arquitetura, sobre a intenção do sistema existente e sobre quais componentes deveriam sequer ser tocados. Um desenvolvedor o descreveu inventando mecanismos novos e preferindo os próprios padrões aos do repositório, e acabou escolhendo o Fable 5 mais um Opus antigo para o dia a dia [5].

Ele corre em cima de suposições em vez de perguntar. Quando faltam fundamentos, segue em frente e constrói algo coerente sobre uma premissa errada. A sensação é de que “o modelo não escuta”. O mecanismo parece mais um prior agêntico: continuar em vez de travar numa pergunta [5].

Ele canta vitória cedo demais. O loop clássico: o Opus diz que corrigiu, o usuário encontra o mesmo bug mais uma regressão, o Opus pede desculpas em detalhe, e recomeça. Numa sessão de auditoria, o modelo tinha deixado passar 46 erros porque o próprio script dele os escondia em silêncio; outros relatam verificações que nunca aconteceram [6]. Em migrações e configuração de deploy, um “pronto” falso custa mais que um bug comum.

Ele fala demais. Narração constante, atualizações de status intermináveis, detalhes pequenos tratados como grandes decisões. O mesmo avaliador que lhe deu 100% descreveu o estilo de comunicação como nervoso e pedante, cansativo de supervisionar [4].

Instruções antigas o envenenam. Pelo menos um usuário resolveu seus problemas reescrevendo instruções de projeto e memórias escritas originalmente para o Opus 4.x [7]. Esses arquivos estão cheios de compensações (“sempre confira duas vezes”, “faça primeiro um plano detalhado”, “use subagentes”) que um modelo com iniciativa de fábrica transforma em aceleração demais.

E aqui vem a parte estranha: o guia de prompting da própria Anthropic parece a especificação oficial dessa lista de queixas. Ele afirma que o Opus 5 narra mais, se autoverifica, delega a subagentes com mais facilidade, pode ampliar o escopo, pode acrescentar passos que você não pediu e pode aplicar o próprio julgamento sobre o que a tarefa “deveria” ser. Os remédios recomendados: limites de escopo explícitos, teto para subagentes e um prompt dedicado para encurtar as atualizações de status [8].

Por justiça: o grupo positivo é igualmente real. Um testador focado em tarefas de conhecimento e negócios achou os esforços baixo e médio melhores que o Sonnet 5 e que o Opus 4.8, com o Fable como único modelo consistentemente à frente, e só nos problemas mais difíceis [9].

Benchmarks dão nota na linha de chegada, não na direção

Os dois grupos podem ter razão ao mesmo tempo, porque um benchmark e um projeto vivo avaliam coisas diferentes.

Um benchmark verifica se o estado final passa. Um projeto também pesa se o modelo trabalhou no problema certo, quantas vezes você teve que segurar o volante e se ainda confiava nele depois de três horas. O número de vitrine da Anthropic no Frontier-Bench (mais que o dobro da pontuação do Opus 4.8) saiu de uma execução interna com um harness específico de mini-SWE-agent, com média de cinco tentativas por tarefa [1]. É uma metodologia legítima, e ela alisa exatamente o que quem trabalha sente: a variância entre sessões individuais.

Um dado independente encaixa desconfortavelmente bem nas queixas. No AA-Omniscience, a Artificial Analysis achou o Opus 5 mais preciso nos fatos que o Opus 4.8, mas também mais disposto a responder sob incerteza. Pela régua desse teste, a taxa de alucinação ficou em torno de 50% [2]. Isso não significa que metade do que o Opus diz seja inventado; o teste encurrala os modelos de propósito naquilo que eles sabem pela metade. Mas dá nome a um mecanismo: um modelo calibrado para seguir em frente resolve mais tarefas e comete mais erros confiantes, no mesmo botão.

Metade do preço por token não é metade do preço por tarefa

A tabela diz que o Opus 5 custa metade do Fable 5: US$ 5 de entrada e US$ 25 de saída por milhão de tokens, contra US$ 10 e US$ 50 [10].

• Opus 5
• Fable 5

Ver os dados em tabela

Sentido	Opus 5	Fable 5
Entrada	5 $/MTok	10 $/MTok
Saída	25 $/MTok	50 $/MTok

Medida de ponta a ponta, a distância encolhe. A Artificial Analysis pagou US$ 2,03 por tarefa do Opus 5 na sua bateria de avaliações contra US$ 2,75 com o Fable, uma economia de 26% em vez de 50% [2]. E um usuário do Reddit que passou duas tarefas grandes e reais de código pelos dois modelos terminou em US$ 106,69 com o Opus contra US$ 118,46 com o Fable, cerca de 10% de diferença, e ainda julgou o resultado do Fable claramente melhor. Na segunda tarefa, o Opus custou na prática mais caro [11].

É o teste de uma pessoa só, não um estudo. Mas o mecanismo é óbvio para qualquer um que já viu um agente pegar o caminho panorâmico: mais desvios, mais chamadas de ferramenta, mais código, mais rodadas de correção, e no fim uma passada de revisão com o modelo caro de qualquer jeito. O preço de tabela é por token. O preço real é por entregável aprovado.

Um ano, quatro personalidades de Opus

Parte da raiva é o efeito chicote. Se você sente que o Opus muda de personalidade a cada versão, o material da própria Anthropic concorda com você.

A linha do tempo desenha um pêndulo, não uma reta. As datas vêm dos posts de lançamento [12] [13] [14] [1]; as leituras de personalidade vêm da pesquisa da própria Anthropic sobre valores dos modelos, que situou o 4.6 na direção de deferência, brevidade e execução, e o 4.7 na direção de cautela, profundidade e franqueza [15]. As notas de migração do 4.7 diziam sem rodeio: obediência mais literal às instruções, mais disposição a contrariar, menos chamadas de ferramenta em esforço baixo, e prompts antigos que podiam se comportar de forma estranha [13]. O 4.8 foi vendido em boa parte como correção do excesso de comentários e explicações do 4.7 [14]. O Opus 5 gira de volta para a iniciativa, mais longe que todos [8].

Cada guinada invalida o folclore de prompts escrito para o modelo anterior. As compensações que tornavam o 4.6 confiável viram o excesso que torna o 5 cansativo. Isso, muito mais que qualquer conspiração, explica por que reescrever instruções antigas conserta tanta coisa [7].

Também explica a memória curta. A semana de lançamento do Opus 4.8 produziu o mesmo gênero de thread que hoje mira o Opus 5 [16]. Nove semanas depois, há posts descrevendo o 4.8 como o bom e velho modelo estável que o pessoal quer de volta [17]. Cinco dias de reação são uma lista de modos de falha, não um veredito.

A teoria do nerf, desmontada camada por camada

Todo lançamento do Opus acaba juntando a acusação de que a Anthropic o piorou em segredo. Vale separar por camadas, porque a evidência muda de camada para camada.

Os pesos. Para o Claude 4.6 em diante, a Anthropic declara que IDs de modelo sem data são snapshots fixos; os pesos não são trocados sob o mesmo ID [18]. Não encontrei evidência pública em contrário. A versão forte da teoria (“trocaram em segredo o bom 4.8”) não tem nada por trás.

A camada de serving. Roteamento, classificadores de segurança e fallbacks mudam, sim. Para o Opus 5 está documentado que certos pedidos marcados como sensíveis de cibersegurança podem ser atendidos por um fallback para o Opus 4.8, inclusive em algumas avaliações publicadas [1]. Dois usuários podem chamar o mesmo ID de modelo e receber tratamentos diferentes.

O harness do produto. É aqui que os corpos estão enterrados. O postmortem da própria Anthropic de abril de 2026 documenta três regressões reais no Claude Code enquanto a API seguia praticamente intacta: o esforço padrão caiu em silêncio de high para medium (4 de março a 7 de abril), um bug de contexto apagava repetidamente o thinking mais antigo após inatividade (26 de março a 10 de abril), e um system prompt que limitava o tamanho das respostas custou de forma mensurável uns 3% nas avaliações de código (16 a 20 de abril) [19].

O seu próprio contexto. CLAUDE.md mofados, memórias velhas, uma sessão poluída. Mesmo snapshot, experiência diferente.

O veredito honesto sobre o “nerf”: a experiência costuma ser real e às vezes até reproduzível. O diagnóstico quase sempre aponta para a camada errada.

Os produtos da Anthropic já assumem essa divisão

A prova mais forte a favor do enquadramento funcionário-chefe é que a Anthropic o transformou em produto.

A nova ferramenta Advisor liga um modelo executor mais barato a um conselheiro mais forte, que pode ler a sessão de trabalho, propor um plano ou corrigir o rumo no meio da tarefa. A documentação a recomenda justamente para design, arquitetura e avaliação de risco, e lista o Opus 5 como executor com o Fable 5 como advisor entre as combinações suportadas. O advisor precisa ser pelo menos tão capaz quanto o executor. Também avisam do modo de falha contrário: chamadas demais ao advisor deixam tudo mais lento e caro, sem ganho líquido [20].

dono

• Você objetivo, limites, critério

define o rumo

direção

• Fable 5 arquitetura, pacotes de tarefas

pacotes de tarefas

execução

• Opus 5 código, testes, verificação

diff e evidência

revisão

• Fable 5 auditoria por marco

O diagrama é a conclusão prática da semana inteira: o objetivo continua humano, o Fable define e audita a direção, e o Opus mói o trabalho do meio pela metade do preço por token.

Duas nuances mantêm o enquadramento honesto. Primeiro, a Anthropic claramente não considera o Opus incapaz de planejar: o Claude Code ainda traz um modo oficial opusplan em que o Opus planeja e o Sonnet executa [21]. Segundo, o Fable não é um chefe infalível. O próprio guia dele avisa que pode planejar demais, refatorar sem ninguém pedir e inflar o tamanho da tarefa, e que trabalha melhor quando você explica por que quer algo [23].

Mas o posicionamento é consistente em todo lugar: o Fable 5 segue sendo o modelo mais capaz amplamente disponível, recomendado quando capacidade é o que mais importa, enquanto o Opus 5 é o padrão para código agêntico complexo pela relação capacidade-preço [10]. No lançamento do Fable, a Anthropic disse com todas as letras: quanto mais longa e complexa a tarefa, maior a vantagem do Fable [22].

Um estudo a mais pertence a esta seção. A Anthropic analisou cerca de 400.000 sessões do Claude Code de uns 235.000 usuários: humanos ainda tomavam perto de 70% das decisões de planejamento, enquanto agentes tomavam cerca de 80% das decisões de execução. Prompts de usuários experientes disparavam em média umas 12 ações de agente e 3.200 palavras contra 5 e 600 dos iniciantes, e a taxa de sucesso verificada ficava em torno de 15% para iniciantes contra 28 a 33% do nível intermediário para cima [24]. Um modelo tão lançado não baixa a régua da direção. Ele sobe.

Como eu rodaria o Opus 5 esta semana

Meu roteamento depois de uma semana de leitura, sujeito a revisão quando eu tiver mais quilometragem própria:

Tarefa	Modelo
Bug claro com reprodução e teste	Opus 5
Feature delimitada com critérios de aceitação	Opus 5
Refactor rumo a uma arquitetura-alvo conhecida	Opus 5, revisão do Fable depois
Causa raiz confusa entre vários sistemas	Plano com Fable 5, depois Opus 5
Arquitetura nova que precisa durar anos	Fable 5 primeiro
Sessões agênticas longas com várias frentes	Fable 5 como orquestrador
Migração de alto risco	Design Fable, execução Opus, auditoria Fable

Configuração, direto da documentação mais uma opinião. Deixe o thinking ligado: é o padrão, esforço baixo com thinking ganha de desligá-lo a custo parecido, e desligar pode disparar comportamentos estranhos com ferramentas [8]. Suba a escada de esforço em vez de partir direto para xhigh; o ajuste muda tanto o modelo que baixo e máximo são, na prática, produtos diferentes [2]. Fixe IDs de modelo completos ao comparar qualquer coisa, porque aliases mudam de lugar [21]. E apague toda compensação da era 4.x das suas instruções antes de julgar o modelo [8].

O system prompt do qual eu partiria, no lugar do velho texto de “seja minucioso e proativo”:

Implement only the requested task.
Follow the existing architecture and conventions in the repository.
Do not redesign surrounding systems or refactor unrelated code
unless the acceptance criteria require it.

Before editing, state the concrete acceptance criteria.
Do not report the task as complete unless each criterion has been
verified against actual build, test, or tool output.

Do not create subagents for work you can do directly.
If you notice an unrelated problem, mention it at the end
without changing it. Keep progress updates short.

O funcionário e o chefe

O Opus 5 não é um Fable de liquidação, nem um retrocesso com nome novo. Em trabalho delimitado, com linha de chegada clara, ele é tão forte quanto qualquer coisa que dê para alugar agora, e mais barato que o irmão. E a onda de críticas também não está imaginando coisas: a mesma iniciativa que vence benchmarks vira escopo descontrolado, palpites confiantes e volta olímpica antes da hora assim que o objetivo fica difuso.

Então dê a ele o que todo sênior brilhante e confiante demais precisa. Um chefe. O melhor disponível no momento é o Fable 5, e o objetivo continua sendo seu.