Modelos e capacidades na mesa de operações

Destaque

Microsoft Foundry ganha dois níveis mais baratos de GPT-6 para agentes em produção

A Microsoft tornou o GPT-6 Sol e o GPT-6 Luna geralmente disponíveis no Microsoft Foundry, ao lado do GPT-6 Astra, formando uma linha de três níveis para agentes em produção. Astra cuida de raciocínio complexo, Sol atende cargas de produção gerais, e Luna é voltado a tarefas de alto volume como extração, resumo e roteamento de solicitações, a uma fração do custo do Astra.

O que muda na operação — Para uma empresa que roda agentes de suporte ou operações no Azure, isso é uma alavanca direta de custo: em vez de enviar cada etapa de classificação de tickets ou extração de dados por um modelo caro de raciocínio, as equipes agora podem colocar o GPT-6 Luna por trás de etapas rotineiras e de alto volume, reservando Sol ou Astra para as partes do fluxo que realmente exigem julgamento. Nos preços do Global Standard para contexto curto, o Luna custa US$ 0,10 por milhão de tokens de entrada e US$ 0,50 de saída, contra US$ 2/US$ 10 do Sol e US$ 10/US$ 50 do Astra — o que muda a conta de custo por tarefa para quem faz milhares de chamadas rotineiras de agente por dia. A ação prática é mapear um fluxo de agente já existente, identificar quais etapas são classificação/roteamento/resumo versus raciocínio de múltiplas etapas, e dividir a atribuição de modelos de acordo, em vez de usar um único modelo para tudo.

Claude Opus 5.5 chega ao Microsoft Foundry com tokens mais baratos e relatórios de agente mais claros

Para uma empresa B2B de 10 a 200 pessoas que roda agentes no Microsoft Foundry para redigir relatórios, triar chamados de suporte ou refatorar ferramentas internas, a mudança prática é dupla: custos menores de cache e de token tornam sessões de agente mais longas mais baratas de rodar em produção, e o novo hábito do modelo de expor o que fez, o que encontrou e onde precisa de input reduz a revisão manual necessária antes de confiar na saída de um agente. O raciocínio adaptativo também elimina uma etapa de configuração — as equipes não precisam mais ajustar manualmente o orçamento de raciocínio por tarefa, o que importa para times de operações enxutos sem engenheiros de IA dedicados.