noticias

Google lança Gemini 3.6 Flash mais barato e eficiente, mas atraso do 3.5 Pro expõe mudança de prioridade na corrida da IA

O Google apresentou o Gemini 3.6 Flash como seu novo modelo de uso geral voltado a velocidade, programação, análise de documentos e execução de tarefas com múltiplas etapas.

A e para processar grandes volumes de solicitações com menor custo, e anunciou o Gemini 3.5 Flash Cyber, uma versão especializada em encontrar e corrigir vulnerabilidades de software. O pacote reforça uma mudança importante no mercado: depois de anos disputando quem publicava o benchmark mais chamativo, as empresas de inteligência artificial agora precisam provar que seus modelos podem ser usados em produção sem transformar cada automação numa pequena crise orçamentária.

O anúncio também deixa uma ausência difícil de ignorar. O Gemini 3.5 Pro, apresentado anteriormente como o modelo mais avançado da nova geração, continua em testes com parceiros e não recebeu uma data definitiva de lançamento. O Google diz que pretende disponibilizá-lo assim que estiver pronto, uma formulação prudente que evita repetir prazos, mas também confirma que o desenvolvimento não seguiu o cronograma inicialmente esperado. Enquanto o modelo de maior capacidade permanece nos bastidores, a companhia avança com versões menores, mais baratas e potencialmente mais fáceis de vender para empresas.

Gemini 3.6 Flash tenta reduzir o custo invisível do raciocínio

O principal argumento do Gemini 3.6 Flash não está apenas na velocidade. Segundo o Google, o modelo utiliza 17% menos tokens de saída que o Gemini 3.5 Flash em avaliações do Artificial Analysis Index. Em determinados testes de programação, a redução teria sido ainda maior. A empresa também afirma que o modelo precisa de menos etapas de raciocínio e menos chamadas de ferramentas para concluir fluxos complexos.

Essa diferença merece atenção porque a cobrança das APIs de inteligência artificial normalmente depende do número de tokens processados. Tokens são pequenas unidades em que o texto, o código e parte das informações multimodais são divididos antes de serem interpretados pelo modelo. Quanto mais extensa for a entrada, o raciocínio intermediário e a resposta, maior tende a ser o custo. Um agente que consulta documentos, abre sistemas, executa funções, revisa seu próprio trabalho e tenta novamente depois de um erro pode consumir várias vezes o volume visível na resposta final.

O Gemini 3.6 Flash custa US$ 1,50 por milhão de tokens de entrada e US$ 7,50 por milhão de tokens de saída. No Gemini 3.5 Flash, o preço oficial de saída era de US$ 9 por milhão, enquanto a entrada custava os mesmos US$ 1,50. A redução unitária parece moderada quando observada isoladamente, mas pode se tornar relevante em sistemas que geram milhões de respostas, resumos, análises ou trechos de código todos os dias. Caso o modelo realmente produza resultados semelhantes usando menos tokens e menos tentativas, a economia ocorrerá tanto no preço de cada token quanto na quantidade necessária para terminar o trabalho.

Essa é uma das razões pelas quais comparar modelos apenas pelo preço anunciado pode ser enganoso. Um sistema aparentemente barato pode sair caro se precisar repetir tarefas, gerar respostas excessivamente longas ou acionar ferramentas desnecessárias. Da mesma forma, um modelo com preço unitário maior pode ser economicamente competitivo caso resolva o problema com menos chamadas. O custo relevante não é apenas o de um milhão de tokens, mas o custo por tarefa concluída corretamente.

Melhorias em programação e uso do computador

O Google afirma que o Gemini 3.6 Flash apresentou avanços em programação, pesquisa aplicada, análise multimodal e controle de interfaces. No DeepSWE, avaliação direcionada a tarefas de engenharia de software, o resultado divulgado subiu de 37% no Gemini 3.5 Flash para 49% no novo modelo. No MLE Bench, voltado a atividades de pesquisa em aprendizado de máquina, a pontuação passou de 49,7% para 63,9%.

Também houve melhoria no OSWorld-Verified, teste que mede a capacidade de modelos executarem ações em ambientes computacionais. O Gemini 3.6 Flash alcançou 83%, contra 78,4% do antecessor. O recurso de uso do computador passa a ser oferecido como ferramenta integrada na API do Gemini e na plataforma empresarial do Google, permitindo que aplicações controlem interfaces, interpretem elementos visuais e realizem ações em programas que não possuem integrações tradicionais.

Na prática, isso pode ser usado para testes automatizados de software, preenchimento de sistemas administrativos, migração de código, análise de documentos, consulta a painéis e execução de processos corporativos. Também amplia os riscos. Um modelo com acesso a navegador, arquivos, credenciais e sistemas internos não comete apenas erros de texto: ele pode clicar no botão errado, alterar um registro, enviar uma informação incompleta ou interpretar uma interface de forma incorreta.

A confiabilidade desses agentes depende de permissões limitadas, registros detalhados, ambientes de teste e mecanismos de aprovação humana. A promessa de substituir tarefas manuais por automações autônomas costuma ganhar destaque; o trabalho menos glamouroso de controlar acessos, auditar decisões e recuperar sistemas depois de uma falha raramente aparece na demonstração.

Flash-Lite mira tarefas repetitivas em grande escala

O Gemini 3.5 Flash-Lite ocupa uma posição diferente. Ele foi projetado para situações nas quais velocidade, volume e preço são mais importantes que a capacidade máxima de raciocínio. O Google informa que o modelo pode gerar aproximadamente 350 tokens por segundo e cobra US$ 0,30 por milhão de tokens de entrada e US$ 2,50 por milhão de tokens de saída.

Esse perfil atende aplicações como classificação de documentos, extração de informações, tradução, pesquisa automatizada, atendimento inicial, processamento de recibos e geração de múltiplas alternativas. Em vez de usar um modelo mais caro para todas as etapas, empresas podem adotar uma arquitetura em camadas: um modelo mais leve processa as tarefas simples, enquanto uma versão mais capaz recebe apenas os casos difíceis.

A estratégia parece técnica, mas seu efeito é econômico. O crescimento dos chamados agentes de IA depende menos de uma demonstração impressionante e mais da possibilidade de executar milhões de ações sem que o custo de inferência elimine os ganhos de produtividade. Um agente que economiza cinco minutos de trabalho, mas consome mais dinheiro em processamento do que o valor da atividade, continua sendo uma demonstração cara com uma interface elegante.

O risco é que a redução de custo incentive empresas a automatizarem processos antes de compreenderem seus erros. Modelos leves podem funcionar muito bem em tarefas previsíveis e falhar justamente nos casos excepcionais, que costumam ser os mais sensíveis. Escalar um modelo também significa escalar suas decisões ruins. Quando a automação atua sobre milhões de documentos ou clientes, uma taxa pequena de erro deixa de ser pequena em números absolutos.

Gemini 3.5 Flash Cyber chega com acesso restrito

O terceiro anúncio é o Gemini 3.5 Flash Cyber, uma versão ajustada para encontrar, validar e corrigir vulnerabilidades em códigos. O modelo será utilizado no CodeMender, sistema do Google que combina diferentes agentes para analisar falhas e produzir relatórios consolidados.

Por se tratar de uma tecnologia de uso duplo, capaz de ajudar defensores e também de ampliar a capacidade de ataque, o acesso inicial será limitado a governos e parceiros considerados confiáveis. O Google pretende disponibilizá-lo em um programa piloto, argumentando que a restrição pode oferecer vantagem aos responsáveis pela defesa de sistemas antes que capacidades semelhantes se tornem amplamente acessíveis.

A cautela é compreensível, mas concentra uma ferramenta poderosa nas mãos de um grupo selecionado por uma empresa privada. Isso cria uma questão que vai além da segurança técnica: quem decide quais governos e organizações são confiáveis, quais vulnerabilidades recebem prioridade e por quanto tempo os demais pesquisadores permanecerão sem acesso?

Modelos especializados podem acelerar a descoberta de falhas em projetos de código aberto, navegadores, bibliotecas e infraestruturas críticas. Porém, encontrar vulnerabilidades mais rapidamente não significa necessariamente corrigi-las na mesma velocidade. Equipes de manutenção já trabalham com recursos limitados, dependências antigas e cadeias de software difíceis de mapear. A inteligência artificial pode aumentar a quantidade de problemas identificados sem aumentar proporcionalmente a capacidade humana de revisar, testar e distribuir correções.

O atraso do Gemini 3.5 Pro importa mais do que o Google gostaria

O Gemini 3.5 Pro havia sido previsto para junho, mas permanece em testes com parceiros. Informações publicadas anteriormente indicaram dificuldades para alcançar metas internas, especialmente em programação, uma das áreas mais valorizadas no mercado empresarial de IA. O Google não confirmou publicamente todos os detalhes desses problemas, limitando-se a afirmar que o modelo será lançado quando estiver pronto.

Adiar um produto incompleto é mais responsável do que lançá-lo apenas para cumprir uma apresentação. O problema está na distância entre a narrativa anterior e a situação atual. O Google havia colocado o 3.5 Pro como peça central de sua nova geração, mas chegou ao fim de julho promovendo modelos de eficiência enquanto o principal produto continua sem calendário definido.

Isso não significa necessariamente que o Google esteja tecnologicamente paralisado. A empresa controla centros de dados, chips próprios, mecanismos de busca, Android, Chrome, Workspace, YouTube e uma extensa operação de nuvem. Poucos concorrentes conseguem integrar modelos de IA a uma infraestrutura tão ampla. O atraso, contudo, mostra que escala computacional e acesso a dados não eliminam as dificuldades de treinar modelos de fronteira, principalmente quando o mercado exige avanços simultâneos em programação, raciocínio, segurança e custo.

Há também uma confusão crescente na nomenclatura. O Gemini 3.6 Flash é numericamente posterior ao 3.5 Pro, embora o Pro ainda seja tratado como o modelo mais avançado dessa etapa. Para desenvolvedores e usuários, a sequência deixa de representar uma geração clara e passa a funcionar como um mapa interno de produtos com velocidades diferentes de lançamento. O número maior já não garante maior capacidade, nem indica necessariamente uma arquitetura completamente nova.

A corrida da IA está se tornando uma disputa de infraestrutura

A parte mais estratégica do anúncio não está nos benchmarks apresentados, mas no modelo de negócio. Empresas que experimentaram inteligência artificial nos últimos anos agora precisam justificar despesas recorrentes com APIs, servidores, armazenamento, segurança e integração. A fase em que bastava instalar um chatbot em uma página está sendo substituída por uma discussão menos empolgante e muito mais séria: quanto custa manter a automação funcionando todos os dias?

O Google parece responder a essa pressão com um portfólio fragmentado. O Gemini 3.6 Flash assume tarefas mais complexas; o Flash-Lite processa grandes volumes; o Flash Cyber atende um domínio específico; o futuro 3.5 Pro fica reservado para atividades de maior exigência. Essa divisão permite direcionar cada solicitação ao modelo considerado suficiente, evitando o desperdício de usar a opção mais cara para qualquer operação.

Também aumenta a dependência da infraestrutura do fornecedor. Quanto mais uma empresa organiza seus sistemas em torno de ferramentas proprietárias, chamadas específicas, níveis de raciocínio e integrações do Gemini, maior será o custo de migrar para outro modelo. A redução inicial no preço da API pode ser acompanhada por uma dependência técnica difícil de desfazer depois que a automação estiver espalhada por processos internos.

O Google não está vendendo apenas um modelo mais barato. Está tentando ocupar a camada que decide qual modelo executa cada tarefa, quais ferramentas podem ser acionadas e onde os dados serão processados. O verdadeiro ativo não será necessariamente o chatbot usado pelo funcionário, mas a infraestrutura invisível que administra milhares de decisões automatizadas.

Eficiência é uma novidade real, mas ainda precisa ser demonstrada fora dos testes

O Gemini 3.6 Flash representa uma evolução relevante se entregar, em aplicações reais, melhor desempenho com menos tokens, menos chamadas e menor preço de saída. Essa combinação ataca um problema concreto da inteligência artificial empresarial e pode ter impacto maior do que avanços modestos em testes acadêmicos.

Ainda assim, os números apresentados foram selecionados e divulgados pelo próprio Google. Benchmarks ajudam a identificar tendências, mas não reproduzem todas as condições encontradas em sistemas de produção, nos quais documentos chegam incompletos, interfaces mudam, permissões falham e usuários formulam pedidos ambíguos. Empresas interessadas no modelo precisarão testar qualidade, estabilidade, latência e custo com seus próprios dados antes de aceitar a promessa de economia.

O lançamento também não resolve a pergunta sobre o Gemini 3.5 Pro. O Google conseguiu oferecer opções mais eficientes enquanto prepara o sucessor de maior capacidade, mas o mercado continuará observando se essa divisão representa uma estratégia deliberada ou uma forma de ocupar espaço enquanto o modelo principal não atinge o nível esperado.

A próxima etapa da corrida da IA provavelmente será menos definida por anúncios de “inteligência de fronteira” e mais pela capacidade de entregar resultados previsíveis a um preço sustentável. Nesse cenário, o Gemini 3.6 Flash pode ser mais importante do que parece. Não por ser o modelo mais poderoso do Google, mas porque tenta resolver o problema que surge depois que a demonstração termina e a conta começa a chegar.

👉 Dúvida? Então veja mais em: [https://pixbugtech.com/linksuteis](https://pixbugtech.com/linksuteis)