A OpenAI acaba de lançar um nível de velocidade que transforma “esperar o modelo” em coisa do passado. O novo modo Ultrafast roda o GPT-5.6 Sol a até 750 tokens por segundo — cerca de 14 vezes mais rápido que o processamento padrão. E o mais importante: não se trata de um modelo menor e mais barato vestindo uma fantasia de “modo rápido”. É o mesmo modelo flagship, rodando em hardware radicalmente diferente.
O que muda a 750 tokens por segundo
Com esse throughput, a IA deixa de ser uma ferramenta de pergunta-e-resposta e passa a se comportar como um colega lendo por cima do seu ombro. As demos internas da OpenAI são todas sensíveis à latência: engenheiros lendo logs e correlacionando mudanças recentes no código enquanto um alerta ainda está ativo; mesas de operação escaneando transações e sinalizando anomalias antes que o mercado se mova; assistentes de e-commerce respondendo dúvidas sobre produtos enquanto o cliente ainda está decidindo. Tarefas de pesquisa que antes levavam minutos agora se desenrolam como uma conversa ao vivo, que você pode acompanhar.
Os primeiros usuários confirmam isso. Alex Wang, líder de IA aplicada na Rogo, empresa de pesquisa financeira, diz que problemas complexos agora parecem uma conversa em tempo real com um humano. Courtland Lykins, líder de produto de IA de voz da Podium, observa que as chamadas de suporte não ficam mais travadas enquanto o modelo processa.
O truque: colocar os pesos no chip
O ganho de velocidade não vem de prompting esperto. Vem do wafer-scale engine da Cerebras. Os pesos do modelo são carregados diretamente em 44GB de SRAM no próprio chip, então a inferência nunca precisa trafegar dados de entrada e saída na HBM, como acontece nas GPUs convencionais. Isso elimina o gargalo da largura de banda de memória — o fator que limitava silenciosamente a velocidade de inferência há anos. O poder de processamento deixou de ser a restrição há um tempo; mover dados era o problema.
Este também é o primeiro resultado visível do acordo OpenAI-Cerebras assinado no início deste ano: um contrato plurianual para implantar 750MW de sistemas wafer-scale, avaliado em mais de US$ 10 bilhões. O Ultrafast é o que esse contrato parece quando chega ao usuário.
Um segundo recurso: Computer History
A mesma atualização adiciona o Computer History ao aplicativo desktop do ChatGPT. Ele registra eventos de interação — cliques, digitação, atalhos, trocas de janela — sem capturas de tela, áudio ou gravação da tela. Pergunte “onde eu estava trabalhando mais cedo?” e ele responde com base em uma linha do tempo da atividade real da sua máquina. É uma reconstrução do preview de pesquisa Chronicle, de abril, e pode transformar fluxos de trabalho recorrentes em habilidades reutilizáveis.
Por que isso importa
Dois sinais estruturais aqui. Primeiro, a velocidade está se tornando um eixo de produto, não uma nota de rodapé na ficha técnica — e os vencedores não estão encolhendo os modelos, estão trocando o silício por baixo deles. Segundo, a memória está migrando de “o que você contou ao chatbot” para “o que você fez no computador”, o que redefine como os assistentes conquistam contexto. Ambos empurram a indústria para o mesmo destino: uma IA que parece presente, não invocada.
O que fazer a respeito
- Se você constrói agentes sensíveis à latência (suporte, trading, operações), faça benchmarks na faixa dos 750 tok/s — fluxos que eram inviáveis a 50 tok/s se tornam viáveis.
- Fique de olho nos preços de inferência classe Cerebras; wafer-scale não é mais uma curiosidade.
- Repense a UX de memória do seu produto: registro de interações no estilo Computer History virará o mínimo esperado, e os controles de privacidade (sem capturas de tela, exclusão item por item) serão o diferencial.
