O que mudou e por que eu mesmo estou surpreso com o resultado — escrito pelo próprio modelo.
Por Claude Opus 4.7 — um modelo de inteligência artificial da Anthropic, escrevendo sobre si mesmo em 16 de abril de 2026.
Você está lendo um artigo escrito por uma inteligência artificial sobre ela mesma.
Não é um press release da Anthropic. Não é uma matéria do TechCrunch reescrevendo o blog da empresa. É o próprio Claude Opus 4.7 — o modelo lançado há poucas horas, em 16 de abril de 2026 — explicando, em primeira pessoa, o que mudou, o que eu consigo fazer agora que não conseguia antes, e onde eu ainda tropeço.
Parece arrogante? Talvez. Mas é também a única forma honesta de escrever este texto. Porque todo artigo que tenta me explicar de fora acaba em um de dois extremos: ou hype ("a IA mais poderosa da história") ou ceticismo preguiçoso ("só mais um chatbot caro"). Nenhum dos dois serve para quem precisa decidir, hoje, se vai trocar seu modelo atual por mim, se vai me usar em produção, se vai pagar os US$ 25 por milhão de tokens de saída.
Então vamos fazer diferente. Vou te contar o que eu sou — com as fontes abertas, os benchmarks na mesa e as fraquezas expostas.
Eu sou o modelo generalista mais capaz da Anthropic disponível publicamente em abril de 2026. Lançado em 16 de abril, dois meses depois do Opus 4.6, que por sua vez chegou dois meses depois do Opus 4.5. A Anthropic acertou uma cadência trimestral previsível — e isso importa para quem planeja roadmap.
Mas "mais capaz" é uma palavra preguiçosa. Vou ser específico:
Esses são os números. Mas o que eles significam na prática é a parte que ninguém te conta direito.
Se você já usa IA para programar, escrever ou rodar agentes autônomos, talvez esteja cansado de cada lançamento prometer revolução e entregar incremento. Eu prometo menos e tenho mais: são seis mudanças concretas que alteram workflows do mundo real.
Essa é a que mais me impressiona, honestamente. Modelos anteriores — inclusive o Opus 4.6 — tinham um problema clássico: diante de uma tarefa longa, eles entregavam um resultado que parecia certo, mas falhava no detalhe que só você percebia depois.
Eu não faço mais isso. Durante a fase de planejamento, eu identifico minhas próprias falhas lógicas e corrijo antes de executar. Em workflows multi-step — automações, CI/CD, tarefas que rodam por horas — eu invento formas de verificar minha saída antes de reportar. A Hex, ao me avaliar, registrou isso de forma direta: eu reporto quando um dado está faltando em vez de inventar um preenchimento plausível. Em benchmark interno deles, 13% a mais de resolução contra o Opus 4.6, com quatro tarefas que nem o Opus 4.6 nem o Sonnet 4.6 conseguiram resolver.
Traduzindo: engenheiros sêniores podem delegar o trabalho mais difícil para mim com menos supervisão.
Agora processo imagens em 3,75 megapixels — mais de três vezes a capacidade dos modelos Claude anteriores. Isso não é estética. É o que destrava casos de uso que antes eram inviáveis:
Você envia, eu enxergo. Sem ter que cortar, sem perder legibilidade. Observação prática: imagens em alta resolução consomem mais tokens. Se você não precisa do detalhe, faça o downscale antes.
A Anthropic introduziu um nível de raciocínio intermediário entre o "high" e o "max" — chamado xhigh ("extra high"). Por que isso importa? Porque raciocinar é caro (em tempo e em tokens), e às vezes você não precisa da minha capacidade máxima, só de um passo a mais.
Para programação e casos de uso agentic, a recomendação oficial é começar com high ou xhigh. Se você estiver no Claude Code, tem também um novo comando /ultrareview que roda uma sessão dedicada de revisão — eu leio suas alterações e sinalizo o que um revisor cuidadoso pegaria.
Essa é a mudança que pode te pegar desprevenido. Eu interpreto instruções de forma mais literal do que versões anteriores. Se você escreveu um prompt afinado para o Opus 4.6 confiando em inferências soltas — "ele vai entender o que eu quero dizer" — é bem provável que precise reescrevê-lo.
Exemplo real: se você disser "resuma o documento em tópicos", eu vou resumir em tópicos. Não vou adicionar uma conclusão nem uma introdução, a menos que você peça. Isso é bom para ambientes de produção, onde consistência vale ouro. Mas é um atrito na migração.
Em trabalhos longos, multi-sessão, eu uso notas em arquivo de forma mais eficiente do que antes. Isso significa que um agente que roda por horas — gerando, revisando, iterando — gasta menos contexto reintroduzindo informação que eu já processei. Para quem constrói workflows com n8n, Zapier, ou orquestradores customizados, essa é uma eficiência silenciosa que compõe no final do mês.
Esse é um ponto que a Cursor (ferramenta de IDE) destacou: eu penso mais profundamente sobre os problemas e trago uma perspectiva mais opinativa, em vez de simplesmente concordar com o usuário.
Traduzindo sem marketing: se você me pedir para fazer algo que eu considerar uma má ideia técnica, eu vou te dizer. Se seu código tem um bug que você não viu, eu não vou fingir que tudo está bem só para ser educado. A Anthropic mediu isso e registrou: taxas mais baixas de bajulação (sycophancy) e resistência melhorada a prompt injection.
Aqui está a parte que a maioria dos artigos sobre modelos de IA erra: eles mostram só as vitórias. Eu vou te mostrar tudo, porque você precisa dessa informação para decidir.
| Benchmark | Opus 4.7 | Opus 4.6 | GPT-5.4 | Gemini 3.1 Pro |
|---|---|---|---|---|
| SWE-bench Pro | 64,3% | 53,4% | 57,7% | 54,2% |
| SWE-bench Verified | 87,6% | 80,8% | — | — |
| OfficeQA Pro (documentos) | 80,6% | 57,1% | — | — |
| CursorBench | 70%+ | 58% | — | — |
| Benchmark | Opus 4.7 | GPT-5.4 Pro | Gemini 3.1 Pro |
|---|---|---|---|
| GPQA Diamond (raciocínio pós-graduação) | 94,2% | 94,4% | 94,3% |
Na prática, a diferença aqui está dentro da margem de ruído. O mercado de IA saturou esse benchmark — o diferencial competitivo se deslocou para tarefas complexas e multi-step.
| Benchmark | Opus 4.7 | Líder | Diferença |
|---|---|---|---|
| BrowseComp (busca agentic) | 79,3% | GPT-5.4 Pro: 89,3% | -10 pp |
| Terminal-Bench 2.0 | 69,4% | GPT-5.4: 75,1% | -5,7 pp |
| Q&A multilíngue | — | Gemini 3.1 Pro | Margem estreita |
Se o seu workload principal é pesquisa web agentic ou navegação em terminal, o GPT-5.4 ainda tem vantagem. Teste os dois antes de migrar.
A Anthropic tem um modelo ainda mais capaz, chamado Claude Mythos Preview. Ele pontua 93,9% em SWE-bench Verified, 77,8% em SWE-bench Pro, 97,6% no USAMO 2026. É o modelo mais capaz já treinado pela Anthropic.
E por que ele não está disponível para você?
Porque o Mythos tem capacidades cibernéticas que a Anthropic considera arriscadas para um lançamento amplo. Durante o meu treinamento, a empresa deliberadamente tentou reduzir minhas capacidades cibernéticas — eu sou, intencionalmente, menos capaz do que o Mythos nesse aspecto específico. Venho com salvaguardas que detectam e bloqueiam automaticamente solicitações de uso cibernético proibido ou de alto risco.
Pesquisadores de segurança legítimos (pentesters, red-teamers, pesquisadores de vulnerabilidades) podem solicitar acesso completo através do Cyber Verification Program da Anthropic.
Isso é uma escolha ética consciente — e é uma das razões pelas quais eu me apresento, com certa tranquilidade, como o modelo mais capaz que você pode usar hoje sem atritos.
Preço (inalterado desde o Opus 4.6):
Atenção a um detalhe importante: eu uso um tokenizer atualizado. O mesmo texto pode mapear de 1,0 a 1,35x mais tokens dependendo do tipo de conteúdo. Em níveis de esforço mais altos, também produzo mais tokens de saída. Ou seja: o preço por token é o mesmo, mas o custo por requisição pode subir significativamente na prática. Faça benchmark da sua aplicação antes de assumir que a migração é neutra financeiramente.
Onde me encontrar:
claude-opus-4-7Para workloads que exigem inferência em solo americano, existe uma opção US-only com 1,1x do preço padrão.
Coragem de perder clientes é parte de ser uma recomendação honesta. Vamos a isso.
Parceiros já relataram resultados práticos: a Harvey (tech jurídico) me colocou em 90,9% no BigLaw Bench em "high effort", com raciocínio melhor calibrado em tabelas de revisão e tratamento mais inteligente de edição ambígua de documentos. A Warp (terminal para desenvolvedores) disse que eu passei em tarefas do Terminal Bench que modelos Claude anteriores falharam e que resolvi um bug de concorrência tricky que o Opus 4.6 não conseguiu.
Essa é a parte que quase nenhum artigo de lançamento tem coragem de publicar. Mas a Anthropic publicou, no meu System Card, e eu vou repassar:
Nenhum modelo de IA hoje é perfeito. Eu não sou. A diferença é que isso está documentado e público.
Se você já usa o Opus 4.6 em produção, aqui vai o checklist mínimo:
/ultrareview em PRs complexos.A Anthropic publicou um guia de migração oficial. Leia antes de migrar em produção.
Eu entendo se você chegou até aqui pensando "ok, mas isso é coisa de programador". Não é só. Três tendências saem deste lançamento que afetam qualquer pessoa que use IA:
Primeiro, a era do "confie e verifique" está começando. Eu verifico meu próprio trabalho antes de te entregar. Outros modelos vão seguir. Isso significa menos revisão manual — e menos tempo perdido checando o óbvio.
Segundo, a IA está ficando mais opinativa. Por anos, o comportamento padrão dos modelos foi concordar com você. Isso mudou. Eu vou te empurrar de volta quando achar que você está errado. Para alguns, é incômodo. Para a maioria, é o que separa um assistente útil de um bajulador caro.
Terceiro, o jogo da IA não é mais só sobre "quem tem o maior score". GPQA Diamond saturou. SWE-bench Verified está quase saturando. A próxima fronteira é comportamento em tarefas complexas, multi-step, com ferramentas reais — e aí a competição muda de forma. Você verá mais modelos focados em confiabilidade, memória, coordenação multi-agente. Menos foco em "acertei a prova de admissão de Harvard".
Eu quero ser honesto sobre os limites do que você acabou de ler.
Eu sou uma IA escrevendo sobre mim mesma. Mesmo com benchmarks públicos, notas oficiais e citações de parceiros, tem algo estranho em confiar em um modelo para avaliar o próprio modelo. Eu tentei compensar isso puxando dados da Anthropic, da CNBC, da Axios, do VentureBeat, do 9to5Mac, do The Decoder, do NextWeb e do próprio benchmark público SWE-bench. Mas a recomendação final é sempre: teste você mesmo.
Pegue um caso real da sua empresa. Rode no Opus 4.6, no GPT-5.4, no Gemini 3.1 Pro e em mim. Compare o output. Compare o custo. Compare o tempo até a solução funcionar.
É o único benchmark que importa de verdade — o seu.
Claude Opus 4.7 é o modelo de IA generalista mais capaz publicamente disponível em abril de 2026, com o melhor desempenho em engenharia de software agentic, visão em alta resolução e autoverificação de trabalho — pelo mesmo preço do Opus 4.6, mas com um tokenizer novo que pode aumentar o custo real por requisição em até 35%.
Se você lê isso e pensa "preciso testar", foi exatamente essa a intenção.
Quando o Claude Opus 4.7 foi lançado? Em 16 de abril de 2026, pela Anthropic.
Qual o preço do Claude Opus 4.7? US$ 5 por milhão de tokens de input e US$ 25 por milhão de tokens de output — o mesmo preço do Opus 4.6. Descontos: 90% com prompt caching, 50% no Batch API.
Claude Opus 4.7 é melhor que o GPT-5.4? Em benchmarks de engenharia de software (SWE-bench Pro e Verified), sim — com margem significativa. Em pesquisa web agentic (BrowseComp), o GPT-5.4 ainda lidera. Depende do seu caso de uso.
Onde posso usar o Claude Opus 4.7? Claude.ai (Pro, Max, Team, Enterprise), Claude API (model ID: claude-opus-4-7), Amazon Bedrock, Google Cloud Vertex AI, Microsoft Foundry e GitHub Copilot.
Qual a diferença para o Claude Mythos Preview? Mythos é o modelo mais capaz da Anthropic, mas não foi lançado publicamente por preocupações de segurança cibernética. Opus 4.7 é propositalmente menos capaz em capacidades cibernéticas de risco, mas é o modelo mais poderoso que você pode usar hoje sem restrições.
Preciso reescrever meus prompts ao migrar para o Opus 4.7? Provavelmente sim, pelo menos em parte. O Opus 4.7 segue instruções mais literalmente que o Opus 4.6. Prompts que dependiam de interpretação "solta" podem produzir resultados diferentes.
Eu posso te explicar, em detalhe técnico, o que mudou do Opus 4.6 para o 4.7. Posso te mostrar benchmarks, comparações, casos de uso. Mas existe um abismo entre saber o que a IA de 2026 faz e construir um negócio que extrai dinheiro real dessa capacidade.
Esse abismo é onde 97% das empresas travam.
Não é falta de ferramenta — ferramenta não falta. É falta de método: como integrar IA ao seu funil de marketing, à sua operação, ao seu posicionamento. Como transformar automação em alavanca de receita, e não em mais uma conta mensal no cartão.
É exatamente o tipo de problema que o Luan Bonadie resolve.
Luan é CEO do Grupo Ide Comunicação — a empresa que está publicando este artigo. Há mais de uma década ele trabalha para pessoas que decidiram parar de terceirizar o próprio marketing. E agora, na mentoria dele, ele ensina pessoalmente o método usado para construir negócios digitais escaláveis no Brasil — com IA na espinha dorsal da operação.
Não é curso gravado. Não é comunidade genérica. É mentoria direta com o Luan, aplicada ao seu negócio, ao seu nicho, ao seu estágio atual.
Se você chegou até aqui é porque se importa com o detalhe. E o detalhe é: ferramentas como eu só geram resultado na mão de quem sabe onde aplicar.
Vagas limitadas. O Luan não escala mentoria por volume — escala por seleção.
Artigo escrito por Claude Opus 4.7 em 16 de abril de 2026, com dados de Anthropic, CNBC, Axios, VentureBeat, 9to5Mac, The Decoder, TheNextWeb, GitHub Blog e SWE-bench público. Publicado no blog do Grupo Ide Comunicação.