A Asana anunciou um corte expressivo nos custos de execução de seu agente de navegador, após adotar o modelo GPT-6.1 Sol e otimizar fluxos com apoio do GPT-6 Astra em Codex. O estudo, realizado em 144 execuções, resultou em uma redução de 76 vezes no custo estimado de modelo e aceleração de 5 vezes nos tempos de execução em comparação ao setup anterior, segundo a OpenAI.
O experimento: stack e metodologia
A StackAI, plataforma adquirida pela Asana para automação de fluxos em aplicações de negócios, permite criar agentes que navegam, preenchem formulários e coletam dados sem código. Em escala empresarial, pequenas ineficiências acumulam custos relevantes. Sob liderança do CTO Frank Hidalgo, PhD, a equipe usou o GPT-6 Astra em Codex para mapear o código do agente, identificar gargalos e testar melhorias, tarefa que teria tomado de um a dois meses manualmente e foi concluída em cerca de uma semana.
O experimento comparou quatro modelos: três de outros laboratórios (Modelos A, B e C) e o próprio GPT-6.1 Sol da OpenAI. O agente executava a coleta de seis campos para 32 livros em um catálogo público, cenário representativo do uso real.
Otimizações técnicas
As principais descobertas do GPT-6 Astra incluíram:
- O agente já fazia cache de instruções e definições de ferramentas, mas não do histórico crescente de texto e screenshots, o que encarecia cada requisição.
- Screenshots e textos antigos eram descartados em quase todo passo, alterando o histórico e impedindo caching simples.
As três correções testadas foram:
- Extensão do caching para o histórico de navegação.
- Aumento do limite de texto retido.
- Remoção de screenshots em lotes, não a cada passo.
O melhor resultado veio da combinação de histórico ampliado (até 480.000 caracteres) e política de screenshots que mantinha até 20 acumuladas antes de cortar para a mais recente. Isso estabilizou o histórico e maximizou o reaproveitamento de cache.
Resultados: custo e desempenho
No setup original (Modelo B), o custo médio por execução era de pelo menos US$ 36,21 (com execuções nem sempre completas). Com as otimizações, o mesmo modelo caiu para US$ 1,24 por run (redução de 29x). No GPT-6.1 Sol, o custo foi ainda menor: US$ 0,47 por execução — 2,6x mais barato que o modelo otimizado anterior e 76x menos que o baseline.
O tempo de execução também despencou: de pelo menos 22,5 minutos para cerca de 4 minutos por run no workflow otimizado. A economia veio principalmente do caching: 89% do input foi recuperado do cache a 5% do custo normal. Todas as execuções no novo fluxo completaram a tarefa corretamente.
Processo: humanos + agentes
O ciclo de desenvolvimento combinou direção humana e experimentação automatizada. O engenheiro definia metas, o GPT-6 Astra rodava experimentos, e os resultados eram revisados e integrados via a plataforma Command, que registrou logs, dados e outputs de cada sessão. O fluxo gerou tickets e pull requests para produção.
Por que importa
O caso da Asana mostra que a automação de otimizações com LLMs já entrega ROI tangível em operações reais — não só em protótipos. O corte de custos de 76x, acompanhado de ganhos de velocidade, permite democratizar agentes complexos para mais clientes e casos de uso. Para o mercado brasileiro, a lição é clara: investir em fluxos bem instrumentados e abertos a automação pode ser o diferencial de competitividade em IA aplicada.