Como cada nova versão do Claude fica mais barata, explica CFO da Anthropic

A Anthropic mantém um piso de investimento em computação próximo ao topo do possível, buscando retornos extremamente altos mesmo com a incerteza de curto prazo.
Cada nova versão do Claude (4, 4.5, 4.6 e 4.7) entrega maior capacidade de processamento e, ao mesmo tempo, menor custo por token.
A alocação de recursos é descentralizada e colaborativa: equipes defendem suas necessidades com base no retorno sobre investimento.
O ganho de eficiência, gerado a cada geração, alimenta o treinamento e a inferência, criando um ciclo de melhorias contínuas.
O aprendizado por reforço reduz o custo de treinamento à medida que modelos mais eficientes para inferência aparecem, comprimindo o cone da incerteza.

No ritmo atual da inteligência artificial, decidir quanto investir em computação é um desafio central. A Anthropic discute um piso de investimento que não recua, mantendo a fronteira da IA ativa mesmo diante de pressões de curto prazo. O objetivo é sustentar o topo do que é tecnicamente possível.

O CFO Krishna Rao explica que a empresa adota uma alocação de recursos com foco na eficiência. Parte do orçamento é mantida para a fronteira de desenvolvimento, para obter retornos extremamente altos, especialmente no segmento corporativo, mesmo em cenários incertos.

A gestão interna segue uma lógica de debate aberto: cada equipe defende a fatia de computação necessária para seu caso de uso, buscando clareza sobre o retorno de investimento. A estratégia evita tratar infraestrutura como custo oculto.

Ganhos de eficiência impulsionam o desenvolvimento

Segundo Rao, cada salto de versão do Claude traz ganhos em capacidade e na eficiência de processamento de tokens. Entre Claude 4, 4.5, 4.6 e 4.7, a tendência é de melhoria contínua sem reduzir a qualidade de saída.

O paralelo com automóveis ajuda a entender o processo. A cada nova versão, não se trata apenas de desempenho, mas de ganhos pronunciados tanto na capacidade quanto na eficiência. O resultado é uma evolução com maior poder computacional e menor custo por token.

Há um ciclo virtuoso: o aprendizado por reforço reduz o custo de treinamento ao tornar a inferência mais eficiente. Modelos mais rápidos elevam a produtividade, o que facilita novas rodadas de aperfeiçoamento e acelera a redução de custos ao longo do tempo.