Em 1º de agosto de 2026, a OpenAI anunciou que um modelo interno, ainda não lançado, chamado Astra, resolveu dez problemas abertos de matemática e ciência da computação teórica - cada um deles sem solução conhecida havia pelo menos uma década. O custo total de computação para chegar lá: cerca de US$2 mil.1 Para dar a dimensão: é aproximadamente o preço de um notebook de entrada, gasto para resolver o que departamentos inteiros de matemática não resolveram em dez anos.
O que a Astra resolveu
Os dez problemas cobriram oito áreas distintas: geometria de alta dimensão, teoria da codificação, complexidade de circuitos aritméticos, teoria de grupos, álgebras de operadores, complexidade quântica, criptografia de reticulados e combinatória extremal.2 Entre os resultados: uma construção explícita de um grupo não sófico, resolvendo uma questão em aberto desde que Mikhail Gromov definiu o conceito de sofia, em 1999. A Astra também refutou a conjectura de rigidez de Connes sobre álgebras de von Neumann, provou a conjectura do volume de Ehrhart, e resolveu três problemas do catálogo de Paul Erdős - incluindo o problema 183, sobre números de Ramsey multicoloridos.3
O detalhe que muda tudo: ninguém precisa acreditar na OpenAI
O mais importante nesta história não é a lista de resultados - é como eles foram publicados. A OpenAI divulgou um manuscrito de 249 páginas junto com os certificados de prova em Lean 4, uma linguagem de prova formal, disponibilizados no GitHub sob licença Apache 2.0.1 No repositório, a contagem de "sorry" - o marcador que a linguagem Lean usa para sinalizar um passo não verificado - é zero. Isso significa que cada etapa das dez provas formalizadas foi checada por máquina, não apenas alegada. Qualquer matemático, em qualquer lugar, pode rodar o verificador e confirmar - sem depender da palavra da OpenAI.
Contexto: uma semana em que a inteligência ficou mais barata
O anúncio da Astra não veio isolado. Dias antes, no fim de julho, a OpenAI havia começado a distribuir silenciosamente o GPT-5.5, com uma arquitetura de raciocínio nativa "System 2". Em 30 de julho, cortou o preço do GPT-5.6 Luna em 80%, para US$0,20 por milhão de tokens de entrada.4 A mesma semana que produziu dez provas matemáticas inéditas também produziu o corte de preço mais agressivo do ano na camada de modelo.
Isso não é sobre matemática
Dá para ler essa história como curiosidade acadêmica. É mais útil lê-la como um dado de preço: capacidade de raciocínio de fronteira - o tipo que resolve o que humanos treinados não resolveram em dez anos - está sendo entregue por um custo marginal que já cabe em despesa de cartão corporativo. Isso reforça a tese que já defendemos em nossa análise sobre orquestração de IA virar commodity: o fosso não está mais em ter acesso ao modelo mais inteligente. Está em saber o que fazer com ele.
Quando resolver um problema de dez anos custa US$2 mil, o gargalo não é mais a inteligência disponível - é a pergunta que você sabe fazer.
Se a inteligência de fronteira já está nesse preço, a pergunta que sobra para quem constrói produto não é mais "dá pra pagar por IA". É se o seu produto usa essa inteligência bem o suficiente para alguém notar a diferença.