GPT-5.6 na prática: 67 projetos e US$ 240 mil

O relato mais caro de GPT-5.6 na prática que apareceu até agora não vem de um benchmark, vem de uma fatura. Theo, da t3.gg, diz ter queimado de US$ 180 mil a US$ 240 mil em inferência em seis semanas e espalhado o trabalho por 67 projetos. Segundo ele, o ganho real está em terminar sozinho tarefas que antes exigiam supervisão constante.

Se você quer saber onde esse dinheiro foi parar, os números ajudam mais que a promessa. Veja como o caso se distribui:

O que Theo mediu	Número
Gasto em inferência	US$ 180 mil a US$ 240 mil
Período	6 semanas
Projetos tocados	67

A leitura dele é direta: a vantagem não aparece em acertar melhor uma resposta isolada. Aparece quando o modelo conduz a tarefa inteira sem você olhando a cada passo.

GPT-5.6 na prática: o que o relato de Theo realmente mostra

O relato de Theo, criador do T3 Stack, mostra que o GPT-5.6 aguenta tarefas longas sem reiniciar a conversa; o custo estimado, porém, é de US$ 180 mil a US$ 240 mil em cerca de um mês e meio. Os números são dele, não de uma reprodução independente.

O que o relato descreve não é um modelo mais inteligente em cada resposta isolada. É um modelo mais teimoso na execução. Segundo Theo, tarefas que antes exigiam supervisão — autenticação de CLI, camada de banco, fluxo de permissões — foram concluídas em uma única thread, às vezes por mais de 20 horas seguidas. Ele publicou o vídeo em 10 de julho de 2026 e afirma ter recebido acesso antecipado antes do lançamento.

Dimensão	Com fast mode	Sem fast mode
Custo da inferência	multiplicado por cerca de 2x	bem menor, segundo Theo
Estimativa em um mês e meio	US$ 180 mil a US$ 240 mil	caberia em assinatura comum
Projetos tocados	67	67

Para quem paga do próprio bolso, o detalhe importa: Theo sustenta que boa parte desse consumo caberia em uma assinatura comum. O fast mode é a versão acelerada, e é ele que multiplica o preço por algo perto de 2x. Ele mesmo diz que não considera o volume um caso de uso realista e que ninguém deveria replicar.

A lição mais transferível é simples: persistência de contexto e uso de computador confiável mudam o tipo de tarefa que você delega. O resto do relato é evidência de primeira mão, não prova de superioridade geral.

O que mudou em relação à geração anterior

A diferença relatada por Theo entre GPT-5.6 e a geração anterior está na recuperação de contexto, não em acertos pontuais. Ele descreve a geração anterior como um modelo que se perdia no meio de uma tarefa longa e obrigava a abrir nova thread quando algo ruim entrava no contexto.

Com GPT-5.6, segundo o relato, isso deixou de acontecer durante todo o período de teste. Ele afirma ter rodado tarefas de mais de 20 horas sem usar nenhum comando de continuidade. Trate esse número como experiência de primeira mão do autor, não como benchmark.

O segundo ganho relatado é uso de computador via navegador. Theo descreve situações em que o modelo navegou por painéis, verificou o que existia numa interface e executou ações, em vez de apenas sugerir passos. A geração anterior falhava nisso de forma mais visível.

Vale separar as camadas: o que foi testado foi o modelo dentro de um ambiente agêntico, com acesso a terminal, navegador e arquivos. O ganho não é só do modelo isolado, é do conjunto modelo mais ferramentas mais persistência disponível.

Os 67 projetos e o que saiu do papel

Nem todo projeto recebeu o mesmo esforço: alguns levaram só um objetivo amplo e outros tiveram ida e volta longa. É por isso que a contagem de projetos, sozinha, diz pouco sobre a qualidade do resultado. A lista abaixo separa o que ele diz estar pronto do que ficou como experimento.

O GPT-5.6 entrega execução longa e tarefas técnicas com pouca supervisão, mas falha em gosto visual e escrita criativa. Theo, que testou o modelo em 67 projetos e US$ 240 mil, não colocaria boa parte dos resultados em produção hoje.

O que realmente funcionou e o que ficou pela metade

O que ele elogia sem ressalva é a combinação de persistência com uso de computador. Em um episódio relatado no vídeo, o modelo teria consertado uma partição de boot quebrada por conta própria, depois de entrar no grub e reiniciar algumas vezes. Comandos de terminal com o grub exigem paciência e tolerância a risco; Theo diz que ficou surpreso.

Frente testada	O que saiu pronto	O que ficou devendo
Persistência e uso de computador	Partição de boot consertada sozinha via grub	Exige tolerância a risco em comandos de terminal
Transpiler TypeScript em Rust	Quase 200 mil linhas em 29 crates, funcionando	Checagem de tipos incompleta; uns 5% do caminho até o TypeScript Go
Front-end	Mais controlável que a geração anterior	Sem bom gosto visual; interface de terminal refeita com outro modelo
Escrita criativa	—	Textos publicitários descartados
3D	Geometria própria e texturas automáticas	Controles piores que o esperado para um jogo de exploração

Um dos resultados mais comentados é o transpiler TypeScript em Rust. Segundo Theo, o modelo escreveu quase 200 mil linhas de Rust em 29 crates e produziu um transpiler funcionando a partir de um corpus de cinco arquivos. A checagem de tipos, porém, ficou incompleta: ele cita uma estimativa de que o protótipo teria só uns 5% do caminho até substituir o TypeScript Go, apesar de o volume de código dar outra impressão.

Front-end é onde a avaliação fica mais dura. Segundo o próprio autor, o modelo não tem bom gosto visual por padrão: uma interface de terminal que ele construiu saiu tão feia que precisou ser refeita com outro modelo. Ele diz que o GPT-5.6 é mais controlável e tem gosto menos ruim que a geração anterior, mas não é um bom modelo de front-end.

Escrita criativa também decepcionou. Ele relata ter descartado textos publicitários gerados pelo modelo. Em 3D, o resultado foi estranho: geometria própria e texturas geradas automaticamente, com controles piores que o esperado para um jogo de exploração. Theo diz que o progresso é real, mas afirma que não colocaria isso em produção hoje.

O padrão que se repete é esse: execução longa e operações técnicas vão bem; julgamento estético e escrita ainda exigem supervisão humana.

Custo real: US$ 180 mil a US$ 240 mil em seis semanas

Os números de custo do vídeo são estimativas do próprio autor, não faturas auditadas, e vale tratá-los assim. Ele fala em US$ 180 mil a US$ 240 mil de inferência em um mês e meio, e em um consumo de 71,2 bilhões de tokens em uma única execução de objetivo. Esse volume corresponde ao preço do fast mode.

Esse detalhe muda a leitura. Segundo Theo, o fast mode custa cerca de 2x o modo normal. Tirando o fast mode da conta, o mesmo trabalho ficaria muito mais barato — ele sugere algo na casa de metade. Nenhum desses números é uma referência de preço oficial, e sim uma conversão feita por quem usou.

Ele também afirma que boa parte daquilo caberia nos limites de uma assinatura comum, desde que você não escolha fast mode. Para um desenvolvedor individual, isso é a informação prática mais útil: o gargalo principal é a escolha de modo, não o modelo em si.

Nada disso foi verificado de forma independente. O relato é de primeira mão, com números do próprio autor, e deve ser lido como experiência pessoal em um contexto específico.

Reescritas completas: o que mexeu com o autor

A parte que Theo mais destaca são reescritas completas a partir de um aplicativo existente. Ele relata ter reconstruído um app feito em React Native duas vezes: uma em AppKit com Swift, outra em SwiftUI. Segundo ele, ambas ficaram funcionais de ponta a ponta, com os mesmos recursos, em cerca de duas a quatro horas cada.

É esse número que ele apresenta como o mais impressionante do vídeo. A expectativa dele era obter algo quebrado depois de um dia de trabalho. As duas reescritas nativas contrariaram a expectativa.

Ele repete o padrão em outras frentes. Um agente auxiliar foi reescrito em Rust com paridade parcial, chegando a um binário que consome algo perto de 15 MB de RAM, contra a versão original em Python que ele descreve como pesada, mas que roda dedicada em um Mac Mini e não tem desempenho como meta.

Reescrita a partir de um app que você já tem é uma das tarefas em que o modelo foi melhor. Traduções fiéis precisam de todos os comportamentos do original, o que dá ao modelo um alvo concreto. Esse é um recorte, não uma prova de que reescrever qualquer software saia do jeito que saiu nesses casos.

Uso de computador, navegador e a rotina de um desenvolvedor

Uso de computador deixou de ser um experimento no relato de Theo e virou parte da rotina. Ele descreve o modelo verificando painéis, navegando por configurações e executando ações em páginas que ele mesmo não queria abrir. Isso só funciona porque existe um navegador acessível de forma programática para o agente.

A rotina que ele montou inclui um repositório para organizar máquinas da rede, com finalidade e configuração de cada uma. Quando chega um computador novo, ele abre esse repositório, descreve o que tem em mãos e deixa o agente aplicar a configuração. Ele também mantém um drive inicializável com ferramentas de terminal, usado para recuperar máquinas que quebram.

Há um limite prático nisso: oferecer navegador e controle remoto a um agente é conveniente e também é risco. Tudo o que o modelo fizer na sua conta acontece com as permissões que você deu. Theo relata que o ambiente de teste era tolerante, o que não é garantia para ninguém.

O recado para quem desenvolve é operacional: use um ambiente isolado, restrinja escopos e não dê ao agente credenciais mais amplas do que a tarefa exige.

O que você deve copiar desse experimento sem gastar US$ 240 mil

Você não precisa replicar o volume de gasto para aproveitar o que o relato mostra. As três coisas que se sustentam fora do experimento caro são persistência de tarefa longa, uso de computador para tarefas operacionais e reescrita a partir de um app existente.

Três hábitos que saem direto do relato e cabem em qualquer orçamento:

Perguntas frequentes sobre GPT-5.6 na prática

• O que é GPT-5.6 na prática? É um relato de uso publicado em 10 de julho de 2026 por Theo, criador do T3 Stack, no canal t3.gg. Ele descreve seis semanas de acesso antecipado, 67 projetos tocados e tarefas longas concluídas em uma única conversa. O vídeo não é uma análise por benchmarks nem uma reprodução independente.

• GPT-5.6 é melhor que a geração anterior? No relato de Theo, sim, especialmente em manter o contexto de tarefas longas e em uso de computador. Ele diz que a geração anterior se perdia no meio do trabalho e obrigava a abrir uma conversa nova. Essa é evidência de primeira mão, não um comparativo controlado.

• Quanto custa usar GPT-5.6 do jeito que ele usou? Ele estima entre US$ 180 mil e US$ 240 mil de inferência em cerca de seis semanas, valor calculado com o fast mode, que segundo ele custa quase 2x o modo normal. Ele mesmo afirma que esse nível não é realista para o dia a dia e que boa parte caberia em uma assinatura comum.

• GPT-5.6 é bom para front-end? Segundo Theo, não é o ponto forte. Ele relata interface gerada com aparência ruim, refeita em outro modelo, e diz que o modelo é mais controlável que a geração anterior, mas ainda não é bom no visual. O que ele elogia é execução técnica, não acabamento de interface.

• O transpiler TypeScript em Rust funciona? O autor relata um transpiler funcional a partir de um corpus de cinco arquivos, com checagem de tipos incompleta. Ele cita que o código é um protótipo amplo com uma fatia verificada pequena e que ainda faltaria muito para substituir o compilador oficial. Nada disso foi validado de forma independente.

• Vale a pena usar uso de computador no dia a dia? O relato indica que sim, para tarefas operacionais como configurar painéis, navegar por sistemas e recuperar máquinas que quebraram. O ganho depende de o agente ter navegador acessível de forma programática. O risco de dar controle amplo a um agente continua sendo seu para administrar.

• Dá para usar GPT-5.6 sem gastar uma fortuna? Sim, segundo o próprio autor, desde que você evite o fast mode e limite o escopo das tarefas. Ele afirma que boa parte do consumo caberia em uma assinatura — o consumo extremo do vídeo foi resultado de testes deliberados.

• GPT-5.6 serve para cópia de texto e escrita criativa? No relato, não. Theo diz ter descartado textos publicitários gerados pelo modelo. Execução técnica e persistência são as forças descritas; julgamento estético e escrita ficam como pontos fracos.

• Quais são as limitações conhecidas do modelo? Gosto visual fraco, escrita criativa ruim e checagem de tipos incompleta em um dos projetos mais ambiciosos. O modelo também falhou em tarefas de interface e gerou geometria 3D estranha. Nada disso é incomum, mas o relato não esconde essas falhas.

• O experimento prova que qualquer projeto pode ser reescrito? Não. O relato mostra reescritas bem-sucedidas a partir de apps que já existiam, o que dá ao modelo um alvo concreto para copiar. Não é uma prova de que qualquer software sai pronto do zero com o mesmo nível de sucesso.

• Como começar sem acesso antecipado? Comece por uma tarefa longa que você já sabe terminar manualmente, teste persistência e uso de ferramentas e meça seu próprio consumo antes de escalar. O projeto Crazystack Typescript, de Gustavo Dev Doido, em https://crazystack.com.br, e o Bootcamp do Dev Doido são referências úteis para essa trilha prática em português.

• O que esse relato ensina sobre ferramentas de codificação agêntica? Ferramenta certo, contexto seguro e persistência contam mais que o número de projetos que você abre ao mesmo tempo. O valor está em deixar o modelo terminar o que começou, com supervisão nos pontos que exigem bom gosto.

Uma rotina que produz artigos a partir do vídeo que você já gravou

O experimento de Theo mostra um padrão que vale para quem produz conteúdo técnico: o valor está na execução longa e no contexto preservado, não no volume bruto de trabalho. Sobra conteúdo dentro de vídeos que nunca vira texto pesquisável, mesmo quando a explicação já está pronta na gravação.

Se você tem entrevistas, opiniões ou aulas dentro do YouTube, o Skala Blog pega uma URL, transcreve o vídeo e gera um artigo estruturado para você revisar antes de publicar. É o mesmo movimento que você faria ao transformar uma explicação longa em algo que o leitor pode consultar depois.

Source video