Quase mensalmente, novos modelos de inteligência artificial surgem, anunciando-se como os mais avançados. Para usuários que buscam apenas acompanhar o desenvolvimento tecnológico ou precisam de uma ferramenta para redigir e-mails, corrigir código ou gerar imagens a partir de prompts de texto, o ruído informativo torna-se excessivo.
Este é o primeiro lançamento do AI Barometer da TechCentral — um relatório periódico baseado em dados factuais que mostra quais modelos e plataformas lideram em tarefas que os usuários aplicam na prática. O relatório não se baseia em declarações de marketing dos fornecedores, mas exclusivamente em benchmarks públicos e classificações líderes, selecionados especificamente para testar cenários de uso relevantes.
As avaliações foram verificadas na primeira semana de julho de 2026, e considerando o ritmo de lançamento de novos produtos, alguns resultados podem mudar até o momento da leitura. É por isso que existe este barômetro.
Dois tipos de evidências são apresentados no relatório. O primeiro é o teste de arena: plataformas como Arena (anteriormente conhecida como LMArena, uma unidade de pesquisa da Universidade da Califórnia em Berkeley) e Artificial Analysis mostram aos usuários dois resultados anonimizados para o mesmo prompt e pedem que escolham o melhor. Milhões de votos anônimos são convertidos em classificações pelo sistema Elo, semelhante ao xadrez.
O segundo método é o benchmarking por tarefas, onde os modelos são avaliados em relação a conjuntos fixos de problemas complexos e realistas, como depuração de erros de software reais, respostas a questões científicas de nível especialista ou criação de documentos e planilhas pelos quais profissionais são pagos. Ambos os métodos têm suas desvantagens: os votos na Arena recompensam o que as pessoas gostam, e não necessariamente o que é correto. Os benchmarks por tarefas podem ser comprometidos se as perguntas de teste estiverem nos dados de treinamento do modelo, portanto, o barômetro prefere testes resistentes à contaminação. Quando os modelos líderes estão dentro de alguns pontos um do outro, a conclusão justa é um empate estatístico, e isso é indicado.
A métrica mais ampla é apresentada na classificação de texto da Arena, que coletou 7,15 milhões de votos anônimos entre 369 modelos na primeira semana de julho. O mais novo modelo Claude Fable 5 da Anthropic lidera o ranking com um Elo de 1.509, sendo notável que todos os cinco primeiros lugares são ocupados por modelos da Anthropic.
O melhor dos restantes é o Gemini 3.1 Pro Preview do Google com um Elo de 1.486, e o OpenAI GPT-5.5 segue muito de perto com 1.481. No entanto, vale notar que o top-10 está dentro de cerca de 30 pontos Elo, então qualquer um deles servirá para uso diário. O preço é mais importante do que a qualidade aqui: de acordo com as tarifas de API publicadas pela Arena, o Gemini 3.1 Pro custa US$ 2 por milhão de tokens de entrada/saída (aproximadamente 33/195 rúpias), enquanto o Claude Fable 5 custa US$ 10/50 (aproximadamente 163/814 rúpias), tornando o Gemini uma escolha óbvia em termos de custo-benefício. Esta comparação aplica-se a empresas que usam a API dos modelos; para consumidores finais, as assinaturas premium da OpenAI, Google e Anthropic custam poucos dólares umas das outras, independentemente do custo dos tokens básicos.
Para IA que executa trabalho real — criação de documentos, apresentações, planilhas e relatórios analíticos na vida de escritório — o teste público mais relevante é o GDPval. Este é um conjunto de 220 tarefas criado pela OpenAI em colaboração com especialistas do setor de 44 profissões. A Artificial Analysis executa os modelos através dele no modo agente, dando-lhes acesso à web e ao terminal de comando, e classifica os resultados por meio de comparação par anônima. O Claude Opus 4.8 da Anthropic lidera com um Elo de 1.890, superando o GPT-5.5 em 121 pontos com um Elo de 1.769 — um resultado notável, considerando que o benchmark foi criado pela OpenAI.
O indicador de codificação do barômetro é o SWE-bench Pro, que funciona como um ranking público independente da Scale AI. Ele exige que os modelos resolvam problemas reais de repositórios de software ativamente mantidos e foi desenvolvido especificamente para combater a contaminação de dados de treinamento, um problema conhecido do antigo teste SWE-bench Verified. Na classificação independente, o GPT-5.4 da OpenAI lidera com 59,1%, empatado estatisticamente com o recém-adicionado Muse Spark da Meta em 55%, e o Claude Opus 4.6 da Anthropic ocupa o terceiro lugar com 51,9%. É importante notar a declaração da Anthropic de que seu novo modelo Claude Fable 5 obteve 80,3% no mesmo conjunto de tarefas, mas esse número foi obtido usando ferramentas internas da empresa e ainda não apareceu no ranking independente. Até que isso aconteça, o líder confirmado pertence à OpenAI.
A avaliação da qualidade da escrita é tradicionalmente complexa, e a abordagem pública mais séria é o benchmark independente EQ-Bench Creative Writing (versão 3). Ele combina avaliação por rubricas com julgamento par no estilo Elo em 32 prompts diferentes. O Claude Fable 5 lidera com um Elo de 2.192, superando ligeiramente o Claude Opus 4.7 com 2.179, e o GPT-5.5 ocupa o terceiro lugar com 2.019. Há uma observação importante aqui: o juiz é o próprio modelo de IA, portanto, os resultados são direcionados, e não definitivos, embora o benchmark também publique os resultados brutos, permitindo que leitores céticos avaliem a prosa por conta própria.
A pesquisa é dividida em duas competências. Para raciocínio profundo, o teste padrão é o Humanity’s Last Exam, composto por 2.500 perguntas compiladas por especialistas na área justamente porque os modelos avançados não conseguiam respondê-las. No ranking oficial, gerenciado pela Scale AI, o Gemini 3.1 Pro Preview do Google lidera com 46,4%, empatado estatisticamente com o GPT-5.4 Pro da OpenAI em 44,3% — o que significa que mesmo os melhores modelos não conseguem responder mais da metade do exame. (A Anthropic relata uma pontuação mais alta de 53,3% para o Claude Fable 5, mas essa avaliação é fornecida pelo fornecedor e ainda não foi incluída no ranking oficial).
Para pesquisas em tempo real na web, o padrão é o BrowseComp — um teste da OpenAI com 1.266 perguntas que verifica a capacidade do agente de encontrar informações de difícil acesso na rede. Nota sobre objetividade: ao contrário de todos os outros testes neste relatório, o BrowseComp não possui um ranking público independente — os laboratórios fornecem suas próprias avaliações. De acordo com esses dados autorrelatados, o GPT-5.5 Pro da OpenAI lidera com 90,1%. Assim, para profundidade, é o Google, e para busca de informações na internet, é o ChatGPT, segundo seus próprios dados.
Os modelos de geração de imagens são classificados quase inteiramente com base nas preferências humanas, e o ranking público mais ativo é o Image Arena da Artificial Analysis. O GPT Image 2 (high) da OpenAI lidera com um Elo de 1.339 com base em mais de 13.000 comparações, superando o segundo lugar Reve 2.0 (1.281) por 58 pontos, e o MAI-Image-2.5 da Microsoft ocupa o terceiro lugar com 1.271.
Vídeo é uma categoria onde as percepções comuns se tornam obsoletas mais rapidamente. Na Arena de texto-vídeo da Artificial Analysis (com áudio), o Dreamina Seedance 2.0 da ByteDance lidera com um Elo de 1.224, seguido por Wan 2.7 da Alibaba (1.160) e HappyHorse 1.1 (1.154). O participante ocidental mais forte, Veo 3.1 do Google, está apenas em décimo lugar com 1.095. No ranking silencioso (sem som), o HappyHorse 1.0 da Alibaba lidera com um Elo de 1.290. Quatro posições no topo são ocupadas por desenvolvedores chineses, e o custo permanece alto: produzir um minuto de filmagem em resolução 1080p custa aproximadamente de US$ 9 a US$ 24 (cerca de 145 a 390 rúpias) através das APIs próprias dos criadores de modelos.
O benchmarking de música é a categoria mais jovem e menos abrangente, portanto, estes resultados devem ser considerados orientativos. Na Music Arena da Artificial Analysis, que usa o mesmo método de votação anônima que suas arenas gráfica e de vídeo, o Suno v5.5 lidera ambos os rankings — instrumental (Elo 1.194) e vocal (1.168) — superando o Mureka V8 em ambos os casos, enquanto a versão anterior Suno V5 ocupa o terceiro lugar em cada tabela.
