O GPT-Rosalind passa a ser cobrado hoje. Modelo especialista é nova camada de produção, não só resposta melhor

A partir de hoje, 5 de outubro, a OpenAI começa a cobrar pelo GPT-Rosalind, o modelo dela para pesquisa em biologia, descoberta de fármacos e medicina translacional. O modelo saiu de preview em setembro e está disponível no mundo todo, mas só para organizações aprovadas no programa de acesso confiável (trusted access) da OpenAI, pela API, pelo Codex e pelo ChatGPT Enterprise.

Para uma farmacêutica, uma biotech ou uma CRO, o que interessa não é a tabela de preços. É o que um modelo especialista faz com a arquitetura: ele cria uma camada separada, com regras de acesso próprias, usos aprovados próprios e uma forma própria de provar valor.

O que está publicado

A documentação de preços da OpenAI lista o modelo na API como gpt-rosalind-research, a US$ 5 por milhão de tokens de entrada, US$ 0,50 por milhão de tokens de entrada em cache e US$ 25 por milhão de tokens de saída, com cobrança a partir de 5 de outubro de 2026 e sem custo de escrita em cache. A mesma página traz o limite que mais importa: o acesso é restrito a pesquisa interna aprovada, via trusted access. As organizações elegíveis continuam recebendo os modelos GPT-Rosalind mais recentes à medida que forem lançados.

Vale registrar duas coisas na documentação interna. Primeiro, isso não é disponibilidade geral no sentido comum: a organização precisa ser aprovada, e a aprovação cobre um uso, não só uma empresa. Segundo, o modelo foi posicionado para pesquisa. Nada no anúncio transforma a saída dele em evidência científica ou clínica validada.

O preço não é a parte difícil

Compare com os modelos gerais da OpenAI. O GPT-5.6 Sol custa US$ 4 de entrada e US$ 20 de saída por milhão de tokens em contexto curto; o GPT-5.6 Terra, US$ 2 e US$ 12. O GPT-Rosalind fica um pouco acima do Sol. Para quem orça em reais, a exposição ao câmbio pesa tanto quanto a diferença entre modelos, e nenhuma das duas deve decidir sozinha se o especialista vale a pena.

O que decide é se o especialista faz o trabalho científico melhor por resultado validado. Um modelo que rascunha uma rota de síntese, um pipeline de genômica ou um protocolo de ensaio só sai mais barato se menos saídas forem descartadas na revisão. É um problema de medição, o mesmo que tratamos na análise do roteamento por tarefa no guia do GPT-6: custo por tarefa bem-sucedida, não por token.

Acesso confiável é objeto de governança

A aprovação para “pesquisa interna” tem consequências dentro da empresa:

• Quem é elegível. Times de pesquisa, sim. Um time comercial que queira o mesmo modelo para conteúdo médico, ou a farmacovigilância, pode ficar fora do uso aprovado. Registre isso antes que alguém construa em cima.
• Chaves e projetos separados. Mantenha o acesso ao especialista num projeto próprio, com chaves, responsáveis e logs próprios, para mostrar quais pessoas e sistemas o usaram.
• Mudança de finalidade. Um assistente de pesquisa que passa a produzir conteúdo para dossiês regulatórios mudou de finalidade. Isso é um novo uso que precisa de revisão, não uma extensão natural.

Dado genético é dado pessoal sensível pela LGPD. Se um fluxo leva sequências ou dados de participantes de estudos ao modelo, a base legal, a anonimização e a transferência internacional precisam estar resolvidas antes, e não depois, de ligar a integração. Em pesquisa clínica, a Lei 14.874/2024, que reorganizou o sistema de ética em pesquisa com seres humanos, torna ainda mais importante saber o que o protocolo aprovado permite fazer com esses dados. A página de preços da OpenAI também menciona endpoints de residência de dados regional, com acréscimo de 10% para modelos lançados depois de 5 de março de 2026; confirme se há opção que atenda à sua jurisdição antes de assumir que existe.

É o mesmo padrão que vimos quando a Anthropic colocou o acesso para ciências da vida atrás de um programa de verificação: nesse setor, acesso a modelo virou ativo governado, concedido para uma finalidade e auditável contra ela.

1. Pedido de pesquisa
2. Roteamento por tarefa
3. Modelo generalista
4. Modelo especialista (acesso restrito)
5. Revisão do cientista
6. Validação em bancada ou computacional

• Roteamento: Pedido de pesquisa · Roteamento por tarefa · Modelo generalista · Modelo especialista (acesso restrito)
• Evidência: Revisão do cientista · Validação em bancada ou computacional

Caminho padrãoSó no uso aprovado

O que muda na arquitetura

Roteamento precisa de regra, não de hábito. Defina quais tarefas vão para o especialista (biologia de alvos, raciocínio químico, código de análise ômica) e quais ficam com o generalista (resumos, atas, triagem de literatura). Coloque a regra no gateway ou na camada de orquestração, onde ela fica registrada.

Avaliação tem que ser do domínio. Benchmark genérico não diz se o modelo ajuda seus químicos. Monte um conjunto pequeno de problemas antigos dos seus programas, com resposta conhecida, e compare especialista e generalista antes de ampliar o uso.

A fronteira da validação não muda. A saída do modelo é hipótese ou rascunho. Resultado experimental, checagem computacional e assinatura do cientista continuam sendo o portão. Se um resultado assistido por IA for parar num dossiê para a Anvisa, quem vai precisar explicar como ele foi produzido é a empresa, não o fornecedor do modelo.

O registro acompanha a pesquisa. Guarde prompts, versão do modelo e saídas de trabalhos que possam virar patente, publicação ou submissão regulatória.

O que fazer agora

1. Confirme por escrito a elegibilidade e o uso aprovado, e associe a times nomeados.
2. Crie um projeto dedicado, com chaves, responsáveis e relatórios de uso separados.
3. Escreva a regra de roteamento entre generalista e especialista e registre cada chamada roteada.
4. Resolva a LGPD antes da integração: base legal, anonimização e transferência internacional para dados genéticos e de participantes.
5. Acompanhe o custo por saída aceita (protocolo, pipeline, lista de candidatos), em reais, não só o gasto em tokens.
6. Mantenha a bancada como portão. Nenhuma saída do modelo avança sem a validação que exigiria se uma pessoa a tivesse produzido.

Em resumo

O preço do GPT-Rosalind parece comum, e é justamente esse o ponto. A pergunta deixou de ser se um modelo especialista cabe no orçamento. Passou a ser se a empresa consegue concedê-lo para uma finalidade, rotear trabalho para ele de propósito e provar que ele gera resultados que os cientistas mantêm.