Claude Haiku 4.5 serve para escrever código? Em que tarefas ele dá conta e onde ele para

Vale delegar código pro modelo mais barato da Anthropic, ou isso é economia que sai cara três horas depois?

Fala aí, beleza? O Claude Haiku 4.5 chegou em 15 de outubro de 2025 e, olhando de agosto de 2026, ele ainda é o Haiku atual: não veio Haiku 4.6 nem Haiku 5, enquanto Sonnet e Opus já pularam pra geração 5

Ou seja, a linha pequena parou na 4.5 e o resto da família andou

Isso muda a pergunta que interessa. Não é "o Haiku é novo?", é "pra que tipo de trabalho de código ele ainda entrega?"

É esse recorte que o post faz: o que cabe nele, onde ele para e como apontar teu setup pra ele sem quebrar o resto 🙂

Haiku 4.5 x Sonnet 5: preço, benchmark e velocidade lado a lado

A comparação que importa na hora de decidir não é Haiku contra o mundo, é Haiku contra o modelo pro qual você subiria

Um detalhe importante do lado do Sonnet 5: a Anthropic tornou esse valor de US$ 2 / US$ 10 permanente, e o preço padrão de US$ 3 / US$ 15 que entraria em 1 de setembro não se aplica mais

Agora a ficha técnica do modelo pequeno, que é onde as decisões de fluxo de trabalho realmente moram:

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

O que a diferença de preço significa na prática? Metade do custo por token, na entrada E na saída

Em uma tarefa isolada isso é ruído, ninguém vai sentir

Em volume é outra história: quanto mais o fluxo repete a mesma operação (varrer arquivo, classificar, gerar o mesmo esqueleto), mais a metade do preço vira uma linha visível na fatura

A conta só fecha se o modelo pequeno resolver a tarefa de PRIMEIRA. Modelo barato que erra e obriga a rodar de novo no grande custa os dois, e ainda gasta teu tempo

Em que tarefas de programação o Haiku 4.5 dá conta

O jeito honesto de pensar nisso: o Haiku 4.5 é bom no trabalho DELIMITADO. Tarefa com começo, meio e fim claros, onde a resposta certa é quase óbvia pra quem já leu o arquivo

Os casos que casam com o perfil dele:

• Edições pequenas e localizadas: trocar um nome, ajustar uma condição, adicionar um campo em um arquivo que já está no contexto. Não tem ambiguidade pra resolver, tem execução pra fazer
• Boilerplate repetitivo: aquele esqueleto que você já escreveu 40 vezes (rota, DTO, teste base, migration simples). Aqui os 93 tokens por segundo aparecem, porque a tarefa é de produção em série e não de reflexão
• Leitura e resumo de arquivo: com 200 mil tokens de janela, dá pra jogar arquivo grande dentro e pedir "me diz o que esse módulo faz e quem depende dele" antes de decidir qualquer coisa
• Classificação e triagem de código: marcar o que é bug, o que é dívida técnica, o que é só estilo. Tarefa de rotular, não de resolver
• Alto volume em pipeline: varredura de repositório inteiro, geração de rótulo pra centenas de arquivos, tudo que multiplica a mesma chamada muitas vezes

E tem dois multiplicadores que fazem diferença justo nesse último caso: o Haiku 4.5 aceita os mesmos descontos de custo dos outros modelos da plataforma, com até 90% de economia usando prompt caching e 50% usando batch processing

Se liga nisso, porque muda a matemática: pipeline com prompt fixo grande (as regras do teu projeto, o padrão de código, os exemplos) é exatamente o cenário que o cache foi feito pra atender

Onde o Haiku 4.5 para e a tarefa pede um modelo maior

Agora o contraponto, porque post que só elogia não serve pra decidir nada

O teto do modelo pequeno aparece nestas situações:

• Refatoração ampla com muitas dependências: quando mexer em um lugar quebra três outros que ninguém lembrava que existiam, o trabalho é de manter o mapa inteiro na cabeça, não de editar rápido
• Decisão de arquitetura: escolher entre dois caminhos que ambos funcionam, sabendo o custo de cada um daqui a seis meses. Isso é julgamento, e julgamento é o que modelo grande vende
• Depuração longa de causa não óbvia: aquele bug que só aparece em produção e depende de cinco hipóteses testadas em ordem
• Conhecimento recente: o treino do Haiku 4.5 vai até julho de 2025, com conhecimento confiável até fevereiro de 2025. Biblioteca que mudou de API depois disso ele simplesmente não sabe que mudou, e vai escrever o código antigo com toda a confiança do mundo. Tome cuidado!
• Cadeia longa de raciocínio com ferramentas: ele tem extended thinking, mas NÃO tem interleaved thinking. Em fluxo que alterna pensar, chamar ferramenta, pensar de novo com o resultado, essa ausência pesa

Os números ajudam a enxergar o teto, com uma ressalva grande. No anúncio de lançamento, a Anthropic reportou 73,3% no SWE-bench Verified pro Haiku 4.5, média de 50 tentativas, sem test-time compute, com budget de 128K de thinking, no dataset completo de 500 problemas

Na mesma comparação, o Sonnet 4.5 aparecia com 77,2% contra os 73,3%

E no Artificial Analysis Intelligence Index o Haiku 4.5 marca 24 sem raciocínio e 30 com raciocínio

Mas benchmark não é garantia por tarefa, e essa é a parte que todo mundo esquece. Ele diz "em média, nessa amostra, o modelo maior resolveu mais", não diz que o teu bug de terça vai cair no lado certo da conta

Quando o Haiku trava, a escada é subir de família: primeiro o Claude Sonnet 5 (lançado em 30/06/2026), que custa o dobro por token e é a comparação direta que a tabela lá em cima faz, e só depois o Claude Opus 5 (lançado em 24/07/2026), pro que continuar travando

Como apontar o Claude Code (ou a API) para o Haiku 4.5

Bora ver na prática? São poucos pontos, e cada um tem uma pegadinha

1. Na API, use o identificador do modelo: ele é claude-haiku-4-5, e vale nos três lugares onde o modelo está disponível (Claude API, Amazon Bedrock e Google Cloud Vertex AI)

2. No Claude Code, escolha o modelo principal: dá pra fazer pelo comando /model dentro da sessão, pela flag --model, pela variável de ambiente ANTHROPIC_MODEL ou pela configuração model

claude --model claude-haiku-4-5

export ANTHROPIC_MODEL=claude-haiku-4-5

O erro comum deste passo: quando você define o modelo principal explicitamente por --model, ANTHROPIC_MODEL ou pela configuração model, as tarefas de background passam a usar ESSE mesmo modelo. Não é só o chat principal que muda. Com uma exceção que o passo 5 detalha: rodando por provedor de nuvem, o background segue outra regra

3. Coloque o Haiku no subagente certo: no frontmatter de um subagente, o campo model aceita sonnet, opus, haiku, um ID completo de modelo ou inherit, e o padrão é inherit

---
name: triagem-de-codigo
description: Le arquivos e classifica o que precisa de mudanca
model: haiku
---

O erro comum deste passo: como o padrão é inherit, subagente sem o campo model vai rodar no modelo da sessão. Se você achava que a triagem estava barata e nunca escreveu esse campo, ela nunca esteve

Essa divisão de papéis entre agente principal e subagente é o mesmo raciocínio por trás do Superpowers do Claude Code, que mexe justamente em COMO o agente organiza o trabalho

4. Force todos os subagentes de uma vez, se for o caso: a variável CLAUDE_CODE_SUBAGENT_MODEL aponta todos os subagentes da sessão pra um único modelo, independente do que cada definição pede

export CLAUDE_CODE_SUBAGENT_MODEL=claude-haiku-4-5

O erro comum deste passo: ela tem a MAIOR precedência na resolução do modelo de subagente. Deixou essa variável exportada no teu shell e esqueceu? O model: opus que você escreveu com carinho no frontmatter vira decoração

5. Controle o modelo das tarefas de background: no Claude Code, coisas como a geração do título da sessão usam o modelo pequeno e rápido, normalmente da classe Haiku, e a variável ANTHROPIC_DEFAULT_HAIKU_MODEL define qual modelo ocupa esse papel

export ANTHROPIC_DEFAULT_HAIKU_MODEL=claude-haiku-4-5

O erro comum deste passo: rodando o Claude Code via Amazon Bedrock, Google Cloud Agent Platform ou Microsoft Foundry, o comportamento é outro. Em Bedrock e Vertex as tarefas de background caem no modelo Sonnet padrão, e no Foundry elas usam o modelo principal, porque o Haiku pode simplesmente não estar habilitado na tua conta, região ou projeto. Já vi gente jurar que configurou e a conta não bateu por causa disso

6. Ligue o extended thinking quando a tarefa pedir: na API ele vem DESLIGADO por padrão e é recomendado justamente pra problema complexo, trabalho de código e raciocínio em várias etapas, com budget de tokens de pensamento configurável

E tem um detalhe bom aqui: nos modelos Haiku, a API remove automaticamente os blocos de thinking anteriores quando o histórico é reenviado, preservando capacidade de contexto. Você não precisa ficar limpando isso na mão

Vale usar o Haiku 4.5 no seu fluxo de código?

Depende MUITO do que você faz o dia inteiro, e o veredito honesto se divide em dois perfis

Se teu trabalho tem muito volume e tarefa delimitada (varredura, boilerplate, classificação, edição pequena guiada por instrução clara), o Haiku 4.5 ganha fácil: metade do preço por token, saída medida em 93 tokens por segundo contra média de mercado de 63, e 200 mil tokens de contexto pra caber arquivo grande

Se teu trabalho é raciocínio longo e decisão estrutural, a recomendação é outra: mantenha o modelo maior (Sonnet 5, ou Opus 5 no que travar de vez) no papel principal e use o Haiku onde ele brilha, ou seja, nos subagentes de leitura e triagem e nas tarefas de background

Esse arranjo é o mais interessante dos dois mundos, e é ele que a configuração de subagente do Claude Code permite montar sem ginástica

E tem um empurrão prático pra quem ainda não migrou: Claude Haiku 3 e Claude Haiku 3.5 foram aposentados na Claude API em 19/02/2026, com o Haiku 4.5 indicado como substituto

Quem estava em versão antiga não tem a opção de ficar parado, beleza?

Conclusão

O critério de decisão não é preferência nem torcida por modelo, é o TAMANHO e a AMBIGUIDADE da tarefa

Tarefa pequena e sem ambiguidade vai pro Haiku 4.5. Tarefa grande, com dependência espalhada e resposta que ainda precisa ser descoberta, sobe de modelo: Sonnet 5 primeiro, Opus 5 no que insistir em travar

O próximo passo prático é simples: pega as tarefas repetitivas do TEU repositório, roda elas no Haiku 4.5 por alguns dias e deixa o modelo maior reservado pro que travar

Depois mede as duas coisas que importam, custo e retrabalho, antes de decidir qualquer mudança definitiva

Benchmark serve pra apontar direção, teu repositório serve pra dar a resposta 😀

até o próximo post!