Plugin ou computer use no GPT-6.2 Astra: quando usar cada caminho?

Ilustração conceitual mostrando dois caminhos, plugin e computer use, ligados ao GPT-6.2 Astra
Resposta rápida

Use plugin, conector, MCP ou function calling sempre que a tarefa tiver uma porta estruturada. Use computer use quando a interface do software for a única saída. No ChatGPT Work e no Codex, o GPT-6.2 Astra faz essa escolha sozinho, segundo a OpenAI. Na API, é você quem define as ferramentas disponíveis, e a documentação recomenda priorizar execução de código, com a ferramenta computer como alternativa.

A OpenAI lançou o GPT-6.2 Astra em 17 de novembro de 2026, junto com o GPT-6.2 Sol. O modelo já está disponível no ChatGPT e na API, com o ID gpt-6.2-astra (anúncio oficial e comunidade da OpenAI).

Uma das promessas do lançamento é um julgamento melhor sobre como executar a tarefa. Segundo a OpenAI, o modelo ajusta ferramentas e esforço ao fluxo de trabalho e sabe quando chamar um plugin e quando operar a interface com computer use. Este post explica a diferença prática entre esses dois caminhos, mostra como escrever a tarefa para orientar esse julgamento e aponta os sinais de que a escolha errada está pesando no seu fluxo.

Plugin x computer use no GPT-6.2 Astra: diferenças práticas

A diferença central é como o modelo age. Com plugin, conector ou MCP, ele faz uma chamada estruturada para um sistema que já entende o pedido. Com computer use, ele opera a tela como uma pessoa faria, clicando e digitando.

Pense assim: chamar um plugin é como mandar uma requisição para a API do sistema. Computer use é como sentar na cadeira e usar o software pela interface, botão por botão.

CritérioPlugin, conector ou MCPComputer use
Como o modelo ageChama uma ferramenta, função ou servidor MCP com entrada estruturadaDevolve ações estruturadas de mouse e teclado
Quem executa a ação na APIA ferramenta ou o serviço chamadoA aplicação do desenvolvedor, que traduz as ações em comandos no navegador ou no desktop
Quando se aplicaQuando existe API, conector ou MCP para o sistemaQuando não há API nem conector disponível
Onde usar na APIResponses API (function calling, MCP, web search, file search, code interpreter, hosted shell e outras ferramentas)Responses API (ferramenta computer)
Apps da OpenAIChatGPT Work e Codex, nos planos Plus, Pro, Enterprise e EduChatGPT Work e Codex, nos planos Plus, Pro, Enterprise e Edu

A lista completa de ferramentas aceitas na Responses API está na página do modelo na documentação: web search, file search, geração de imagem, code interpreter, hosted shell, computer use e MCP, além de function calling e structured outputs.

Se liga num detalhe que muita gente pula: na API, o computer use não clica em nada sozinho. Segundo o guia de computer use, o modelo devolve as ações e é a sua aplicação que executa cada uma delas. Ou seja, a infraestrutura que roda o navegador ou o desktop é responsabilidade sua.

Quando o computer use é o caminho certo

O computer use resolve quando a interface é a única porta de entrada. Software legado sem API, ferramenta desktop sem conector, painel interno que ninguém integrou: nesses casos não existe chamada estruturada para fazer, então operar a tela é o que sobra.

Esse é o papel descrito pela AWS ao apresentar a família GPT-6 Astra no Bedrock: continuar o fluxo pela interface do software quando falta API ou conector.

Na versão 6.2, a OpenAI afirma que o computer use ficou mais preciso e chega ao nível de peças e conexões individuais em ferramentas de CAD e simulação. Isso é bem relevante, porque CAD e simulação costumam ser justamente o tipo de software em que a integração é limitada e o trabalho acontece todo na tela.

Outro ponto importante: operar interface envolve risco, porque um clique errado pode apagar, enviar ou publicar algo. No ChatGPT Work e no Codex, segundo o anúncio da OpenAI, o modelo faz confirmação e checagens do tipo auto-review antes de ações com consequência. Em agente próprio na API, essa camada de proteção fica por sua conta.

Como escrever a tarefa para o Astra escolher o caminho certo

O julgamento do modelo depende do que ele sabe sobre o seu ambiente. Se a tarefa não diz quais ferramentas existem, qual resultado você espera e quando a interface é aceitável, ele tem menos informação para escolher.

Diga quais ferramentas estão disponíveis

Nomeie o conector, o MCP ou a função que resolve aquela etapa. Quanto mais explícito, menor a chance de o modelo abrir uma interface para algo que já tem caminho estruturado.

Use o MCP do banco de dados para buscar os pedidos de outubro.
Não abra o painel web para isso.

Diga qual é o resultado esperado

Descreva o entregável, não o caminho. Assim o modelo consegue avaliar qual rota chega lá com menos etapas.

Quero uma planilha com pedido, cliente e valor total,
um pedido por linha.

Diga quando a interface é aceitável

Se uma parte do fluxo só existe na tela, deixe isso claro e delimite o que pode ser feito por lá. Isso combina bem com a confirmação que o Work e o Codex fazem antes de ações com consequência.

O sistema de notas fiscais não tem API.
Para essa etapa, pode usar a interface, mas só para consultar.
Não emita nem cancele nenhuma nota.

Na API, o julgamento começa na configuração

Aqui tem uma diferença grande em relação aos apps. Na Responses API, é você quem decide quais ferramentas ficam habilitadas na requisição. Se a ferramenta computer não está na lista, o modelo não tem como escolher operar a interface. Se o MCP certo não está, ele não tem como chamá-lo.

Ou seja, antes de escrever o enunciado, a escolha das ferramentas habilitadas já recorta o que o modelo pode fazer. O enunciado refina o resto.

Sinais de que a escolha errada está custando tempo e token

O sinal mais claro é ver o modelo navegando pela interface para algo que um conector ou uma API resolveria numa chamada. Buscar registros clicando em tela, por exemplo, quando existe um MCP ligado ao mesmo sistema.

Sintoma: sequências longas de mouse e teclado para dados estruturados

Causa provável: a ferramenta estruturada não está habilitada, ou o enunciado não deixa claro que ela existe. Sem essa informação, a interface vira o caminho padrão.

Solução: exponha a ferramenta certa (conector, MCP ou função) e cite no enunciado qual etapa ela deve cobrir.

Sintoma: tentativa de usar ferramenta que não existe

O contrário também acontece. O modelo tenta uma chamada estruturada para um sistema que só tem interface, e o fluxo trava ou volta com erro.

Causa provável: o enunciado sugere uma integração que não está disponível, ou não diz que aquela etapa depende da tela.

Solução: informe que a etapa não tem API e indique se a interface é aceitável. Na API, confira se a ferramenta computer está habilitada quando ela for de fato necessária.

Por que isso pesa no bolso

Na API, cada etapa extra consome tokens. Segundo o Crypto Briefing, o modelo custa US$ 8 por milhão de tokens de entrada, US$ 0,40 por milhão de tokens de entrada em cache e US$ 40 por milhão de tokens de saída. Esses valores foram confirmados por veículo de imprensa, então vale conferir na página de preços da OpenAI antes de orçar.

A conta não precisa de cenário inventado para fazer sentido: o token de saída custa bem mais que o de entrada, e um fluxo que gera muitas etapas desnecessárias paga por cada uma delas. A OpenAI também afirma, no X, que o custo por tarefa ficou abaixo de um terço do GPT-6 Astra, mas isso não compensa um fluxo mal desenhado.

Como prevenir

  • Mapeie quais etapas do fluxo têm API, conector ou MCP antes de montar a tarefa.
  • Habilite na API só as ferramentas que a tarefa realmente precisa.
  • Escreva no enunciado qual ferramenta cobre cada etapa e onde a interface é permitida.
  • Revise o histórico de ações do agente: muita ação de tela em etapa que tinha integração é o alerta.

Veredito: qual caminho usar no seu fluxo

A resposta depende de onde você trabalha e do que o seu fluxo tem de integração.

Se você usa ChatGPT Work ou Codex: dá para deixar o julgamento do modelo atuar, informando no enunciado o que está disponível e o que pode ou não ser feito pela interface. A confirmação e o auto-review antes de ações com consequência ajudam a segurar os riscos.

Se você monta agente próprio na API: priorize execução de código e ferramentas estruturadas, deixando a ferramenta computer para quando não houver API ou conector. É a mesma linha do guia de computer use da OpenAI, que recomenda execução de código para agentes próprios e mantém a ferramenta computer como alternativa suportada. Vale notar que essa orientação foi escrita para a família GPT-6 Astra.

Se você trabalha com CAD e simulação sem integração: o computer use mais preciso do 6.2 é a opção viável, já que a OpenAI afirma que ele chega a peças e conexões individuais nessas ferramentas.

A limitação que precisa ficar clara: a melhora no julgamento entre plugin e computer use é uma afirmação da OpenAI, não uma medição independente. Então trate como promessa a verificar no seu fluxo, não como garantia.

Próximo passo

Pegue um fluxo que você já roda com IA e liste cada etapa em duas colunas: as que têm API, conector ou MCP disponível e as que dependem só da interface.

Com essa lista em mãos, reescreva o enunciado da tarefa dizendo qual ferramenta cobre cada etapa e onde a interface é permitida. Na API, ajuste também as ferramentas habilitadas na requisição. Depois compare o histórico de ações antes e depois da mudança, e você vai ver na prática se o modelo passou a escolher o caminho certo.

Aqui no Hora de Codar a gente segue acompanhando os agentes e as ferramentas de IA que estão mudando o jeito de desenvolver,.

Perguntas frequentes

Qual é a janela de contexto do GPT-6.2 Astra?

A janela de contexto do modelo é de 1.050.000 tokens, com no máximo 922.000 tokens de entrada e 128.000 tokens de saída.

Quais tipos de entrada e saída o GPT-6.2 Astra aceita?

Segundo a documentação oficial, o GPT-6.2 Astra aceita texto e imagem como entrada e responde em texto, cobrindo construção e revisão de software, uso do computador e trabalho com documentos.

Fontes consultadas

Consulta em .

Veja mais exemplos práticos no canal Hora de Codar.

Escrito por | Matheus Battisti

Matheus Battisti
Fundador da Hora de Codar

Programador apaixonado pelo mundo das tecnologias, sempre buscando em aprender e se aprofundar em linguagens, frameworks e o que mais for necessário para executar um bom trabalho. Agora tem uma nova missão que é de passar seu conhecimento adiante para formar novos programadores e especializar mais os que já são.

Formações

Formação Vibe Coding

Formação Vibe Coding

Do Prompt ao Produto: Crie Software Real com IA

  • 474 aulas
  • 20 projetos
  • 39h 30min

Blog | Mais populares