Modelos de IA chineses reclamam 30%+ do tráfego de tokens de EUA; GLM-5.2 da Z.ai rivaliza com Anthropic em custo e código
Empresas dos EUA estão mudando rapidamente para modelos de IA construídos por chineses conforme os custos para sistemas de fronteira da Anthropic e OpenAI aumentam. De acordo com OpenRouter, uma plataforma agregando múltiplas APIs de modelos de IA, modelos chineses respondem por mais de 30 porcento dos tokens consumidos a cada semana por desenvolvedores de EUA, acima de apenas 11 porcento de média nos 12 meses anteriores e 4,5 porcento em H1 2025. A mudança reflete equipes conscientes de custos roteando inferência para alternativas mais baratas quando o desempenho permite, impulsionada por aumentos de preço de tokens em grandes laboratórios de EUA.
O modelo GLM-5.2 da Z.ai baseada em Pequim, lançado em junho, catalisa um 'mini momento DeepSeek' entre desenvolvedores. Observadores da indústria descrevem GLM-5.2 como operando em aproximadamente um sexto do custo do Claude Opus 4.8 da Anthropic e ofertas de GPT da OpenAI, enquanto entrega capacidades de IA codificada e agencie comparáveis—dentro de um ponto percentual do Opus 4.8 em um benchmark amplamente observado. Z.ai afirma que a janela de contexto de 1 milhão de tokens permite lidar com tarefas de engenharia de longa durada. Na plataforma Vercel, GLM-5.2 viu a adoção mais rápida de qualquer modelo em 2026, com volume de token diário crescendo 27x em sua primeira semana.
Para profissionais, a arbitragem de custos agora é material: modelos de código aberto chineses custam 60-90% menos do que ofertas de fronteira de EUA para cargas de trabalho sobrepostas. No entanto, a adoção permanece segmentada por geografia e regulação. Empresas de EUA em bancário e cibersegurança citam preocupações de segurança de dados como barreiras. Startups e PMEs estão adotando mais rapidamente. Incerteza regulatória—restrições nos últimos modelos da Anthropic e lançamento público atrasado do GPT-5.6 da OpenAI—está acelerando a tendência. A implicação arquitetônica: equipes construindo sistemas que podem rotear trabalho entre múltiplas APIs de modelo agora têm vantagem de custo, e padrões de inferência multi-modelo se tornarão padrão.