A técnica que tira o dado da mensagem e põe direto na planilha, sem digitar nada

Alguém lê a mensagem, acha os dados que importam e digita numa célula. Nome, telefone, valor, data. De novo, de novo, de novo. É o tipo de trabalho que ninguém quer fazer e que nenhum software de planilha resolve, porque o problema não é a planilha, é tirar o dado de um texto solto (mensagem, e-mail, formulário) e colocar ele formatado direito numa linha. Existe uma técnica pronta pra isso, ela já roda em produção e, desde o corte de preço que a Anthropic anunciou em 7 de outubro, ela custa pouco o bastante pra rodar em toda mensagem que chega, o dia inteiro, sem fazer diferença na conta.

A técnica tem nome: tool use

Na documentação oficial da Anthropic, a empresa que desenvolve o Claude, a técnica se chama tool use (também conhecida como function calling). A ideia central: em vez de pedir pra IA escrever um texto livre e depois tentar adivinhar onde está o telefone no meio da resposta, você define um schema, uma lista fixa de campos com nome e tipo (nome: texto, telefone: texto, valor: número, data: data). A IA não escreve prosa. Ela devolve exatamente esses campos preenchidos, no formato que você pediu.

O detalhe que faz essa técnica confiável pra produção é o parâmetro strict. Ligado, ele garante que a resposta sempre bate com o schema, campo por campo, sem o erro clássico de IA que devolve quase um JSON válido e quebra o parser. Isso está documentado na própria página de tool use da Anthropic, junto com o resto da mecânica: você manda o schema, o modelo devolve um bloco tool_use com os valores, sua automação lê esse bloco e grava a linha.

O passo a passo, sem código

1. Você define os campos que quer na planilha (o schema). Isso se escreve uma vez.
2. Chega uma mensagem nova (WhatsApp, e-mail, formulário).
3. A automação manda o texto da mensagem mais o schema pro modelo.
4. O modelo devolve os campos já preenchidos, no formato certo.
5. A automação grava a linha na planilha ou no CRM, sem ninguém ter digitado nada.

Numa automação feita em n8n, por exemplo, esse passo a passo é um nó de chamada de IA com tool use configurado, seguido de um nó que escreve na planilha ou no banco. O trabalho humano que sobra é revisar o que entrou, não digitar.

Quanto isso custa de verdade

Aqui é onde a notícia da semana entra. A Anthropic recomenda, de forma explícita, o Claude Haiku 5.5, lançado em 7 de outubro de 2026, para esse tipo de tarefa: classificação, extração e trabalho repetitivo de alto volume, segundo o próprio anúncio do modelo. O motivo pra recomendar justo esse: o preço. Ele cobra 0,10 dólar por milhão de tokens de entrada e 0,50 dólar por milhão de saída, até 100 mil tokens por requisição, contra 1 e 5 dólares do Haiku 4.5 que ele substitui. É um corte de 90 por cento nessa faixa, segundo a tabela publicada pela própria Anthropic.

A documentação de tool use também lista o custo extra que a própria técnica adiciona: no Haiku 5.5, usar uma ferramenta soma 406 tokens de sistema por chamada (quando o modelo é obrigado a usar a ferramenta, o modo mais seguro pra extração). Com isso dá pra fazer a conta completa de uma extração típica, sem chutar nenhum número:

Uma extração custa menos de um centésimo de centavo de dólar. Numa escala realista pra um negócio pequeno, 300 mensagens por dia (cerca de 9 mil por mês), a conta fica em torno de 0,9 dólar por mês. Mesmo um volume dez vezes maior, 3 mil mensagens por dia, fica perto de 9 dólares por mês. É aritmética simples sobre o preço público por token, não é medição de cliente real, mas mostra a ordem de grandeza: o custo de inferência deixou de ser a parte cara de uma automação.

O corte de preço não veio sozinho de qualidade pior

Um corte de preço desse tamanho levanta a pergunta óbvia: o modelo ficou pior pra compensar? A Artificial Analysis, laboratório independente que roda o mesmo conjunto padronizado de testes em todo modelo do mercado (não depende do número que o próprio fabricante divulga), mediu o Claude Haiku 5.5 em seu índice de inteligência e publicou nota entre 29 e 43 pontos, dependendo do nível de esforço usado, com o mesmo preço por token em todos os níveis. Tarefa de extração e classificação, que é o uso recomendado aqui, fica bem dentro da faixa que esses números cobrem: não é o trabalho de raciocínio longo que pede o modelo mais caro da família.

O que essa técnica não resolve

Tool use garante o formato da resposta, não o conteúdo. Se a mensagem original é ambígua (o cliente escreveu um valor errado, ou não disse o telefone), o modelo preenche o campo com o que deu pra entender, e isso ainda pede revisão humana no que for crítico, por exemplo valor de cobrança. A técnica tira a digitação do caminho, não tira a conferência.

Rodar o dia inteiro ficou barato o bastante pra não pesar na decisão. A parte que continua exigindo cuidado é desenhar o schema certo e decidir onde a automação para pra pedir confirmação, antes de gravar.