TLDR;

Porque vários fornecedores cortaram ou realocaram cotas — Anthropic, OpenAI, Cursor e GitHub Copilot — aplicando limites semanais, subcaps e cobrança por modelo/token enquanto mantêm os mesmos preços, reduzindo o serviço recebido pelo mesmo valor. As mudanças específicas foram o fim do boost da Anthropic (resultando em cerca de 17% de corte medido pelo uso atual), o retorno de limites de sessão e resets problemáticos na OpenAI, a migração do modo automático da Cursor para preços por modelo e a mudança do Copilot para token pricing que torna planos legados pouco úteis. Para minimizar o impacto, mude de provedor conforme o melhor custo-benefício, use modelos baratos para tarefas rotineiras e reserve modelos de ponta para julgamentos, evite trocar de modelo no meio da sessão e considere hosts de pesos abertos ou rodar localmente quando possível.

Resumo

Nas últimas semanas várias empresas de IA reduziram discretamente o valor das assinaturas: a Anthropic transformou um bônus temporário em nova linha de base e depois anunciou um corte efetivo de ~17% nas cotas do Claude Code; a OpenAI removeu e depois restabeleceu parcialmente o limite de 5 horas do Codex após bugs que drenavam cotas pagas e resets cobrados; Cursor reajustou seu modo automático para cobrar pelo modelo selecionado; e o GitHub Copilot migrou para precificação por tokens, tornando seus planos legados quase inúteis. Em todos os casos o preço nominal permaneceu, mas o produto dentro da assinatura encolheu, com comunicação precária (tweets deletados, falta de changelogs) e limites ocultos que usuários foram descobrindo na prática. Por trás das mudanças estão custos de computação em alta, alocação de GPUs entre assinaturas e clientes empresariais e preparativos financeiros (IPO da Anthropic), que incentivam racionamento via caps semanais, subcaps por modelo, resets pagos e diferenciação por horário de pico. A recomendação prática é não ser leal à marca — migrar entre provedores para obter melhor valor — e otimizar uso: salvar modelos caros para decisões críticas, evitar trocar de modelo no meio da sessão e considerar modelos hospedados ou hardware local para previsibilidade, já que poucas empresas divulgam limites reais.