Anthropic reduz limites de uso do Claude e gera revolta na comunidade 

Usuários dos planos pagos do Claude, incluindo o plano Max, de US$ 100 por mês, começaram a relatar, na última semana, que os limites de uso estavam se esgotando muito mais rápido do que o habitual.  

O que inicialmente foi comunicado como um bug interno foi depois revertido pela própria empresa: a Anthropic confirmou que os limites foram reduzidos intencionalmente e orientou os usuários a otimizarem seu consumo. 

O que aconteceu 

Nas redes sociais, devs e usuários avançados notaram que estavam atingindo o limite de tokens do Claude Code em poucas interações, o que não acontecia nas semanas antecedentes, mesmo em planos intermediários. 

A Anthropic reagiu de duas formas diferentes, em momentos que se sucederam: 

• Primeiro comunicado: a empresa afirmou que estava acontecendo um bug interno elevando o consumo e que estavam trabalhando para corrigi-lo 
• Três ou quatro dias depois: Lydia Hallie, membra da equipe técnica do Claude Code publicou no Twitter explicando que não era um bug, o aumento no consumo era real, causado pelos próprios usuários 

Segundo Lydia, a combinação de três fatores recentes teria disparado o uso: 

• Expansão da janela de contexto para 1 milhão de tokens 
• Aumento do limite de uso fora do horário de pico 
• Crescimento expressivo na base de usuários do Claude Code desde dezembro 

A funcionária recomendou publicamente que os usuários adotassem práticas como usar o modelo Sonnet em vez do Opus, reduzir o nível de raciocínio estendido (extended thinking) e trabalhar com contextos menores. 

Por que isso importa para quem trabalha com tecnologia 

A situação expõe uma tensão real no mercado de IA: a Anthropic opera com restrições de infraestrutura que seus principais concorrentes, a OpenAI (com investimento da Microsoft) e Google (com infraestrutura própria de GPUs), não enfrentam da mesma forma. 

Para devs e times que dependem do Claude Code em produção, o fato levanta pontos concretos: 

• Planos pagos não garantem disponibilidade estável em períodos de alta demanda, o que é um risco para quem usa o modelo em fluxos críticos 
• O uso do modelo certo para cada tarefa deixou de ser só uma boa prática e passou a ser uma necessidade para quem quer manter o acesso sem interrupções 
• A mudança de discurso da empresa, de "é um bug, vamos corrigir" para "o problema é o consumo de vocês", gerou desgaste significativo de confiança, com relatos públicos de usuários migrando de volta para a OpenAI 

Do ponto de vista de comunicação, o caso também serve de referência: anunciar restrições de uso pelo Twitter, sem contexto ou campanha educativa prévia, amplificou a reação negativa mesmo onde os argumentos técnicos faziam sentido. 

Quer entender melhor como escolher o modelo certo para cada tipo de tarefa? 

Se você usa LLMs no seu dia a dia de desenvolvimento e quer tomar decisões mais eficientes, especialmente sobre qual modelo acionar, quando usar raciocínio estendido e como estruturar contextos, a Alura tem conteúdos e trilhas de IA aplicada que cobrem exatamente isso, do uso básico de IA à engenharia de agentes. 

Como se prevenir em cenários de instabilidade como esse? 

Com a mudança nas regras do jogo, a habilidade de estruturar comandos eficientes deixa de ser apenas uma boa prática e se torna item de sobrevivência técnica.

Desenvolvedores agora precisam gerenciar o tamanho do contexto e o uso de extended thinking (raciocínio estendido) de forma estritamente estratégica para evitar o desperdício de tokens. 

Se você quer dominar essa dinâmica e aprender a desenhar soluções que não fiquem reféns de oscilações de limites ou infraestrutura, vale a pena se aprofundar no assunto.

Na Carreira de Especialista em IA, você vai aprender a escolher o modelo ideal para cada cenário, dominar engenharia de prompt avançada e arquitetar aplicações de IA que sejam verdadeiramente eficientes e escaláveis.