As empresas americanas começam a considerar com mais seriedade modelos da OpenAI. O principal executivo de dados e oficial de IA da AT&T, em uma entrevista, afirmou que a proporção de uso de modelos abertos passou de 20% em maio deste ano para 40%, e que os custos de IA foram reduzidos em até 80% em comparação com o início do ano. Esse é o relato das próprias empresas entrevistadas, e nem todas conseguem obter o mesmo desconto após migrar.
Isso não afeta apenas um pequeno número de engenheiros. As equipes de atendimento ao cliente, jurídica e marketing, as equipes de dados e também os gestores que precisam integrar a IA aos processos rotineiros devem recalcular tudo. Além de perguntar “qual modelo é o mais inteligente”, também é preciso perguntar “com a mesma tarefa, quanto custa, quanto tempo leva para entregar e quem corrige os erros?”.
O que o leitor deve checar agora não é qual lista de modelos está em qual posição, e sim quatro pontos: o custo de chamadas ou hardware realmente caiu? A integração e a operação ficaram mais leves? O retrabalho e a revisão manual aumentaram? Se houver problemas de segurança e permissões, quem assume a responsabilidade de backup? Se a economia em IA só aparece na primeira página da conta, isso não é reduzir custo; é só trocar o lugar onde se gasta dinheiro.
【Barato, claro que tem tentação】
Empresas querem economizar, e nem precisa fingir sofisticação.
O apelo dos modelos abertos é bem direto: você consegue os pesos, o modo de implantação é mais flexível e a empresa pode colocar uma parte das tarefas em um ambiente que controla melhor. Para tarefas grandes, de alta frequência e com formato estável, vale testar se há vantagem de custo. Por exemplo: resumos diários de milhares de conversas de atendimento, classificação de documentos internos, extração de informações em formato fixo. Desde que os limites da tarefa estejam claros, o modelo não precisa escrever toda vez um artigo incrível; se ele consegue trabalhar de forma estável, isso tem valor.
O motivo de este caso da AT&T estar sendo discutido também está aqui. Um executivo entrevistado disse que a empresa usa Gemma e Llama. Esse número chama atenção, mas o mais importante não é o “80%” em si, e sim as premissas por trás: a tarefa se adapta? O processo está maduro? Há capacidade de engenharia suficiente para integrar o modelo ao negócio?
O que a empresa precisa é de entrega contínua: quando erra, dá para rastrear; no pico, dá para aguentar; os funcionários conseguem lidar; e o problema do cliente realmente é resolvido.
【Aberto não significa usar qualquer jeito】
Aqui existe uma palavra que mais facilmente causa confusão: aberto.
Pesos abertos não equivalem a código-fonte totalmente aberto. Conseguir baixar parâmetros não significa que também estejam na mesa os dados de treino, o código, as condições de modificação e os limites para uso comercial. O que realmente afeta a decisão da empresa não é só “dá para pegar”, mas “dá para usar legalmente, modificar de modo estável e manter por longo prazo”.
A empresa precisa checar item por item as licenças do modelo, as condições de uso e os arranjos de manutenção futuros. Modelos diferentes podem abrir coisas e permissões diferentes; não dá para inferir tudo que é utilizável a partir de um rótulo único de “aberto”.
O mais importante é: não trate modelos abertos diretamente como sinônimo de um modelo de um país específico, nem os imagine como um único campo. “Aberto” é uma combinação de estado técnico e de licença, não um rótulo geográfico. O que a empresa realmente se importa é: esse modelo consegue terminar minhas tarefas? O custo fica sob controle? O risco pode ser explicado?
Usuários comuns podem achar que isso está longe deles. Na verdade, não está. Você liga para o call center: o resumo que a outra parte te dá está certo ou não? Você envia documentos: o sistema interpreta errado ou não? As mensagens de marketing que você recebe estão cada vez mais parecidas com uma linha de produção? Tudo isso pode ser resultado da escolha do modelo.
Empresas economizam dinheiro; usuários sentem a qualidade do serviço.
【O custo real está no retrabalho】
O custo total de uma tarefa de IA pode ser grosseiramente dividido em quatro partes: custo de chamada ou de hardware, integração e operação/manutenção, tentativas e retrabalho, e revisão manual.
A primeira é a mais fácil de enxergar. No extrato há números, o servidor tem cotação; a área financeira captura na hora.
A segunda parte começa a ficar mais difícil. Se um modelo aberto for implantado por conta própria, alguém precisa cuidar das máquinas, do aumento de capacidade, das versões e do monitoramento. Modelos abertos geridos também não são “ar”: hardware, duração de execução e réplicas para expansão custam. Baixar os pesos não zera os custos. Ao implantar por conta própria, alugar instâncias dedicadas ou chamar via interface gerenciada, a estrutura da conta muda e a manutenção de engenharia também precisa entrar na conta.
A terceira parte é a que mais cansa. Imagine um conjunto de tarefas de resumo do atendimento: a proposta A cobra mais, mas a maior parte dos resumos passa na validação; a proposta B cobra menos, mas exige que funcionários ouçam de novo os áudios e completem solicitações-chave. Essa hipótese não é sobre nenhuma empresa específica, nem pressupõe que modelos abertos ou fechados sejam mais precisos. Ela só nos lembra que, para saber se uma cotação menor foi compensada por retrabalho, você precisa registrar o tempo de revisão.
A quarta parte é a mais fácil de a gestão subestimar. Revisão manual não é apertar um botão; ela consome atenção. Quando uma pessoa fica cuidando dos erros da máquina por muito tempo, ela cansa, entorpece e passa adiante problemas evidentes. IA não disputa só com os servidores; disputa também com a paciência das pessoas.
Então “barato” tem que ser perguntado até o fim: é barato em cada chamada ou é barato em cada entrega aprovada?
Essas duas perguntas mudam muito.
【Segurança não se resolve só com duas palavras: “local”】
Muitas empresas dizem que modelos abertos são mais controláveis, dá para implantar localmente e os dados ficam mais tranquilos.
Essa direção faz sentido, mas não dá para relaxar.
Segurança não é gerada automaticamente pelas duas palavras “local”. A autenticação de acesso está bem feita? O isolamento de rede está claro? Como os dados sensíveis são tratados? Os logs ficam retidos? Quem consegue chamar o modelo, quem consegue ver a saída e quem pode exportar resultados? Se essas perguntas não forem resolvidas, não é seguro ter o modelo em lugar nenhum.
Quanto mais o modelo se aprofunda no negócio, mais finas precisam ser as permissões. Se os dados são enviados a terceiros, como são mantidos, quem pode excluí-los: isso precisa ser conferido item por item conforme o tipo real de implantação e os acordos do serviço.
Há também uma questão bem real: modelos abertos são mais flexíveis e, por isso, mais exigentes para gerenciar. Quando a versão muda, a saída muda; o time do negócio pode não saber imediatamente. Quando o prompt muda, a taxa de acurácia oscila e o time de atendimento pode ser o primeiro a levar bronca. Segurança não é só impedir invasores; é também impedir que processos internos saiam do controle.
A prática realmente madura de uma empresa não é gritar “vamos para modelos abertos”; é tratar o modelo como uma linha de produção: com entrada, com controle de qualidade, com monitoramento e com retorno ao estado anterior.
Retorno ao estado anterior significa que, quando uma nova versão ficar instável, dá para voltar ao processo original ou tratar manualmente. Isso precisa ser planejado com antecedência; não dá para esperar a operação interromper para procurar uma solução temporária.
【Que tipo de tarefas é adequado para migração】
Nem todas as tarefas deveriam ser movidas para modelos abertos.
Tarefas de baixa frequência nem sempre valem a pena ter um serviço dedicado: mesmo quando a máquina está ociosa, ainda se cobra? A equipe de manutenção tem folga? Tudo isso muda o resultado. Tarefas com alta responsabilidade e pouca margem de tolerância a falhas exigem verificação rigorosa e revisão humana. Preço alto não garante automaticamente estabilidade, nem “open” ou “closed” é um atestado de qualidade.
Para tarefas de alta frequência, padronizadas e que possam ser verificadas, faz mais sentido testar. Resumos do atendimento ao cliente, classificação de chamados, extração de campos fixos, perguntas e respostas sobre base de conhecimento interna: se for possível definir claramente critérios de aprovação, dá para comparar em escala pequena. Pegue o mesmo lote de tarefas, rode modelos diferentes juntos e avalie taxa de conclusão, tempo de alteração manual, latência de resposta e estabilidade sob picos.
Não acredite em histórias; veja a validação.
Uma boa solução de IA para empresas não é necessariamente o modelo mais “inteligente”, mas aquela que exige o mínimo de retrabalho manual. Ela pode não responder de forma bonita, mas com formato estável; pode não escrever frases de efeito, mas consegue capturar com completude número do pedido, motivo da reclamação e sugestões de tratamento. Para empresas, isso já vale muito.
No meio técnico, falam muito do teto; a área de negócio se importa mais com o piso. O teto determina as surpresas; o piso determina se dá para trabalhar todos os dias.
【Agora é só olhar essas coisas】
Partindo deste caso, eu me importo com duas coisas: se o custo consegue continuar caindo e se a empresa ganhou um espaço maior para implantar e modificar de forma mais adequada.
Um jeito que vale a pena validar é alocar modelos por tarefa, em vez de toda a empresa escolher apenas um modelo. Deixe diferentes propostas candidatas tratarem as mesmas amostras e então decida o rateio com base em taxa de aprovação, custo, latência e carga de manutenção. Tarefas com complexidade parecida podem chegar a resultados diferentes por causa das exigências de dados e de validação.
Em seguida, o que você deveria observar primeiro não é outra empresa anunciando “abraçar totalmente a OpenAI”. Isso vira barulho, mas não é um indicador duro. Há quatro indicadores mais rígidos.
Primeiro: o custo de entrega aprovada para a mesma tarefa está caindo? Segundo: o tempo de revisão manual está diminuindo, em vez de ser repassado para funcionários da linha de frente. Terceiro: sob tráfego de pico, a resposta é estável. Quarto: licenças, segurança, permissões e o processo de tratamento de dados conseguem passar por auditoria interna.
Se esses quatro indicadores se sustentarem, um modelo aberto deixa de ser só uma ferramenta para economizar e passa a ser parte da infraestrutura de IA da empresa.
Se não se sustentar, é apenas outra forma de custo de tentativa e erro.
A parte mais interessante das mudanças tecnológicas não é o desfile de grandes palavras; é como no fim elas caem no que é bem pequeno e cotidiano: o atendimento tem menos chance de ser displicente com uma frase? A fatura sobe um pouquinho a menos? O funcionário faz menos uma hora extra? O usuário tem um pouco mais de confiança.
A concorrência de IA, na superfície, é a disputa entre modelos e modelos.
Mais a fundo, é quem consegue transformar inteligência em estabilidade, barateza em uso prático e truques em uma refeição servida na hora certa.
Apenas para estudo e pesquisa; não constitui recomendação de investimento.