O mercado está oficialmente três anos após o ChatGPT e muitos dos especialistas passaram a usar termos como “bolha” para sugerir razões por trás da IA generativa não obter retornos materiais fora de um punhado de fornecedores de tecnologia.
Em setembro, o relatório NANDA do MIT causou sensação porque a frase de efeito que cada autor e influenciador percebeu foi que 95% de todos os pilotos de IA falharam em escalar ou entregar um ROI claro e mensurável. A McKinsey publicou anteriormente uma tendência semelhante indicando que a IA agente seria o caminho a seguir para alcançar enormes benefícios operacionais para as empresas. No O Wall Street JournalNa Cúpula do Conselho de Tecnologia, os líderes de tecnologia de IA recomendaram que os CIOs parassem de se preocupar com o retorno do investimento da IA porque medir os ganhos é difícil e, se tentassem, as medições estariam erradas.
Isto coloca os líderes tecnológicos numa posição precária – pilhas tecnológicas robustas já sustentam as suas operações comerciais, então qual é a vantagem de introduzir novas tecnologias?
Durante décadas, as estratégias de implantação seguiram uma cadência consistente em que os operadores de tecnologia evitam a desestabilização de fluxos de trabalho críticos para os negócios para trocar componentes individuais em pilhas de tecnologia. Por exemplo, uma tecnologia melhor ou mais barata não faz sentido se colocar em risco a recuperação de desastres.
Embora o preço possa aumentar quando um novo comprador assume o middleware maduro, o custo de perder parte dos dados da sua empresa porque você está no meio da transição da sua empresa para uma nova tecnologia é muito mais grave do que pagar um preço mais alto por uma tecnologia estável na qual você administra o seu negócio há 20 anos.
Então, como as empresas obtêm retorno do investimento nas mais recentes transformações tecnológicas?
Primeiro princípio da IA: seus dados são seu valor
A maioria dos artigos sobre dados de IA está relacionada a tarefas de engenharia para garantir que um modelo de IA faça inferências em relação aos dados de negócios em repositórios que representam realidades de negócios passadas e presentes.
No entanto, um dos casos de uso mais amplamente implantados em IA empresarial começa com a solicitação de um modelo de IA por meio do upload de anexos de arquivo no modelo. Esta etapa restringe o alcance de um modelo de IA ao conteúdo dos arquivos carregados, acelerando tempos de resposta precisos e reduzindo o número de solicitações necessárias para obter a melhor resposta.
Essa tática depende do envio de seus dados comerciais proprietários para um modelo de IA, portanto, há duas considerações importantes a serem feitas em paralelo com a preparação de dados: primeiro, controlar seu sistema para obter a confidencialidade adequada; e segundo, desenvolver uma estratégia de negociação deliberada com os fornecedores de modelos, que não podem avançar os seus modelos de fronteira sem obter acesso a dados não públicos, como os dados do seu negócio.
Recentemente, a Anthropic e a OpenAI concluíram acordos massivos com plataformas e proprietários de dados corporativos porque não há dados primários de alto valor suficientes disponíveis publicamente na Internet.
A maioria das empresas priorizaria automaticamente a confidencialidade dos seus dados e projetaria fluxos de trabalho comerciais para manter segredos comerciais. Do ponto de vista do valor econômico, especialmente considerando o custo real de cada chamada de API de modelo, a troca de acesso seletivo aos seus dados por serviços ou compensações de preços pode ser a estratégia certa. Em vez de abordar a compra/integração do modelo como um exercício típico de fornecedor/aquisição, pense no potencial de obter benefícios mútuos no avanço do modelo de seus fornecedores e na adoção do modelo pelos seus negócios em conjunto.
Segundo princípio da IA: chato por design
De acordo com a Information is Beautiful, só em 2024, 182 novos modelos generativos de IA foram introduzidos no mercado. Quando o GPT5 chegou ao mercado em 2025, muitos dos modelos de 12 a 24 meses anteriores ficaram indisponíveis até que os clientes da assinatura ameaçaram cancelar. Seus fluxos de trabalho de IA anteriormente estáveis foram construídos em modelos que não funcionavam mais. Os seus fornecedores de tecnologia pensaram que os clientes ficariam entusiasmados com os modelos mais recentes e não perceberam o valor que os fluxos de trabalho empresariais atribuem à estabilidade. Os jogadores de vídeo ficam felizes em atualizar suas versões personalizadas durante toda a vida útil dos componentes do sistema em suas plataformas de jogos e atualizarão todo o sistema apenas para jogar um título recém-lançado.
No entanto, o comportamento não se traduz em operações de taxa de execução empresarial. Embora muitos funcionários possam usar os modelos mais recentes para processamento de documentos ou geração de conteúdo, as operações de back-office não conseguem sustentar a troca de uma pilha de tecnologia três vezes por semana para acompanhar os últimos lançamentos de modelos. O trabalho de back-office é enfadonho por natureza.
As implementações de IA mais bem-sucedidas concentraram-se na implementação de IA em problemas empresariais exclusivos dos seus negócios, muitas vezes executados em segundo plano para acelerar ou aumentar tarefas mundanas, mas obrigatórias. Aliviar as auditorias jurídicas ou de despesas da necessidade de verificar manualmente relatórios individuais, mas colocar a decisão final numa zona de responsabilidade humana combina o melhor de ambos.
O ponto importante é que nenhuma dessas tarefas exige atualizações constantes do modelo mais recente para entregar esse valor. Essa também é uma área em que abstrair seus fluxos de trabalho de negócios do uso de APIs de modelo direto pode oferecer estabilidade adicional a longo prazo, ao mesmo tempo em que mantém opções para atualizar ou atualizar os mecanismos subjacentes no ritmo de seus negócios.
Terceiro princípio da IA: economia das minivans
A melhor maneira de evitar economias invertidas é projetar sistemas alinhados aos usuários, em vez de especificações e benchmarks do fornecedor.
Demasiadas empresas continuam a cair na armadilha de comprar novos equipamentos ou novos tipos de serviços em nuvem com base em novos benchmarks liderados por fornecedores, em vez de iniciarem a sua jornada de IA com base no que os seus negócios podem consumir, a que ritmo, e nas capacidades que implementaram hoje.
Embora o marketing da Ferrari seja eficaz e esses automóveis sejam verdadeiramente magníficos, eles dirigem na mesma velocidade pelas zonas escolares e não têm amplo espaço no porta-malas para fazer compras. Tenha em mente que cada servidor e modelo remoto tocado por um usuário aumenta os custos e projeta para a frugalidade, reconfigurando fluxos de trabalho para minimizar gastos com serviços de terceiros.
Muitas empresas descobriram que seus fluxos de trabalho de IA de suporte ao cliente acrescentam milhões de dólares em custos de taxa de execução operacional e acabam adicionando mais tempo e custo de desenvolvimento para atualizar a implementação para previsibilidade OpEx. Enquanto isso, as empresas que decidiram que um sistema executado no ritmo que um ser humano pode ler (menos de 50 tokens por segundo) conseguiram implantar com sucesso aplicativos de IA escaláveis com sobrecarga adicional mínima.
Há muitos aspectos desta nova tecnologia de automação para descompactar – a melhor orientação é começar de forma prática, projetar com independência nos componentes tecnológicos subjacentes para evitar a interrupção de aplicações estáveis a longo prazo e aproveitar o fato de que a tecnologia de IA torna os dados de seu negócio valiosos para o avanço dos objetivos de seus fornecedores de tecnologia.
Este conteúdo foi produzido pela Intel. Não foi escrito pela equipe editorial do MIT Technology Review.
