O eixo do mercado de inteligência artificial mudou. As empresas passaram a escolher ferramentas pela aderência à tarefa, pela velocidade, pelo custo e pelo nível de controle, e não só por quem aparece melhor nos benchmarks. Em termos bem concretos, isso quer dizer o seguinte: para uma parte grande dos usos corporativos, a opção “boa o suficiente” está ganhando terreno sobre a mais sofisticada, e também sobre a mais cara.
O motivo é simples: a conta.
Em escala corporativa, usar esses sistemas pode custar milhões por mês, sobretudo em operações com grande volume de texto, automação e atendimento. Nikesh Arora, CEO da Palo Alto Networks, resumiu bem essa pressão ao dizer que o preço por token talvez tenha de cair até 90% para que a adoção avance de forma mais ampla.
Essa pressão ajuda a explicar por que a compra deixou de parecer um concurso de potência. Em vez de colocar um único modelo para fazer tudo, as companhias estão olhando tarefa por tarefa para ver qual opção faz mais sentido em cada caso, seja para resumir documentos, classificar dados, gerar respostas rápidas ou tocar raciocínios em várias etapas.
Para ter uma noção do tamanho dessa diferença, estimativas do setor indicam que treinar um sistema de fronteira como o GPT-4, da OpenAI, pode passar de 100 milhões, enquanto modelos menores podem ser desenvolvidos por menos de 10 milhões. Na inferência, as comparações de custo usadas pelo mercado também chamam atenção: uma requisição em um modelo como o Mistral 7B, da Mistral AI, pode sair mais de 200 vezes mais barata do que em um GPT-4. Se a tarefa não pede o melhor raciocínio disponível, o incentivo para migrar é óbvio: alternativas mais leves e especializadas respondem rápido e custam muito menos.
Daí o avanço dos sistemas multimodelo, com roteamento para mandar cada solicitação ao mecanismo mais adequado e mais econômico: um para sumarização, outro para extração de dados, outro para tarefas mais pesadas. Esse desenho também conversa com a expansão dos agentes especializados. A consultoria Gartner projeta que 40% dos aplicativos corporativos terão agentes focados em tarefas específicas até o fim de 2026, contra menos de 5% um ano antes.
Mesmo com a queda no custo unitário, o gasto total não diminuiu. Em muitos casos, a conta corporativa pode triplicar, porque fluxos agentivos consomem muito mais tokens por tarefa do que um uso simples de chat. Por isso, algumas empresas já estão adotando políticas de minimização de tokens, limites de consumo e controles mais rigorosos por equipe.
A vantagem competitiva também está mudando. À medida que a capacidade dos modelos fica mais próxima entre si, inferência barata, governança, segurança e camadas de orquestração passam a pesar mais, porque são elas que tornam o uso em larga escala financeiramente viável. Junte a isso os modelos abertos e as opções chinesas, que ampliam a disputa por preço. Sistemas como o Llama, da Meta, e o Qwen, da Alibaba, já passaram de 1 bilhão de downloads cada, segundo dados divulgados por Meta e Alibaba. Isso reforça a percepção de que já existem alternativas sólidas fora das plataformas proprietárias mais caras.
No fim das contas, essa nova fase do mercado parece menos glamourosa do que a corrida pelos maiores anúncios. E bem mais pragmática. Agora, o vencedor pode não ser quem constrói o maior modelo, mas quem entrega o resultado mais útil com a menor fatura.
