Hoje, estamos testemunhando uma contradição interessante se desenrolando quando se trata de IA – ela é superestimada e subestimada. Há uma onda sem precedentes de ânsia para capitalizar essa tecnologia, que, graças à “maioridade” dos modelos de fundação, agora atingiu um novo e significativo limite de maturidade. Embora a empolgação seja parcialmente motivada pelo sucesso de pilotos e testes de sandbox que provocam o impacto material que a IA pode oferecer, até o momento, apenas algumas empresas implementaram casos de uso de IA generativa (IA gen) bem-sucedidos em escala e estão vendo o impacto positivo desse investimento em seus resultados financeiros. Muitas permanecem na fase de experimentação – por enquanto.
Mas por que isso? Obstáculos de complexidade.
Grande parte da febre da IA de hoje não se baseia em uma compreensão clara e fundamental do avanço tecnológico, ou de suas demandas de implementação. E isso introduz riscos e oportunidades perdidas para empresas que buscam escalar a IA de forma competitiva e responsável.
Adicione a isso, o hype levou a uma falsa percepção de que a IA é fácil, o que não poderia estar mais longe da verdade. Simplesmente acessar modelos de base não desbloqueia resultados de negócios. O verdadeiro desafio está em construir aplicativos empresariais robustos sobre eles. Por trás de um aplicativo de IA perfeito, há uma pilha de tecnologia imensamente complicada que os desenvolvedores precisam aproveitar – é aí que a mágica acontece.
Isso também não é pouca coisa. Há toda uma rede de processos e decisões críticas dentro do ciclo de vida de desenvolvimento de IA que, em última análise, determinam o desempenho e a confiabilidade da IA. E a indústria está apostando em um grupo de profissionais amplamente inexperientes para entregar isso.
O risco do hype
O hype pode ser uma ameaça à resolução de problemas. E, neste caso, exagerar as coisas erradas é uma ameaça à resolução da complexidade da IA.
A indústria de IA está fazendo marketing bem à frente de suas capacidades atuais, confundindo o foco e o valor do negócio. Alguns já estão apregoando cronogramas para atingir AGI, enquanto incidentes de alucinações de chatbot e saídas defeituosas aumentam. Estamos glorificando 200 a 500 bilhões de modelos de linguagem de parâmetros grandes ( LLMs ) que são indubitavelmente impressionantes, mas ignoramos que modelos de linguagem pequena (SLMs) são capazes de um efeito dinamite por uma fração do custo.
Como resultado, muitas empresas estão negligenciando casos de uso cirúrgico e aplicações de precisão de IA gen que não exigem investimentos chamativos ou exorbitantes. Eu diria que esses casos de uso são severamente subestimados.
Mais importante, estamos ignorando que a adoção empresarial de IA de geração depende de desenvolvedores com conhecimento limitado em IA. Se as empresas subestimarem isso — um dos maiores desafios do setor que elas devem superar — então apenas alguns privilegiados, poucos deles, se beneficiarão da IA em escala.
A necessidade de descomplicar a pilha de IA
Sistemas de IA performáticos – sejam chatbots, assistentes, agentes ou outros aplicativos – dependem da capacidade dos desenvolvedores de consumir modelos de base, incorporá-los à matriz massiva de tecnologias que compõem os ambientes de TI de hoje e, então, arquitetar vários sistemas em torno de tudo isso. Isso é mais fácil dizer do que fazer por alguns motivos.
Ainda há uma lacuna de conhecimento significativa que impede que desenvolvedores de aplicativos se tornem desenvolvedores de IA proficientes. Essa curva de aprendizado inadvertida tem um efeito cascata na velocidade da inovação, aumenta a latência e as taxas de erro e introduz o risco de mais pontos cegos de segurança . Além disso, esses profissionais estão seguindo ciclos de inovação constantes. Novas técnicas estão sendo introduzidas semanalmente, a pilha está se tornando mais complicada e limitações em técnicas populares como RAG (Retrieval Augmentation Generation) e ajuste fino criam restrições de construção. Em última análise, isso impede a produção e tem um efeito upstream nos custos e no crescimento dos negócios.
Se a IA for construída por profissionais não técnicos ou relativamente técnicos, não precisamos apenas simplificar seu ciclo de vida de desenvolvimento, mas também operacionalizá-la para escala. A comunidade de código aberto tem se esforçado para aliviar essa pressão para os desenvolvedores, simplificando o processo de levar um caso de uso de IA da ideia à produção, mas isso deve ir ainda mais longe. As demandas de grandes empresas garantem que vamos além da solução por resolver, precisamos resolver para escala.
Isso é possível ao equipar os desenvolvedores com kits de ferramentas prontos para uso que desenvolvedores de todos os níveis de habilidade podem usar para criar aplicativos de IA para produção e escala empresarial, sem precisar mergulhar nas complexidades dos próprios modelos de IA. Na verdade, é por isso que a IBM tem investido em iniciativas e estruturas de escala empresarial para simplificar a IA e a automação de TI como um todo.
Em um mercado definido por inovação constante e rápida, quanto mais comoditizamos a pilha de IA e simplificamos a complexa infraestrutura de IA de hoje, mais valor as empresas podem extrair dessas inovações. Se minimizarmos essa necessidade, então temo que o hype ultrapassará a substância da IA, e poucos se beneficiarão dessas inovações como multiplicadores de crescimento para seus negócios.