O avanço da inteligência artificial foi impulsionado, até aqui, pela crença de que modelos maiores geram resultados superiores. Esse paradigma pode estar perto de mudar, pressionado pelo aumento dos custos de uso e por previsões de que tarefas corriqueiras migrem para sistemas menores e mais econômicos.
Em publicação na rede X, o cofundador da Coinbase, Brian Armstrong, afirmou que, nos próximos 12 a 18 meses, 80% das cargas de trabalho devem rodar em modelos 99% mais baratos. Segundo ele, apenas 20% continuarão demandando as plataformas de última geração onde “maximizar QI” seja crucial.
Se o cenário previsto por Armstrong se concretizar, o impacto financeiro recairá principalmente sobre laboratórios como OpenAI e Anthropic, que se preparam para abrir capital. Até agora, a competição no setor priorizava a qualidade, o que levava empresas a escolherem automaticamente os modelos mais poderosos disponíveis.
Testes reforçam a viabilidade dos modelos compactos
Um experimento conduzido pela startup jurídica Harvey, em parceria com a plataforma de inferência Fireworks AI, oferece indícios de que a mudança é possível sem perda de desempenho. A combinação do Claude Opus com o Fireworks GLM 5.1 — reservando o Opus para tarefas mais complexas — reduziu os custos de inferência em três vezes.
“Qualidade vem em primeiro lugar, e no setor jurídico isso não muda”, disse o cofundador da Harvey, Gabe Pereyra. “Mas a definição de qualidade está evoluindo: trata-se de usar o modelo que atinge a resposta correta da maneira mais eficiente.”
Debate vai além de modelos abertos ou proprietários
A discussão costuma ser apresentada como uma disputa entre sistemas fechados e pesos abertos, mas especialistas observam que a divisão mais relevante é entre modelos grandes e pequenos. Economizar trocando o GPT-5.5 por alternativas como o DeepSeek V4 Flash pode ser tão eficaz quanto adotar uma versão miniaturizada do próprio GPT-5.4.
Imagem: Getty
Com o fim de subsídios que vinham barateando o uso de IA, clientes corporativos sentem, pela primeira vez, a pressão no orçamento. Ainda não está claro se essa força levará à adoção em massa de modelos compactos ou se resultará em outras estratégias de economia, como reduzir o número de chamadas ou encerrar projetos menos promissores.
Para laboratórios focados em treinar modelos de fronteira, a possibilidade de ver a maior parte das aplicações migrar para soluções de menor custo levanta dúvidas sobre como justificar investimentos cada vez mais altos em treinamento e infraestrutura.
Com informações de TechCrunch
