Vice-presidente de produto do Google Cloud, Michael Gerstenhaber explicou como enxerga os próximos desafios para a inteligência artificial corporativa. Responsável pelo Vertex, plataforma unificada da companhia para implantação de IA em empresas, o executivo defendeu que os modelos trabalham, simultaneamente, em três frentes: inteligência bruta, tempo de resposta e custo de operação em larga escala.
Três fronteiras simultâneas
Em entrevista ao TechCrunch, publicada em 23 de fevereiro de 2026, Gerstenhaber descreveu os limites da tecnologia:
Inteligência bruta: “Quando o objetivo é obter o melhor código possível, não importa se o processamento leva 45 minutos”, afirmou, citando o Gemini Pro como exemplo de modelo ajustado para qualidade máxima de resultado.
Latência: Para cenários como atendimento ao cliente, a resposta precisa ser rápida. “Não adianta estar certo se o usuário desligar o telefone”, disse, indicando que, nesse caso, o modelo mais inteligente é aquele que cabe no orçamento de tempo.
Custo e escala: Plataformas que moderam grandes volumes de conteúdo, como Reddit ou Meta, precisam de previsibilidade financeira. “Eles não sabem quantos posts tóxicos aparecerão amanhã, por isso escolhem o maior nível de inteligência que conseguem pagar de maneira escalável”, explicou.
Experiência e motivos para migrar ao Google
O executivo atua na área de IA há cerca de dois anos — um ano e meio na Anthropic e, desde então, quase seis meses no Google. Segundo ele, a decisão de mudar-se para a gigante de Mountain View está ligada à integração vertical da empresa. “Temos desde data centers e usinas de energia até nossos próprios chips, modelos, camadas de inferência e interfaces, como o Gemini Enterprise”, enumerou.
Imagem: Getty
Por que a adoção de agentes ainda é lenta
Gerstenhaber reconheceu que, apesar de demonstrações impressionantes, os sistemas baseados em agentes ainda não foram largamente adotados. Ele atribui o ritmo à falta de infraestrutura de apoio, como padrões para auditoria das ações dos agentes e para autorização de dados. “A tecnologia existe há apenas dois anos; produção sempre vem depois”, argumentou.
O executivo destacou que a engenharia de software avançou mais depressa porque já possui processos estabelecidos de revisão e ambientes de testes. “Precisamos criar esses mesmos padrões para outras áreas e profissões”, concluiu.
Com informações de TechCrunch
