Em uma conversa recente, os executivos da Snowflake, Baris Gultekin e Bruno Barreto, defenderam que as empresas escolham modelos de inteligência artificial de acordo com as tarefas específicas e o retorno esperado. A ideia é alocar a tecnologia mais sofisticada apenas onde ela agrega valor real, enquanto soluções mais simples podem resolver outras etapas sem elevar os gastos.
“O chef Michelin não é necessariamente a pessoa que vai cortar a cebola.” A comparação de Bruno Barreto, vice-presidente da Snowflake para a América Latina, ilustra a decisão que as empresas precisam tomar ao adotar IA: quando vale investir em uma tecnologia mais avançada e quando uma alternativa mais acessível atende à demanda.
Barreto explica que a escolha começa pela divisão de um processo em tarefas distintas. Uma etapa pode exigir um modelo capaz de analisar informações complexas, enquanto outra pode ser resolvida com uma opção mais barata. O critério é a capacidade necessária para entregar o resultado com a qualidade esperada.
Na visão do executivo, o trabalho do chef e o de quem prepara os ingredientes fazem parte da mesma entrega, mas exigem competências diferentes. Aplicar essa lógica à IA significa avaliar onde a sofisticação agrega valor e onde apenas aumenta os custos. A definição do modelo passa a ser uma decisão sobre como distribuir recursos ao longo do processo.
“A gente não precisa aplicar o mesmo modelo para todos os casos, para todos os agentes, para todas as necessidades”, afirma Barreto.
O custo vai além de uma resposta
Parte dos gastos está relacionada aos tokens, unidades nas quais os modelos dividem o conteúdo processado e gerado. Em muitas aplicações acessadas por interfaces de programação (APIs), a cobrança considera esse volume.
Um agente pode precisar de várias chamadas ao modelo para consultar informações, acionar ferramentas, avaliar o que recebeu e produzir uma resposta. Por isso, o preço de uma consulta isolada não reflete necessariamente o custo total para concluir a tarefa.
Gultekin define a relação entre capacidade e custo como “eficiência da inteligência”. “Você está pagando o valor adequado pela inteligência que está recebendo?”, questiona o executivo.
A escolha deve considerar o que o sistema deve fazer e qual nível de desempenho é necessário para aquela aplicação. “Se uma pergunta pode ser respondida por um modelo barato, a plataforma pode usar esse modelo mais barato em vez do mais caro”, diz.
“Trabalhamos com nossos clientes para garantir que comecem com um objetivo de negócio em mente e, a partir daí, construam a IA da maneira mais eficiente e barata possível para alcançar esse resultado”, afirma Gultekin.
A divisão de tarefas também permite distribuir os gastos. Barreto compara uma cozinha, onde profissionais com habilidades e custos diferentes preparam o mesmo prato. Na IA, a escolha dos modelos deve seguir lógica semelhante.
Segundo o executivo, essa escolha pode incluir um modelo de código aberto mais barato para determinadas aplicações, em vez de recorrer sempre aos sistemas mais avançados. A proposta é controlar os custos sem abrir mão da capacidade necessária para cada tarefa.
A plataforma da Snowflake oferece recursos para estabelecer orçamentos e direcionar solicitações ao modelo adequado. Acompanhar o consumo, porém, não significa interrompê-lo imediatamente: a documentação da empresa informa que certas verificações são periódicas, permitindo ultrapassar um limite antes da execução de uma ação de controle.
Quando o agente precisa chamar uma pessoa
Gultekin distingue as atividades que podem se beneficiar de modelos de linguagem daquelas que exigem uma sequência rigorosamente repetível. A escolha da ferramenta, afirma, precisa considerar essa diferença.
“Se você quer algo que seja sempre repetível, em todas as etapas, não necessariamente quer usar um modelo de linguagem para isso”, diz.
Em decisões sensíveis, a supervisão humana pode fazer parte do processo. O executivo explica que resultados insuficientes nas avaliações de precisão são um motivo para encaminhar determinadas etapas a uma pessoa.
Para Barreto, essa capacidade de supervisão é decisiva para conquistar a confiança dos gestores. As dúvidas envolvem respostas inventadas pelos modelos, proteção dos dados e cumprimento das exigências de setores regulados.
“Como é que eu faço para que isso não saia daqui do nosso ambiente? A gente está agindo em conformidade com o que se deve dentro de uma indústria regulada?”, exemplifica o executivo, ao descrever as perguntas dos clientes.
O resultado precisa aparecer no negócio
Dentro da Snowflake, Gultekin cita um agente desenvolvido para apoiar a equipe comercial. A ferramenta ajuda os vendedores a preparar reuniões, acompanhar o uso dos produtos pelos clientes e conhecer melhor o portfólio.
“Não se trata apenas de torná-los mais produtivos para que precisemos de menos vendedores. É o contrário: eles estão sendo muito mais eficazes no que fazem”, afirma.
No Brasil, Barreto aponta a Azul como exemplo. Segundo ele, a companhia aérea usa dados para prever o comportamento de clientes de fidelidade diante de atrasos de voos e orientar o atendimento, com o objetivo de reter esses passageiros.
Os executivos não apresentaram percentuais de aumento de receita desses projetos. Barreto afirma, porém, que as conversas com os clientes passaram da experimentação para a cobrança por resultados.
A empresa também ampliou sua estrutura para atender à demanda regional. Segundo Barreto, a operação na América Latina praticamente dobrou em cerca de um ano e meio e reúne pouco mais de 200 colaboradores entre Brasil, México, Colômbia, Chile e Costa Rica.
Antes dos agentes, os dados
O caminho até esses resultados começa antes da escolha do modelo. Para Gultekin, disponibilizar ChatGPT ou Claude aos funcionários oferece uma ferramenta de trabalho, mas não equivale a implantar agentes que compreendam o funcionamento da organização.
“O número de empresas que implantaram agentes mais profundos, que realmente entendem o contexto e os dados da companhia, ainda é baixo”, afirma.
A preparação exige mais do que reunir arquivos ou liberar acesso aos sistemas. É preciso explicar à IA como a empresa define seus indicadores, quais regras aplica aos cálculos e o que significam os termos usados pelas equipes. Essa base de dados fornece o contexto para interpretar as perguntas e produzir respostas úteis.
“Cada empresa mede receita e lucro de maneira diferente”, diz Gultekin. “Todas as suas métricas precisam ser descritas.”
Se departamentos calculam um indicador de formas diferentes, o agente precisa saber qual definição aplicar. Ter acesso aos registros, por si só, não resolve essa diferença.
Barreto identifica essa lacuna nas empresas que tentam avançar para a IA sem concluir a organização das informações. “Falta a base, a fundação para começar isso”, afirma.
Depois vêm a seleção das aplicações, a capacitação das equipes e a passagem dos testes para a produção. “Primeiro, a base com uma plataforma de dados robusta. Segundo, sair dessa experimentação para a produção”, diz Barreto.
Para Gultekin, essa ordem define o ponto de partida. “Não há estratégia de IA sem uma estratégia de dados”, afirma.
