De acordo com pt.wedoany.com-O CEO da Microsoft, Satya Nadella, esclareceu que muitas empresas ignoram um ponto crucial em suas estratégias de inteligência artificial: a verdadeira competição não está em escolher qual modelo, mas sim se a organização consegue aprender com os sistemas que ela mesma constrói.
O conceito central enfatizado por Nadella é o "ciclo de aprendizado". Esse mecanismo se refere a um sistema que se otimiza a cada uso, não por meio de atualizações de software, mas capturando, analisando e melhorando com base nos eventos gerados durante sua operação, aprimorando continuamente o desempenho. Em contraste, a maioria das aplicações empresariais de IA atualmente não funciona dessa forma. Por exemplo, uma empresa implanta o ChatGPT ou um modelo similar em um fluxo de trabalho, que consegue responder perguntas, mas quando o usuário faz a mesma pergunta de forma ligeiramente diferente, o sistema não tem memória do contexto específico do negócio. Isso significa que a empresa possui apenas uma ferramenta genérica mais inteligente, e não um sistema cíclico com capacidade de aprendizado.
Nos últimos dois anos, o setor enfatizou amplamente soluções de "humano no circuito", onde a aprovação humana é usada para validar a saída da IA. Nadella acredita que essa abordagem é apenas um ponto de verificação, e não um verdadeiro processo de aprendizado. A empresa não melhora o sistema com isso; apenas aumenta os custos de mão de obra para controlar a qualidade. Ele propõe que, se a organização não apenas verificar a saída da IA, mas capturar cada interação, cada correção e cada resultado, e usar essas informações de feedback para a iteração do próprio sistema, tornando-o mais inteligente em domínios de negócios específicos, isso sim constitui um verdadeiro ciclo de aprendizado.
Nadella ilustrou com um cenário de vendas. Um sistema que usa um agente de IA para redigir propostas de vendas, sem um ciclo de aprendizado, pode ter 80 das 100 propostas redigidas que precisam ser editadas pelos vendedores com base no modelo de precificação da empresa ou nas dores dos clientes, e o problema persiste no mês seguinte. Em um sistema com ciclo de aprendizado, o sistema captura cada ação de edição. Após aprender com 500 propostas, o sistema dominará a lógica real de vendas da empresa, e não um processo genérico. Na milésima proposta, quase não serão necessárias edições. A empresa constrói, assim, uma propriedade intelectual exclusiva que não pode ser obtida por simples download.
Em um memorando relacionado, Nadella destacou que não se deve competir na escolha de modelos, pois todas as empresas podem usar modelos como Claude, GPT e Gemini. A vantagem deve vir dos sistemas construídos em torno dos modelos, e não do poder computacional dos próprios modelos. O interesse da Microsoft reside no fato de que ela deseja que as empresas construam esses ciclos em sua plataforma Azure, incluindo ajuste fino, armazenamento de dados proprietários e investimento em custos que tornem a migração difícil. Esse quadro desloca o foco da competição de "quem tem o melhor modelo" para "quem constrói o sistema mais inteligente".
Há opiniões divergentes no setor sobre a teoria do ciclo de aprendizado. A OpenAI atualmente suporta uma ampla gama de métodos de ajuste fino, mas sua estratégia maior é melhorar continuamente o modelo base, tornando-o poderoso o suficiente para não precisar de ciclos complexos. A Anthropic tende a governar por meio de projetos, fluxos de trabalho de recuperação e IA constitucional, com seu ajuste fino limitado principalmente a modelos Claude mais antigos, valorizando mais controle, segurança e governança. O caminho de código aberto oferece independência em modelos como Llama por meio de LoRA e ajuste fino eficiente de parâmetros, mas transfere o ônus operacional para o usuário. Há também pragmáticos que sugerem que chamar APIs e atualizar automaticamente pode ser uma opção mais simples.
Construir um ciclo de aprendizado requer resolver três desafios simultaneamente: no nível de infraestrutura, é necessário construir um pipeline que capture dados de treinamento do uso em tempo real, realize ajuste fino, implante e monitore os resultados; no nível de governança de dados, é preciso transformar conversas e fluxos de trabalho proprietários em dados de treinamento limpos, compatíveis e legíveis por máquina; no nível de disciplina, é necessária uma avaliação contínua para confirmar que o modelo está realmente melhorando os resultados. O consultor empresarial Kumar Gauraw documentou repetidamente esse padrão: equipes se apressam em fazer ajuste fino, alugam GPUs caras e descobrem que um prompt melhor escrito resolve o problema em menos tempo. A regulamentação também adiciona complexidade. Dario Amodei, da Anthropic, propôs recentemente auditorias independentes para modelos de ponta, semelhantes à regulamentação da aviação, realizadas antes da implantação. Isso é gerenciável para grandes empresas com equipes de conformidade, mas mais difícil para empresas de médio porte que fazem ajuste fino contínuo em dados proprietários.
Apesar dos desafios mencionados, o argumento central de Nadella ainda merece atenção: empresas que constroem ciclos de aprendizado proprietários desde cedo podem obter vantagens difíceis de replicar. Essa vantagem não vem da tecnologia em si, mas porque o ciclo codifica o conhecimento institucional em um sistema que melhora a cada uso. Isso constitui a construção de um ativo, em vez de apenas comprar acesso a modelos mais inteligentes. A verdadeira questão é se as empresas têm capacidade para arcar com a infraestrutura, governança e disciplina necessárias para construir o ciclo, ou se devem esperar que os próprios modelos se tornem poderosos o suficiente para não precisar de ciclos complexos. Esta é uma escolha estratégica sobre o posicionamento da empresa.Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
