Empresas estão trocando IAs gigantes pelas menores e especializadas
*Por Fabiano Nagamatsu, CEO da Moove Hub Technology
Durante a primeira onda da inteligência artificial generativa, muitas empresas correram para adotar grandes modelos generalistas. A promessa era que uma única IA capaz de escrever, resumir, analisar, responder e apoiar praticamente qualquer área do negócio. Só que, na prática, esse modelo começou a mostrar limites dentro das operações corporativas.
O problema não está em dizer que ferramentas como ChatGPT, Gemini ou Claude perderam utilidade. Elas continuam muito relevantes para uso amplo, criatividade, apoio geral e produtividade individual. O que mudou foi a lógica da empresa. Em processos críticos, ela passou a perceber que uma IA que sabe um pouco de tudo nem sempre entrega o melhor resultado onde precisão, custo, auditoria e contexto importam mais.
Esse ajuste de rota ganhou força depois de uma fase de frustração. Um relatório de 2025 sobre adoção corporativa de GenAI, ligado ao MIT, apontou que 95% das iniciativas empresariais de IA generativa não geraram impacto mensurável em produtividade ou resultado financeiro, enquanto só 5% alcançaram implementação bem-sucedida com efeito sustentado.
A partir daí, o mercado começou a amadurecer. Em vez de apostar tudo em um modelo enorme e genérico, muitas empresas passaram a construir arquiteturas mais enxutas e específicas. O raciocínio é que para revisar contratos, diagnosticar falhas em máquinas industriais, analisar crédito ou conferir notas fiscais, costuma funcionar melhor uma IA treinada para um problema delimitado do que uma plataforma gigantesca tentando resolver tudo ao mesmo tempo. Esse movimento ganhou tração porque modelos menores trazem vantagens muito objetivas para o ambiente corporativo. A Microsoft destaca que small language models tendem a ser menos intensivos em recursos, mais acessíveis e mais econômicos, além de poderem oferecer respostas mais profundas em tarefas específicas e com menor latência. Em muitos casos, isso permite rodar aplicações com mais eficiência e com menos dependência de infraestrutura pesada.
A Salesforce também vem defendendo esse caminho. Ao apresentar sua família xGen-small, a empresa afirmou que abordagens menores e focadas oferecem uma rota mais previsível, sustentável, econômica e preservadora de privacidade para usar IA em escala nas empresas. Isso conversa diretamente com uma dor crescente do mercado: o custo de manter grandes modelos em nuvem para tarefas que não exigem toda essa potência.
Na prática, muitas companhias já estão combinando vários modelos menores em vez de depender de uma única IA central. Um modelo fica responsável por análise documental. Outro cuida de geração de código. Um terceiro roda localmente para lidar com dados sensíveis. A própria Microsoft descreve esse tipo de arquitetura como um caminho para otimizar custo e performance, usando modelos menores quando eles bastam e reservando modelos maiores para tarefas realmente complexas.
Essa virada importa porque muda o centro da estratégia. Modelos especializados costumam ser mais fáceis de ajustar, governar e auditar. Também reduzem o risco de respostas genéricas demais em áreas sensíveis, como jurídico, financeiro, indústria e compliance. Segundo a Gartner, os domain-specific language models são justamente otimizados para domínios, funções e tarefas específicas, o que tende a aumentar relevância e precisão em casos de uso empresariais bem definidos.
Isso não significa o fim das IAs gigantes. Elas seguem úteis como camada ampla de apoio, exploração e interface geral. Mas, quando o assunto é operação crítica, a tendência é menos gigantismo, mais especialização.
No fim, as empresas estão aprendendo uma lição importante. Em IA corporativa, maior nem sempre significa melhor. Muitas vezes, o que gera valor de verdade é uma IA menor, treinada no contexto certo e conectada a um problema real.