Estratégia de IA para os serviços financeiros: o que está realmente a funcionar em 2026

Parte 1: O Momento Mythos — Quando uma maquete era demasiado perigosa para ser lançada

Lillian Freiberg: Olá a todos. Sejam bem-vindos. Chamo-me Lillian Freiberg. Sou a Diretora para a América do Norte da Clarity AI. Estou aqui acompanhada pelo meu colega Austin Ritzel, o nosso Gestor Sénior de Estratégia de IA e Projetos Estratégicos. Basicamente, é a pessoa a quem recorro quando algo no mundo da IA dá para o torto e preciso de perceber como isso vai afetar os meus clientes e a mim própria.

Vamos abordar vários temas. A que ritmo esta tecnologia está realmente a evoluir. O que isso significa para as empresas que tentam acompanhar essa evolução e as decisões estratégicas que irão distinguir os vencedores daqueles que ainda estão a tentar resolver as escolhas que fizeram há dois anos.

Austin Ritzel: Obrigado, Lillian. Não consigo superar essa introdução. Preparaste-me muito bem. Sei que temos muito para discutir hoje. Não faltam temas fascinantes no mundo da IA neste momento.

Lillian Freiberg: Vamos começar com algo que realmente abalou as pessoas há alguns meses. E, caso não estejas a par do assunto, vou dar-te uma breve explicação.

A Anthropic — a equipa por trás do Claude, um dos principais laboratórios de IA — lançou um modelo chamado Mythos. Os lançamentos de IA são constantes. Mas este teve um impacto muito diferente. O Mythos foi concebido para ser excecional na programação. O que ninguém previu totalmente foi que as mesmas capacidades que o tornavam excelente a escrever código também o tornavam, essencialmente, o mais poderoso scanner de vulnerabilidades de segurança de sempre. Foram descobertos quase 200 bugs graves só no Firefox. Para comparação, o modelo anterior encontrou cerca de 20, apenas dois meses antes.

Eis a parte que realmente chamou a atenção das pessoas. A Anthropic optou voluntariamente por não o divulgar publicamente. Concederam acesso a cerca de 40 instituições — grandes empresas financeiras, empresas tecnológicas, infraestruturas críticas — especificamente para que os defensores pudessem reforçar as suas defesas antes que esta capacidade se tornasse de domínio público. Esse tipo de contenção voluntária a essa escala nunca tinha realmente acontecido antes. Isso fez soar o alarme em Washington, fez soar o alarme em Bruxelas e forçou uma conversa séria sobre o ponto em que a corrida à IA se encontra atualmente.

A minha primeira impressão é que ainda estamos longe de ter chegado a um consenso. Qual é a tua?

Austin Ritzel: Num contexto em que parece que temos momentos decisivos, momentos sem precedentes, a cada duas semanas, este foi realmente um momento muito decisivo para o panorama da IA. E houve algumas razões para isso.

Em primeiro lugar, tal como referiu, o Mythos é excepcionalmente eficaz na sua capacidade de identificar vulnerabilidades de segurança e, claro, isso suscita preocupações relacionadas com a dupla utilização. Por um lado, para quem o utiliza com boas intenções, é um escudo muito robusto. Mas para quem o utiliza com más intenções, o Mythos é uma arma ofensiva muito poderosa — uma espada, para completar a metáfora.

A segunda razão pela qual isto foi tão significativo é esta ideia que mencionaste: os modelos são desenvolvidos, não construídos. Trata-se de uma forma totalmente diferente de pensar sobre a tecnologia. Não é uma ideia que eu tenha inventado. Na verdade, é assim que Dario Amodei, o CEO da Anthropic, descreve o processo de criação de um modelo. O Mythos não foi otimizado especificamente para a análise de cibersegurança. Foi otimizado para a programação, tal como muitos modelos de linguagem de grande dimensão. Mas as mesmas capacidades, as mesmas funcionalidades que o tornaram realmente excelente na programação também o tornaram absolutamente prolífico na deteção de vulnerabilidades.

Houve quem dissesse, no início, que isto era o maior exagero de marketing de sempre — um modelo demasiado potente para ser lançado. Mas descobrimos pouco tempo depois que, na verdade, não se tratava de um exagero de marketing. Trata-se de uma mudança radical em relação ao que o Opus 4.6, o modelo anterior, era capaz de fazer em termos de deteção de vulnerabilidades de segurança. Uma grande mudança.

A título de nota à parte, gostaria de salientar que esta ideia de capacidades generalizáveis de um domínio para outro é algo que estamos a observar no setor financeiro. Muitos dos elementos que tornam os grandes modelos de linguagem verdadeiramente excelentes na programação, como a lógica, são também os que os tornam excelentes em muitas tarefas financeiras.

A terceira razão pela qual isto foi tão importante: a Anthropic, por iniciativa própria, adiou o lançamento público e disponibilizou-o a essas 40 — acho que agora já devem ser 70 — instituições, para lhes permitir reforçar as suas defesas. Além disso , em parte devido a algumas preocupações relacionadas com a capacidade computacional. O Mythos é um modelo de grandes dimensões.

Isso suscitou uma reação muito interessante por parte da administração Trump. Ideologicamente, a administração tem-se oposto à regulamentação, especialmente no que diz respeito à IA — uma das primeiras ordens executivas consistiu em revogar um regulamento aprovado pela administração Biden. Mas agora lançaram esta ideia de uma ordem executiva que obrigaria os laboratórios de IA a submeter os seus modelos às autoridades federais antes do lançamento público. Tem sido descrita como uma espécie de FDA para o setor da IA. Uma grande mudança no panorama regulatório.

Isso também suscitou uma reação da UE, uma vez que esta ficou desamparada — nenhuma instituição sediada na UE teve acesso ao sistema. Levantam-se também questões sobre o acesso livre e equitativo de todos os governos para reforçar as suas defesas.

Dito isto, quanto à primeira parte da sua pergunta: a corrida à IA está longe de estar decidida? Sem dúvida. Os especialistas geralmente afirmam — e isto vem dos CEOs destas empresas — que os laboratórios norte-americanos estão apenas cerca de 1 a 3 meses à frente ou atrás uns dos outros atualmente. Os laboratórios chineses, como o DeepSeek, estão cerca de 6 a 12 meses atrás. Estão muito, muito próximos uns dos outros. E penso que devemos esperar, como resultado, ver o campo a mudar e a reorganizar-se continuamente.

Parte 2: Por que razão o setor dos serviços financeiros é o epicentro

Lillian Freiberg: Interessante. Portanto, mesmo com a Anthropic a viver este momento de destaque, ainda não se pode dizer que haja um vencedor declarado. A corrida continua em pleno andamento. E um dos setores onde essa corrida se desenrola de forma mais visível é o dos serviços financeiros, como referiu anteriormente. Todos os principais fornecedores de IA estão a fazer uma aposta massiva neste setor. Diria que se trata de uma tendência estrutural, ou será apenas porque é aí que está o dinheiro?

Austin Ritzel: Acho que ambas as coisas. Do ponto de vista estrutural, muitas das características que tornam os grandes modelos de linguagem realmente bons na programação também os tornam realmente bons em fluxos de trabalho financeiros, ou em muitos deles, embora certamente não em todos. A própria Anthropic estima que as finanças estejam apenas cerca de 6 a 12 meses atrás do ponto em que a programação se encontra atualmente na curva de automatização. E qualquer pessoa que tenha prestado um mínimo de atenção ao setor da IA sabe o que se passa atualmente com a programação.

É também, sem dúvida, onde está o dinheiro. Os principais laboratórios estão a gerar receitas significativas no setor financeiro. No caso da Anthropic — e refiro-os porque acabaram de divulgar uma grande quantidade de dados sobre este assunto —, em termos de receitas, o setor financeiro ocupa o segundo lugar entre todos os setores. Fica atrás apenas do setor tecnológico, e 40 % dos seus 50 principais clientes são instituições financeiras.

Lillian Freiberg: Isso faz todo o sentido. Mas um atraso de seis a doze meses em relação à programação… Sinto que isso está, na verdade, mais próximo do que a maioria das pessoas imagina. E, no entanto, os serviços financeiros são conhecidos por serem um setor de evolução muito lenta. Ciclos de aquisição, aprovações de risco, autorizações de conformidade. Será que o ritmo do desenvolvimento da IA é apenas um problema temporário para o setor, ou existe aqui um desfasamento mais profundo?

Austin Ritzel: Penso que devemos analisar a questão partindo dos princípios básicos. De onde provém o atrito? Parece haver atrito tanto a nível processual como estrutural.

A fricção processual — ciclos de documentação, integração de fornecedores, esse tipo de coisas — provavelmente poderia ser bastante reduzida pela IA. A fricção estrutural é provavelmente mais duradoura. E, por fricção estrutural, refiro-me à regulamentação, ao dever fiduciário e à responsabilidade pessoal pelas decisões em domínios altamente regulamentados. No mundo das finanças, estes aspetos devem provavelmente ser considerados como características, e não como falhas, especialmente porque esse mundo está a ser desafiado pela IA, onde o custo de um erro é muito elevado.

A restrição estrutural potencialmente mais desafiante é um conceito sobre o qual já escrevi, denominado «Silicon Ceiling»: o limite da capacidade de uma empresa para absorver competências. Coisas como gestão da mudança, colmatar lacunas de competências entre os colaboradores e formar os colaboradores. Existe um desfasamento entre a velocidade da capacidade de ponta e a velocidade de absorção organizacional. E isso não é exclusivo das instituições financeiras. O inquérito «2026 State of AI in the Enterprise» da Deloitte revelou que a lacuna de competências em IA é vista como a maior barreira à integração empresarial. Por isso, esse lado mais difuso da barreira estrutural é extremamente importante para compreender a rapidez com que todas as empresas podem avançar.

Espero que essa diferença provavelmente aumente antes de diminuir. Mas irá verificar-se uma divergência entre as empresas que estão a investir em capacidade de absorção — o que, na verdade, significa investir em pessoas e processos como um ativo estratégico — e aquelas que não o fazem. Espero que as primeiras se distanciem.

Lillian Freiberg: Gosto desta abordagem flexível. E o conceito de «Silicon Ceiling» é um enquadramento tão útil porque não é necessariamente a tecnologia que constitui o problema. São as pessoas, a organização, a integração. E isso liga-se diretamente a algo que quero garantir que abordemos antes de prosseguirmos, porque é muito importante e recebo esta pergunta constantemente. Trata-se da cibersegurança. A Mythos tornou isso muito palpável. Quando os modelos são implementados mais rapidamente, o que acontece realmente à superfície de ameaça de uma instituição financeira?

Austin Ritzel: É uma questão realmente importante e, na verdade, apresenta essa lentidão das instituições financeiras sob uma luz muito positiva. Em vez de lentidão, interpreta-se isso como ponderação.

A rapidez da implementação de modelos está a alterar a superfície de ameaças através de dois vetores principais. O primeiro é a assimetria existente entre as capacidades ofensivas e defensivas. O ciclo que vai desde o surgimento de uma capacidade, passando pela sua introdução no mercado, até à sua disseminação generalizada está a ser comprimido. E quando esse intervalo de tempo é reduzido, não se limita a dar aos defensores menos tempo para corrigir as falhas. Dá-lhes também menos tempo para compreenderem contra o que estão a tomar medidas. A decisão da Anthropic de adiar o Mythos é o melhor exemplo que tivemos até agora de uma empresa a travar o processo, tentando separar a capacidade da implementação e a dar a todos um pouco de tempo para se prepararem.

O segundo aspeto é que os perímetros de segurança tradicionais estão a mudar, especialmente à medida que a IA se torna mais autônoma, começando a realizar ações concretas. Uma IA com capacidade de ação é uma preocupação muito diferente de um cérebro num frasco. Cada integração de IA implica a implementação de um novo perímetro. Um agente com acesso ao calendário, ao e-mail, ao sistema de ficheiros… Não se encaixa perfeitamente nos modelos de privilégios mínimos em que nos temos baseado. As práticas de segurança provavelmente precisam de mudar fundamentalmente para refletir esse ritmo de mudança. Em vez de atualizar a postura de segurança anualmente, esta precisa de se assemelhar muito mais a um ritmo mensal, a fim de tentar acompanhar o ritmo do desenvolvimento da IA.

Parte 3: A decisão errada no nível errado

Lillian Freiberg: Isso vai ser uma grande adaptação para algumas empresas. Por isso, vamos mudar um pouco de assunto e falar de um problema com o qual suspeito que muitas pessoas estejam a conviver discretamente neste momento.

Suponhamos que, há 18 meses, a sua empresa tenha passado por todo o processo: análise de TI, aprovação de riscos, aval de conformidade e aprovação de um modelo base. Foram investidos recursos. E agora o panorama mudou e você olha à sua volta e pensa: será que apostámos no cavalo certo?

Grande parte do problema reside no facto de muitas dessas decisões terem sido tomadas ao nível errado. Os departamentos de risco ou de TI aprovaram algo antes de a área de negócio compreender realmente o que estava a adquirir, como iria utilizá-lo ou mesmo quem o iria utilizar. Agora, temos um contrato, fluxos de trabalho criados com base nele e o resto do mundo já seguiu em frente.

Austin, isto tem solução? Ou será que o setor vai ter de continuar a arcar com estas decisões iniciais por mais algum tempo?

Austin Ritzel: Quando o terreno está em constante mudança, a resposta mais adequada é garantir que as bases sejam suficientemente flexíveis para se adaptarem. O que observámos na primeira vaga da IA, quando o entusiasmo estava a crescer, mas a tecnologia ainda era bastante nova, por volta de 2024, foi que as unidades não comerciais estavam a tomar muitas dessas decisões em nome dos utilizadores comerciais. Equipas de TI, de gestão de risco e de compras.

É provável que as unidades de negócio tenham adiado a sua influência devido ao caráter inovador da tecnologia. Ainda não tinham desenvolvido preferências pessoais. Ainda não se tinham familiarizado com as capacidades dessas ferramentas. E, francamente, as capacidades eram muito diferentes. Em 2024, falávamos de chatbots. Agora, falamos de pessoas que criam agentes em poucas horas. É uma mudança enorme.

Dito isto, espero que o agnosticismo de modelos se torne a abordagem dominante, tanto entre as empresas que desenvolvem soluções especializadas como entre os clientes que adquirem essas soluções. Mas o agnosticismo de modelos não é apenas uma decisão que se toma. Não basta dizer «somos agnósticos em termos de modelos». Requer um investimento arquitetónico considerável.

Clarity AI constituiClarity AI um exemplo útil disso. Desde o início que temos uma estrutura independente de modelos. A plataforma de extração de dados que criámos, tanto para uso interno como para os clientes, permite alternar sem dificuldades entre modelos da Anthropic, OpenAI, Gemini e muitos outros. Quando se incluem modelos de pesos abertos, estamos a falar de acesso a mais de mil modelos fundamentais. Um novo participante pode ser integrado em apenas alguns dias. Isso garante que nunca dependemos de um único laboratório e que nunca ficamos vulneráveis a ficar desatualizados por causa de um novo lançamento ou a sermos deixados na mão por uma falha de sistema.

Os compradores, por outro lado, devem seguir o exemplo recentemente dado pela Apple. A Apple vai utilizar o Gemini como base para os seus modelos fundamentais, mas, com o lançamento do iOS 27, permitirá que os utilizadores selecionem o fornecedor de terceiros que preferirem — Gemini, OpenAI, Anthropic — para alimentar as funcionalidades do seu software. Uma resposta da Siri gerada através do Claude será diferente de uma gerada com o Gemini. Poderá fazer essa escolha com base na preferência pelo tom ou personalidade do modelo, na sua reputação para tarefas específicas, na sua confiança no laboratório ou na sua familiaridade com o mesmo em contextos profissionais.

A Apple não está a apostar nos cavalos. Está a construir a pista de corridas. É essa a mesma abordagem que temos seguido na Clarity AI anos, e espero que seja cada vez mais adotada tanto por criadores como por compradores, à medida que se apercebem de que a exclusividade acarreta um risco enorme.

Lillian Freiberg: Construa a pista de corridas, não aposte no cavalo. Adoro essa ideia. Não só porque adoro apostar, mas porque, olhando para trás, parece óbvio. Mas é evidente que nem todos chegaram a essa conclusão logo no início. Mencionou que as decisões são tomadas ao nível errado. Esse padrão verifica-se de facto em todo o mercado?

Austin Ritzel: Acho que sim. E esta culpa não recai exclusivamente sobre o setor financeiro. Isto está a acontecer em todos os setores. As funções centrais de TI, risco e compras foram as primeiras a avaliar os fornecedores de IA, numa altura em que esta era extremamente inovadora, e as empresas acabaram por adiar a sua influência. É assim que se acaba com empresas que aprovaram um modelo em 2024 e agora estão presas a ele. E é isso que ambos ouvimos dos clientes no nosso dia-a-dia.

A estratégia mais acertada foi e será sempre seguir uma abordagem de baixo para cima. É preciso compreender primeiro o caso de uso e, só depois, avançar para a seleção do fornecedor. Começa-se pelas funções mais próximas do trabalho. Se está a pensar em implementar uma ferramenta de IA para engenheiros de software, é melhor falar com os próprios engenheiros de software. Se está a pensar em implementar uma ferramenta para gestores de relacionamento, precisa de falar com os gestores de relacionamento para compreender quais as capacidades que importam e quais não importam. Vá além das demonstrações apelativas e concentre-se no valor real.

A avaliação central ainda precisa de ser complementada — os departamentos de TI, de gestão de riscos e de compras têm de testar exaustivamente estas ferramentas do ponto de vista da segurança, tal como já discutimos. No entanto, devem estar abertos à influência das unidades de negócio. Os utilizadores das unidades de negócio estão a tornar-se suficientemente competentes para exercer influência nas avaliações das equipas técnicas.

Lillian Freiberg: E isso conduz-nos diretamente a um fenómeno distinto, mas relacionado. Penso que é muito mais comum do que as empresas querem admitir: as pessoas dentro dessas instituições sabem que existem ferramentas melhores e, mesmo assim, utilizam-nas discretamente, com ou sem aprovação. O que é que essa pressão acaba por provocar a nível institucional?

Austin Ritzel: Penso que esta utilização «na sombra» é sintomática de um problema muito profundo. Ethan Mollick, da Wharton, que escreve muito sobre IA em contextos empresariais, apelidou esta figura de «Cyborg Secreto». O Cyborg Secreto é silencioso e receoso. Trata-se de um colaborador que utiliza a IA para superar os colegas nas sombras, mas que não vê qualquer vantagem nem incentivo para revelar essa utilização. Temem ser julgados ou receiam que a IA possa substituí-los. Seja qual for o desincentivo para manter o uso da IA em segredo, isso é problemático. E indica que a própria empresa não construiu a relação interna correta com a IA. Essa é a doença da qual esta persona é sintomática.

As consequências são graves. Existem problemas como a fuga de dados através do histórico de comandos — se estiver a utilizar versões não empresariais e não seguras das ferramentas, poderá estar a enviar informações confidenciais para sistemas que as podem utilizar para o seu treino, e essas informações poderão surgir nas respostas fornecidas a outros utilizadores. Isto gera resultados inconsistentes entre as equipas. Mas talvez o problema mais dispendioso seja o facto de criar lacunas de capacidade. Reduz a eficiência da sua força de trabalho e cria uma lacuna crescente entre as empresas onde estes «Secret Cyborgs» são predominantes e aquelas que construíram ambientes de IA permissivos e bem geridos, onde as pessoas utilizam as suas ferramentas sem represálias.

A solução consiste em garantir que se estabeleça uma estrutura de governação em torno de como — e não se — os colaboradores utilizam a IA, porque eles vão utilizá-la. E é preciso repensar a abordagem de cima para baixo: a IA é um acelerador do trabalho especializado, não um substituto desse trabalho. Um colaborador capacitado pela IA faz muito mais do que um colaborador substituído pela IA. As empresas que conseguem fazer mais com os mesmos recursos, em vez de fazer o mesmo com menos, serão, de facto, as vencedoras.

Lillian Freiberg: Já percebi. O «Cyborg Secreto». Silencioso e medroso. Vejo a abrir-se um novo segmento de mercado para a terapia.

Austin Ritzel: Exatamente. Ou uma série de ficção científica.

Lillian Freiberg: Podíamos vendê-lo à Star Wars.

Austin Ritzel: É um episódio muito triste de Star Wars, mas sim.

Parte 4: Construir ou comprar — e quanto custa realmente esse elefante branco

Lillian Freiberg: Para algumas empresas que assistem a tudo isto, a resposta a que chegaram parece razoável à primeira vista: «Se não conseguirmos encontrar o fornecedor certo, vamos simplesmente criá-lo nós próprios.» Ser dono da pilha, controlar o roteiro, sem dependência de um fornecedor externo. Já ouvi este argumento ser apresentado de forma convincente em muitas salas de reuniões. Mas pô-lo em prática é muito diferente do discurso. O que pensa sobre essa troca?

Austin Ritzel: Há duas vertentes que precisamos de distinguir quando falamos de «construir» versus «comprar». A primeira são os modelos de base: o que a DeepMind do Google está a desenvolver no Gemini, o que a Anthropic está a desenvolver no Claude e o que a OpenAI está a desenvolver no ChatGPT. Quase nenhuma instituição financeira está a considerar seriamente a possibilidade de construir um modelo de base. A falta de pessoal qualificado é enorme, o investimento de capital envolvido é enorme e as limitações de capacidade computacional são enormes. Mas o desenvolvimento de ferramentas e aplicações especializadas que aproveitam a IA como capacidade central — plataformas de extração de dados, geradores de relatórios, copilotos — é uma conversa mais interessante, e é aí que residem as verdadeiras compensações.

Com as ferramentas atuais, seria teoricamente possível criar o seu próprio Gmail, o seu próprio Slack, o seu próprio HubSpot. No entanto, poucos o fazem realmente a nível empresarial. Não porque não fossem tecnicamente capazes, mas porque o custo de o fazer corretamente — e depois de o manter em bom estado — superaria em muito qualquer benefício imaginável de possuir essa pilha completa. Torna-se um elefante branco amaldiçoado. Comprou este elefante e agora tem de descobrir como o alimentar e mantê-lo a funcionar.

Existem três razões pelas quais a carreira interna tende a ficar aquém das expectativas:

• Em primeiro lugar, existe um custo de oportunidade evidente. Cada engenheiro designado para desenvolver uma ferramenta interna de IA é um engenheiro que não está a trabalhar nas competências essenciais da instituição.
• Em segundo lugar, as ferramentas especializadas vêm acompanhadas de especialistas: profissionais com conhecimento específico e experiência direta na matéria. Na Clarity AI, dedicámos uma década a recolher, validar, enriquecer e selecionar um vasto conjunto de dados sobre sustentabilidade, abrangendo centenas de clientes, através de metodologias próprias desenvolvidas exclusivamente para este fim. Esse conhecimento acumula-se. Uma equipa interna que comece do zero terá dificuldade em reproduzir essa profundidade.
• Em terceiro lugar — e isto é algo em que o nosso Diretor Técnico insiste bastante — a manutenção é silenciosa, mas extremamente dispendiosa. Mantemos atualizadas mais de 400 metodologias métricas e 20 metodologias ao nível do produto, avaliamos e integramos novos modelos e apoiamos o fluxo de trabalho à medida que os modelos fundamentais evoluem e os regimes regulamentares se alteram. Conseguimos repartir esse encargo por centenas de clientes. Uma equipa interna suporta esse peso sozinha, para sempre.

O JP Morgan é um bom exemplo disso. Dispõe de mais capital e mais engenheiros do que muitas empresas tecnológicas. Jamie Dimon afirmou: «Somos uma empresa tecnológica que, por acaso, se dedica às finanças.» No entanto, estão a estabelecer parcerias com a Anthropic no âmbito dos modelos e a adquirir fornecedores especializados nas áreas de fluxos de trabalho e ferramentas. Adquirir o núcleo e desenvolver as margens.

Lillian Freiberg: Há também a questão da estabilidade financeira subjacente a tudo isto que, na minha opinião, poucas empresas estão a ter em conta. Nenhum dos principais fornecedores de modelos de base é rentável. Alguns têm dívidas significativas. Se um deles entrar em sérias dificuldades, o que acontecerá a todos aqueles que desenvolveram soluções com base nos seus modelos? Será que as pessoas estão realmente a ter esse risco em conta?

Austin Ritzel: É uma excelente pergunta. E quero deixar claro que a Alphabet é um caso à parte: a Alphabet é extremamente rentável. Mas se considerarmos apenas a DeepMind, o laboratório interno responsável pelo desenvolvimento do Gemini, a própria DeepMind não é rentável. Provavelmente, a sua situação é muito semelhante à da Anthropic ou da OpenAI, quando se analisam todos os custos.

Apostar excessivamente num único modelo é um risco, mesmo deixando de lado as preocupações financeiras. Penso que o modelo económico está a começar a dar frutos no que diz respeito à inferência. Mas o treino é muito dispendioso, e essas preocupações são reais. E nenhum destes laboratórios de fundação é inevitável.

Tivemos um bom exemplo recentemente: Elon Musk alugou o seu maior centro de dados, situado nos arredores de Memphis, o Colossus Data Center, à Anthropic. Entretanto, Musk também possui o Grok. E parece que ele abandonou efetivamente a ideia de fazer do Grok um modelo de referência ao alugar toda essa capacidade computacional à Anthropic. As empresas precisam de ser resilientes a qualquer choque exógeno, quer se trate de uma falência ou simplesmente de alguém ficar para trás.

É precisamente essa a importância da abordagem de arquitetura aberta. Criar uma base que permita adaptar-se e redirecionar o processo quando alguém fica para trás ou desiste completamente. Na Clarity AI, a nossa plataforma de extração de dados utiliza todos os modelos que mencionei, não só porque modelos diferentes se adequam melhor a tarefas diferentes, mas também porque não queremos o risco de concentração que advém de nos comprometermos com um único laboratório.

Há também uma questão filosófica mais ampla com a qual tenho vindo a refletir. Será que a dependência que desenvolvemos nos últimos anos em relação aos principais laboratórios das fundações é suficiente para que os consideremos «demasiado grandes para falhar»?

Lillian Freiberg: Consigo ver muitos pontos de vista diferentes. Vejo muitas pessoas a defenderem ambos os lados. Mas o que é absolutamente certo é que nenhuma instituição financeira — nenhuma empresa — deve colocar-se numa posição em que tenha de sofrer na pele as consequências de uma resposta que soe a «não» a essa pergunta.

Parte 5: Quem é que realmente ganha

Lillian Freiberg: Quando falamos sobre tudo isto, especialmente no que diz respeito às empresas financeiras, estamos a falar de perda de vantagem competitiva, de perda de alfa. O que me leva àquilo que considero ser a tese subjacente a toda esta conversa. Como é que este mercado vai realmente evoluir? O meu instinto, com base no que ouço dos clientes e dos líderes de opinião, é que os intervenientes especializados, aqueles com verdadeira profundidade num domínio específico, que conseguem operar em qualquer modelo que o cliente já tenha aprovado, vão acabar por ficar na posição mais forte. É assim que também vê as coisas?

Austin Ritzel: Sim. E acho que os fatores económicos provavelmente impõem essa realidade. A camada de base provavelmente acaba por se tornar um produto de consumo de massa, até certo ponto. O próprio Sam Altman comparou o estado final da OpenAI a um serviço público. E, como consequência dessa comoditização da camada de base, é provável que o valor diferenciado se desloque para camadas da pilha que conseguem fazer coisas que um modelo geral não consegue.

Pense no LLM como o motor. As empresas que se destacam são aquelas que conseguem construir um chassis à sua volta: verdadeira especialização na área, conhecimento selecionado e metodologias determinísticas que transformam o que é, fundamentalmente, uma ferramenta probabilística. Duas pessoas que façam a mesma pergunta têm de obter a mesma resposta. É necessário fazer avaliações. São necessárias revisões por especialistas com intervenção humana. As pessoas que conseguem construir o chassis — a direção, os travões, a carroçaria — irão obter um tipo de valor muito especial deste ecossistema.

A infraestrutura de verificação será também fundamental, nomeadamente para instituições financeiras ou qualquer entidade que opere num domínio regulamentado. A explicabilidade, a proveniência de dados provenientes de uma base de dados supervisionada e a rastreabilidade da transformação, desde os dados brutos e a metodologia até ao resultado final, são os aspetos que tornam esses resultados efetivamente utilizáveis em contextos regulamentados.

Lillian Freiberg: Sem dúvida. E, especialmente para os clientes do setor financeiro — rastreabilidade, confiança, algo que esteja preparado para o IC e para auditorias — isso é fundamental. Assim, tendo tudo isso em conta, o que é que realmente distingue os fornecedores especializados que saem mais fortes dos que não sobrevivem a esta situação?

Austin Ritzel: Várias coisas. Flexibilidade arquitetónica, independência em relação aos modelos. Profundidade real do domínio: integrar dados proprietários e metodologias para transformar resultados probabilísticos em determinísticos. Os dados vão constituir uma verdadeira vantagem competitiva no futuro.

Além disso, os fornecedores especializados que se destacam da concorrência também exigirão uma infraestrutura de auditabilidade verdadeiramente robusta. Não se trata apenas de números de página, mas da geometria das citações: onde exatamente na página, a posição exata da informação. A proveniência da fonte. Transformações auditáveis: como é que se passou dos dados brutos encontrados na página para um resultado transformado num relatório gerado automaticamente? Como é que se reduz o esforço de verificação — o tempo que alguém demora a confirmar que a IA produziu algo preciso — para um valor o mais próximo possível de zero?

As empresas de «wrappers» — aquelas que criam interfaces de utilizador apelativas com base num modelo de uso geral, mas sem qualquer profundidade no domínio específico — provavelmente acabarão por ser engolidas pelo mercado. O que permite destacar-se são os dados selecionados ou proprietários, resultados auditáveis e transparentes que reduzem o esforço de verificação, e fazer aquilo que esses modelos gerais simplesmente não conseguem fazer.

Lillian Freiberg: Embalagens finas a serem devoradas. Acho que esta pode ser a frase do dia. Austin, obrigada. Foi realmente fantástico. Quase conseguiste acertar três vezes seguidas no «agnosticismo de modelos», mas conseguiste fazer com que tudo fizesse sentido, e isso não é pouca coisa.

Austin Ritzel: Obrigado, Lillian.