A evolução dos modelos de inteligência artificial está mudando a dinâmica competitiva do mercado. O avanço de alternativas mais eficientes e acessíveis, especialmente entre modelos chineses e de código aberto, amplia as possibilidades para as empresas, mas também traz novos desafios relacionados a custos, segurança, governança e infraestrutura.
Em entrevista à IT Section, Ricardo Villar, VP de AI Solutions da Software.com.br, analisa esse cenário e explica por que a disputa em IA tende a ir além da capacidade dos modelos. Para ele, a escolha da tecnologia precisa considerar o caso de uso, a arquitetura, a proteção dos dados e a capacidade de operar soluções de forma segura e sustentável.
Leia a entrevista completa e confira a análise de Ricardo Villar sobre os próximos movimentos do mercado de IA.
IT Section: O GLM-5.2 sinaliza uma mudança estrutural no mercado de modelos fundacionais ou ainda é cedo para falar em uma ameaça ao domínio da OpenAI e da Anthropic?
Ricardo Villar: O GLM-5.2 representa um sinal relevante de mudança no mercado de modelos fundacionais, ao combinar avanços de desempenho com uma proposta de maior eficiência econômica. Sua combinação de alta performance, janela de contexto ampla e disponibilidade sob licença aberta mostra que a competição tecnológica está se tornando mais diversificada e acessível.
Ainda é prematuro, no entanto, afirmar que o modelo representa uma ameaça direta à posição de liderança da OpenAI e da Anthropic. As líderes do mercado continuam beneficiadas por fatores que vão além da qualidade do modelo em si, como ecossistemas consolidados, forte integração com plataformas corporativas, ampla distribuição global e investimentos contínuos em infraestrutura e pós-treinamento.
Há também um paradoxo que vale observar. O discurso em torno desse tipo de modelo costuma ser de democratização, mas usá-lo de fato, com hospedagem própria, ajustes finos e camadas de segurança, exige capacidade técnica interna que boa parte das empresas ainda não tem. É quase o oposto do caminho que as plataformas mais consolidadas seguiram, reduzindo a barreira de entrada para o usuário comum. Ainda é cedo para saber se o GLM-5.2 será capaz de, de fato, democratizar seu uso, ou se vai acabar reforçando a vantagem de quem já tem times técnicos maduros.
E vale um adendo importante. O preço baixo por token que chamou tanta atenção mede basicamente o custo de rodar o modelo, não o custo de operar uma solução de IA dentro de uma empresa. Democratizar o acesso ao modelo é diferente de democratizar a operação desse modelo com segurança, e é aí que mora boa parte da conta que nem sempre é capturada nas comparações mais imediatas entre modelos.
Portanto, o lançamento sinaliza uma mudança estrutural importante na dinâmica competitiva da IA generativa, mas ainda não há elementos suficientes para concluir que OpenAI e Anthropic estejam diante de uma perda iminente de liderança. O que fica claro é que o mercado está se tornando mais competitivo e que a diferenciação passará cada vez mais pela combinação entre tecnologia, custo, ecossistema e alcance comercial.
IT Section: O avanço de modelos chineses mais competitivos pode pressionar a estratégia de precificação dos grandes fornecedores de IA generativa? Como isso afeta o mercado corporativo?
Ricardo Villar: Quando os modelos competitivos alcançam níveis semelhantes de desempenho em determinadas tarefas, a diferença de preço passa a ter um peso cada vez maior na decisão de compra das empresas, criando um incentivo adicional para que fornecedores tradicionais revejam tarifas, modelos de comercialização e propostas de valor para preservar sua competitividade.
Mas é importante não reduzir essa conversa a preço por token. O custo real de uma tecnologia de IA passa por armazenagem e processamento de dados, infraestrutura física e, sobretudo, investimento em camadas de segurança, indispensáveis num momento em que a preocupação também gira em torno da ideia de que a segurança deixa de ser apenas sobre o que a IA consegue dizer e passa a ser sobre o que ela consegue fazer. Um modelo mais barato na tabela pode, na prática, sair mais caro se exigir mais investimento nessas camadas. A pergunta que toda empresa deveria se fazer não é quanto custa o token, mas quanto custa operar aquela IA de forma segura e confiável ao longo dos anos.
Para o mercado corporativo, esse movimento amplia as opções disponíveis e incentiva uma adoção mais orientada por custo-benefício. Em vez de concentrar toda a operação em um único fornecedor, as empresas podem encontrar vantagem em adotar estratégias multi-modelo, selecionando a tecnologia mais adequada para cada tipo de demanda, com modelos mais avançados e caros para tarefas críticas que exigem maior capacidade de raciocínio, e alternativas mais econômicas para atividades rotineiras ou de alto volume.
Ao mesmo tempo, a decisão não passa apenas pelo preço. Organizações também precisam avaliar questões relacionadas à soberania de dados, conformidade regulatória, segurança da informação e riscos geopolíticos. Por isso, embora a pressão competitiva deva contribuir para a redução dos custos e acelerar a inovação no setor, a escolha dos modelos continuará dependendo de um equilíbrio entre desempenho, custo, governança e requisitos de negócio.
IT Section: Na avaliação da Software.com.br, a disputa em IA será definida pela qualidade dos modelos ou pela capacidade de construir um ecossistema de APIs, agentes e aplicações corporativas?
Ricardo Villar: À medida que os modelos se aproximam em desempenho e se tornam mais acessíveis, a vantagem competitiva passa a depender menos da capacidade isolada da tecnologia e mais de como ela é integrada a sistemas, processos e aplicações de negócio. Nesse cenário, integração, governança e capacidade de execução passam a ter um peso crescente na geração de valor.
Quando falamos de agentes cada vez mais capazes, conectados a ferramentas e sistemas empresariais e executando tarefas de longa duração, a discussão deixa de ser apenas sobre qual modelo é mais inteligente e passa a envolver questões concretas de arquitetura e segurança. Eu diria que segurança não é uma propriedade binária de um modelo, mas do sistema construído ao redor dele: identidade, permissões, rede, sandbox, observabilidade, aprovação humana e governança. O fornecedor é apenas uma dessas camadas. A qualidade da tecnologia continua relevante, mas seu valor no ambiente corporativo depende cada vez mais de como todas essas camadas funcionam em conjunto.
Na prática, o potencial dessas soluções depende também da maturidade da organização para incorporá-las aos seus processos. Isso pressupõe regras de negócio bem estruturadas, clareza sobre responsabilidades e algum nível de letramento em IA entre os usuários. Sem essas condições, mesmo um ecossistema tecnologicamente avançado pode ter dificuldade para entregar todo o valor esperado.
IT Section: Com a crescente maturidade dos modelos de código aberto, em quais cenários eles passam a ser mais vantajosos do que soluções proprietárias para empresas?
Ricardo Villar: Os modelos de código aberto tendem a ser mais vantajosos em cenários que exigem maior controle, personalização e eficiência de custos. Um exemplo é o tratamento de dados sensíveis: quando executados na infraestrutura da própria organização, eles permitem manter essas informações dentro do ambiente corporativo, com maior controle sobre seu processamento e uso. Outro cenário favorável é o de operações em larga escala, onde os modelos abertos podem reduzir ou eliminar a dependência de taxas cobradas por APIs proprietárias ou por volume de tokens, embora transfiram parte desses custos para infraestrutura e operação próprias.
Mas essa vantagem tem um custo que nem sempre aparece de forma clara na discussão. Em modelos de pesos abertos, recursos como segurança, sandboxing e observabilidade podem não estar disponíveis de forma nativa ou integrada, o que pode exigir que essas camadas sejam implementadas e mantidas pela própria organização. Hospedar um modelo desse porte por conta própria também significa virar, de fato, operadora daquela infraestrutura, com servidores adequados e equipe para manter tudo no ar, monitorar e corrigir quando algo sai do previsto. A empresa ganha soberania sobre os dados, mas herda uma responsabilidade que antes era do fornecedor. Essas soluções fazem mais sentido para empresas que já têm grau de experimentação avançado e contornos de segurança já resolvidos, onde a IA já é parte da cultura organizacional e há capacidade de customizar a própria solução.
A personalização também é um diferencial importante. Empresas que precisam de modelos adaptados ao seu setor, terminologia específica ou processos exclusivos podem realizar ajustes finos com dados próprios, com maior liberdade para adaptar o comportamento e a operação do modelo do que normalmente encontram em soluções proprietárias mais padronizadas. E há um ganho de independência tecnológica real: ao evitar a dependência de um único fornecedor, as empresas ganham flexibilidade para evoluir suas aplicações e reduzir riscos ligados a mudanças de preço ou descontinuidade de serviços.
No fim, gosto de resumir assim: um modelo aberto e barato democratiza o acesso à tecnologia, mas não democratiza, sozinho, a operação segura dessa tecnologia dentro de uma empresa. A economia por token pode até ser real, mas o benefício de verdade só aparece quando se olha para o custo total de manter aquela IA rodando com segurança, de forma auditável, por anos, e não para o preço de tabela do momento do lançamento.
IT Section: A parceria com a OpenAI muda a forma como a Software.com.br orienta seus clientes na escolha de modelos de IA ou a estratégia continua sendo baseada no caso de uso e na governança dos dados?
Ricardo Villar: A parceria com a OpenAI preserva a essência da atuação da Software.com.br como software advisor, mantendo uma abordagem independente na recomendação das soluções de IA mais adequadas às necessidades de cada cliente. Não acredito em melhor modelo sem contexto, acredito em melhor solução para determinado problema. Para uma tarefa, um modelo de fronteira pode ser a opção certa; para outra, um modelo menor é suficiente e mais econômico; para um dado extremamente sensível, pode fazer sentido considerar um modelo executado dentro da própria infraestrutura do cliente. Em muitos ambientes, o que se vê na prática é convivência de múltiplos modelos, não escolha única.
Quando desenhamos uma arquitetura de IA para um cliente, avaliamos o conjunto da solução, desde a escolha da tecnologia até os controles de acesso, segurança, monitoramento e governança. O fornecedor é uma parte importante dessa equação, mas não define sozinho a robustez da arquitetura. A OpenAI tem incorporado recursos e práticas de segurança à evolução de seus modelos, mas a adoção em ambiente corporativo continua exigindo controles próprios da organização. É a mesma lógica de confiar no aplicativo de um banco e, ainda assim, utilizar autenticação de dois fatores. Por exemplo, eu não recomendaria a nenhum cliente, independentemente do fornecedor de IA, colocar um agente com acesso irrestrito a sistemas críticos.
Na prática, a parceria amplia o portfólio disponível e facilita o acesso corporativo a um ecossistema robusto, mas a escolha da tecnologia continua sendo guiada pelas necessidades reais de cada empresa. A governança dos dados segue como ponto fundamental, garantindo que as organizações utilizem soluções alinhadas às suas políticas de segurança, privacidade e conformidade, com informações corporativas tratadas de acordo com os requisitos de cada ambiente de negócio.
IT Section: A corrida entre Estados Unidos e China pode acelerar a inovação, mas também aumentar a fragmentação tecnológica. Como as empresas devem se preparar para esse cenário?
Ricardo Villar: Para as empresas, esse cenário combina dois efeitos: mais velocidade de inovação e maior complexidade tecnológica, com uma tendência de maior diversificação entre padrões, plataformas e infraestruturas. Isso torna mais importante a capacidade de operar com diferentes tecnologias e adaptar a arquitetura às mudanças do mercado.
As organizações devem investir em arquiteturas e estratégias multi-modelo, capazes de integrar diferentes soluções de IA conforme as necessidades do negócio. Essa abordagem reduz riscos associados a mudanças regulatórias, restrições comerciais ou limitações impostas por ecossistemas específicos, inclusive no nível de hardware. O mercado chinês ainda mantém vínculos importantes com tecnologias ocidentais, mas já avança em iniciativas que utilizam infraestrutura e aceleradores desenvolvidos localmente. Esse movimento mostra que a fragmentação tecnológica já começa a se refletir também na infraestrutura que sustenta o desenvolvimento da IA.
A governança de dados também ganha importância. Utilizar IA como ferramenta crítica de negócio exige um olhar sério sobre governança e responsabilidade. Não seria prudente imaginar um cenário em que se dependa exclusivamente de uma única tecnologia, ou que sejam negligenciados bons processos e regras de negócio da própria empresa, que continuam sendo fundamentos importantes para uma adoção sustentável de tecnologia, muito antes de se pensar em adoção de IA.
IT Section: O que o lançamento do GLM-5.2 revela sobre a evolução da IA: estamos entrando em uma disputa por modelos mais inteligentes ou por modelos mais eficientes e economicamente viáveis?
Ricardo Villar: O lançamento do GLM-5.2 revela que a evolução da inteligência artificial está entrando em uma nova fase, na qual inteligência e eficiência deixam de ser objetivos concorrentes e passam a caminhar juntas. Se antes a disputa estava concentrada em quem possuía o modelo mais poderoso, agora o mercado começa a valorizar também a capacidade de entregar desempenho de ponta com custos menores e maior viabilidade operacional.
Isso indica que a competição já não se resume a ganhos marginais de inteligência, mas à capacidade de tornar essa inteligência escalável e financeiramente sustentável. Ainda assim, vale um contraponto: parte desses ganhos de eficiência vem de benchmarks divulgados pelos próprios fabricantes, então prefiro tratar os números com o mesmo ceticismo que aplicaria a qualquer laboratório, seja americano ou chinês.
Essa combinação entre maior capacidade e menor custo traz uma consequência importante: quanto mais viável se torna colocar esses modelos em escala, maior passa a ser também a discussão sobre o nível de autonomia que estamos dispostos a delegar a eles. Eficiência de modelo ajuda a resolver o custo de inferência, mas não responde sozinha quais decisões podem ser automatizadas, quais precisam de revisão e quais nunca deveriam ser delegadas integralmente. Gosto de pensar em autonomia por níveis: uma IA pode abrir um chamado automaticamente ou sugerir uma alteração em um sistema; já uma ação irreversível em um ambiente crítico deveria continuar exigindo aprovação humana.
Por isso, o novo paradigma não será definido apenas por quem entrega mais inteligência pelo menor custo, mas também por quem consegue transformar essa eficiência em aplicações escaláveis sem perder controle e previsibilidade. À medida que os modelos ficam mais capazes e mais baratos, aumenta também a importância de definir com clareza os limites de sua atuação e os mecanismos de supervisão. O desafio, portanto, não é desacelerar sua evolução, mas amadurecer a arquitetura de adoção para que segurança, observabilidade e governança acompanhem essa evolução desde o início.
