Uma nova projeção do Gartner indica que, até 2027, empresas devem adotar com mais intensidade modelos de Inteligência Artificial (IA) menores e voltados a tarefas específicas. De acordo com a consultoria, o uso desses modelos será, no mínimo, três vezes superior ao dos grandes modelos de linguagem (LLMs) de uso geral, como os que alimentam ferramentas populares de IA generativa hoje.
Apesar de os LLMs genéricos oferecerem capacidades linguísticas robustas, sua precisão tende a cair quando aplicados a demandas que exigem conhecimento aprofundado de um determinado setor.
“A variedade de tarefas nos fluxos de trabalho de negócios e a necessidade de maior precisão estão impulsionando a mudança para modelos especializados”, afirmo Sumit Agarwal, vice-presidente e analista do Gartner. Ele destacou que esses modelos menores também trazem vantagens como respostas mais rápidas, menor consumo de poder computacional e redução de custos operacionais.
De acordo com os dados, para tornar os modelos mais precisos e relevantes ao negócio, empresas vêm apostando em técnicas como Geração Aumentada de Recuperação (RAG) ou técnicas de ajuste fino (fine-tuning), que envolvem o uso de dados próprios para treinar e refinar os modelos. Esse processo exige um preparo rigoroso das informações, com verificação de qualidade, controle de versões e estruturação adequada.
O Gartner também apontou que, ao perceberem o valor estratégico de seus dados privados, companhias podem passar a comercializar seus próprios modelos de IA. A ideia é gerar novas fontes de receita e, ao mesmo tempo, fomentar um ecossistema mais colaborativo, inclusive com clientes e até concorrentes. “Isso marca a mudança de uma abordagem protetora para um uso mais aberto dos dados e do conhecimento”, observou Agarwal.
Segundo o relatório, companhias que desejam iniciar ou expandir o uso de modelos de IA especializados devem considerar projetos-piloto contextualizados, nos quais prioriza-se áreas do negócio onde o conhecimento específico é essencial ou onde modelos genéricos falharam em oferecer qualidade ou velocidade adequadas.
Além das abordagens compostas, com adoção de fluxos de trabalho que combinem múltiplos modelos e etapas de decisão, especialmente em casos de uso complexo. E a capacitação técnica e organizacional, investindo na preparação de dados e na qualificação de equipes técnicas e funcionais, como arquitetos de IA, cientistas de dados, profissionais de risco e conformidade, e especialistas do negócio.
