Nem toda tarefa exige a IA mais cara: Snowflake alerta para a 'armadilha financeira' das empresas

RESUMO ＋

Em entrevista exclusiva à EXAME, executivos da Snowflake defendem que empresas escolham modelos de inteligência artificial conforme as tarefas e o retorno esperado. Baris Gultekin e Bruno Barreto apontam a preparação dos dados, o controle de custos e a supervisão dos agentes como etapas para levar a tecnologia à operação. No Brasil, Barreto cita iniciativas da Azul.

“O chef Michelin não é necessariamente a pessoa que vai cortar a cebola.” A comparação de Bruno Barreto, vice-presidente da Snowflake para a América Latina, traduz uma escolha que as empresas precisam fazer ao adotar inteligência artificial (IA): quando vale pagar pela tecnologia mais sofisticada — e quando uma alternativa mais simples dá conta do trabalho?

Em entrevista exclusiva à EXAME, Barreto explica que a escolha começa pela divisão de um processo em tarefas. Uma etapa pode exigir um modelo capaz de analisar informações complexas; outra pode ser resolvida por uma opção mais barata. O critério é a capacidade necessária para entregar o resultado com a qualidade esperada.

Na comparação do executivo, o trabalho do chef e o de quem prepara os ingredientes fazem parte da mesma entrega, mas exigem competências diferentes. Aplicar essa lógica à IA significa avaliar onde a sofisticação acrescenta valor e onde apenas aumenta a conta. A escolha do modelo passa a ser uma decisão sobre como distribuir recursos ao longo do processo.

“A gente não precisa aplicar o mesmo modelo para todos os casos, para todos os agentes, para todas as necessidades”, afirma Barreto.

Essa avaliação, porém, nem sempre acompanhou a adoção da tecnologia. Baris Gultekin, vice-presidente de IA da Snowflake, afirma que a pressão para incorporar IA criou um incentivo para demonstrar uso antes de demonstrar resultado.

“Em determinado momento, as pessoas passaram a achar que seu valor era medido pela quantidade de IA que usavam, sem pensar no retorno desse investimento”, diz Gultekin.

Segundo o executivo, o estímulo dos conselhos de administração e dos presidentes das empresas nem sempre veio acompanhado de critérios para medir os benefícios. Ter uma aplicação de IA em funcionamento responde à cobrança por adotar a tecnologia, mas ainda deixa uma pergunta de negócio sobre o que mudou depois que ela entrou em operação.

De acordo com os executivos, grande parte dos clientes espera que a IA aumente a receita, reduza custos e minimize riscos — ao mesmo tempo. Transformar essas expectativas em um projeto exige definir qual problema será resolvido e como o resultado será avaliado. Sem esse ponto de partida, a quantidade de aplicações pode crescer sem esclarecer o retorno do investimento.

A chegada dos agentes de IA acrescenta outra variável à conta. Esses sistemas podem consultar documentos, acionar ferramentas e revisar respostas, recorrendo aos modelos várias vezes até concluir uma tarefa. O custo depende tanto da tecnologia escolhida quanto da quantidade de etapas necessárias para chegar à entrega.

É nesse processo que a comparação de Barreto ganha importância: cada etapa pode exigir uma capacidade diferente. Reservar o modelo mais sofisticado para os momentos em que ele faz diferença pode ajudar a controlar os gastos, desde que as alternativas mais simples mantenham a qualidade exigida.

A Snowflake participa dessa discussão como fornecedora de uma plataforma de dados e IA com cobrança baseada no consumo. O uso dos serviços gera receita para a companhia, que também oferece recursos para acompanhar os gastos. Nesse modelo, a expansão das aplicações e o controle da conta fazem parte da mesma decisão. A orientação dos executivos é começar pelo objetivo de negócio e, a partir dele, escolher a tecnologia necessária.

O custo vai além de uma resposta

Parte da conta passa pelos tokens, unidades nas quais os modelos dividem o conteúdo que processam e produzem. Em muitas aplicações acessadas por interfaces de programação, as APIs, a cobrança considera esse volume.

Um agente pode precisar de várias chamadas ao modelo para consultar informações, selecionar uma ferramenta, avaliar o que recebeu e produzir uma resposta. Por isso, o preço de uma consulta isolada não revela necessariamente quanto custará concluir o trabalho.

Gultekin chama a relação entre capacidade e custo de “eficiência da inteligência”. “Você está pagando o valor adequado pela inteligência que está recebendo?”, questiona o executivo.

A escolha precisa considerar o que o sistema deve fazer e qual nível de desempenho é necessário para aquela aplicação. “Se uma pergunta pode ser respondida por um modelo barato, a plataforma pode usar esse modelo mais barato em vez do mais caro”, diz.

“Trabalhamos com nossos clientes para garantir que comecem com um objetivo de negócio em mente e, a partir daí, construam a IA da maneira mais eficiente e barata possível para alcançar esse resultado”, afirma Gultekin.

A divisão de tarefas também permite distribuir os gastos. Na comparação de Barreto, uma cozinha reúne profissionais com habilidades e custos diferentes para preparar o mesmo prato. Na IA, a escolha dos modelos deve seguir lógica semelhante.

“A gente não precisa aplicar o mesmo modelo para todos os casos, para todos os agentes, para todas as necessidades”, afirma.

Segundo o executivo, essa escolha pode incluir um modelo de código aberto mais barato para determinadas aplicações, em vez de recorrer sempre aos sistemas mais avançados. A proposta é controlar os custos sem abrir mão da capacidade necessária para cada tarefa.

Gultekin afirma que a plataforma oferece recursos para estabelecer orçamentos e direcionar solicitações ao modelo adequado. Acompanhar o consumo, porém, não significa interrompê-lo imediatamente: a documentação da Snowflake informa que certas verificações são periódicas, permitindo ultrapassar um limite antes da execução de uma ação de controle.

Quando o agente precisa chamar uma pessoa

Gultekin distingue as atividades que podem se beneficiar de modelos de linguagem daquelas que exigem uma sequência rigorosamente repetível. A escolha da ferramenta, afirma, precisa considerar essa diferença.

“Se você quer algo que seja sempre repetível, em todas as etapas, não necessariamente quer usar um modelo de linguagem para isso”, diz.

Em decisões sensíveis, a supervisão humana pode fazer parte do processo. O executivo explica que resultados insuficientes nas avaliações de precisão são um motivo para encaminhar determinadas etapas a uma pessoa.

Para Barreto, essa capacidade de supervisão é decisiva para conquistar a confiança dos gestores. As dúvidas envolvem respostas inventadas pelos modelos, proteção dos dados e cumprimento das exigências de setores regulados.

“Como é que eu faço para que isso não saia daqui do nosso ambiente? A gente está agindo em conformidade com o que se deve dentro de uma indústria regulada?”, exemplifica o executivo, ao descrever as perguntas dos clientes.

O resultado precisa aparecer no negócio

Dentro da Snowflake, Gultekin cita um agente desenvolvido para apoiar a equipe comercial. A ferramenta ajuda os vendedores a preparar reuniões, acompanhar o uso dos produtos pelos clientes e conhecer melhor o portfólio.

“Não se trata apenas de torná-los mais produtivos para que precisemos de menos vendedores. É o contrário: eles estão sendo muito mais eficazes no que fazem”, afirma.

No Brasil, Barreto aponta a Azul como exemplo. Segundo ele, a companhia aérea usa dados para prever o comportamento de clientes de fidelidade diante de atrasos de voos e orientar o atendimento, com o objetivo de reter esses passageiros.

Os executivos não apresentaram percentuais de aumento de receita desses projetos na entrevista. Barreto afirma, porém, que as conversas com os clientes passaram da experimentação para a cobrança por resultados.

A companhia também ampliou sua estrutura para atender à demanda regional. Segundo Barreto, a operação na América Latina praticamente dobrou em cerca de um ano e meio e reúne pouco mais de 200 colaboradores entre Brasil, México, Colômbia, Chile e Costa Rica.

Para os clientes que já colocaram aplicações em funcionamento, o desafio é fazer o benefício compensar a despesa.

Antes dos agentes, os dados

O caminho até esses resultados começa antes da escolha do modelo. Para Gultekin, disponibilizar ChatGPT ou Claude aos funcionários oferece uma ferramenta de trabalho, mas não equivale a implantar agentes que compreendam o funcionamento da organização.

“O número de empresas que implantaram agentes mais profundos, que realmente entendem o contexto e os dados da companhia, ainda é baixo”, afirma.

A preparação exige mais do que reunir arquivos ou liberar acesso aos sistemas. É preciso explicar à IA como a empresa define seus indicadores, quais regras aplica aos cálculos e o que significam os termos usados pelas equipes. Essa base de dados fornece o contexto para interpretar as perguntas e produzir respostas úteis.

“Cada empresa mede receita e lucro de maneira diferente”, diz Gultekin. “Todas as suas métricas precisam ser descritas.”

Se departamentos calculam um indicador de formas diferentes, o agente precisa saber qual definição aplicar. Ter acesso aos registros, por si só, não resolve essa diferença.

Barreto identifica essa lacuna nas empresas que tentam avançar para a IA sem concluir a organização das informações. “Falta a base, a fundação para começar isso”, afirma.

Depois vêm a seleção das aplicações, a capacitação das equipes e a passagem dos testes para a produção. “Primeiro, a base com uma plataforma de dados robusta. Segundo, sair dessa experimentação para a produção”, diz Barreto.

Para Gultekin, essa ordem define o ponto de partida. “Não há estratégia de IA sem uma estratégia de dados”, afirma.

---