Rajiv Rastogi, vice-presidente de Machine Learning na Amazon, declarou uma profunda transformação nas tecnologias de negócios, observando que toda a camada operacional está se tornando agente.
Isso marca a transição de software estático para sistemas autônomos capazes de interpretar instruções em linguagem natural. Diferentemente do software tradicional, que segue roteiros rígidos e predefinidos, os sistemas agentes possuem caminhos de execução dinâmicos.
Durante uma conversa no evento TechSparks, Rastogi explicou que os agentes desenvolvem planos autonomamente para resolver tarefas e ativam as ferramentas apropriadas. Em vez de intervenção humana constante, esses agentes autônomos analisam solicitações, formam sequências de ações e utilizam ferramentas digitais especializadas para concluir processos complexos do início ao fim.
Dentro da Amazon, essa camada operacional é usada em sistemas como o Rufus, um assistente de compras que consegue analisar pedidos de clientes, aplicar filtros de preço, chamar mecanismos de busca e guiar os usuários através da comparação de produtos e finalização de pedidos. De forma semelhante, assistentes autônomos de vendedores ajudam a preencher fichas de produtos, controlar estoques e aconselhar pequenas empresas sobre conformidade com normas de exportação internacional.
Apesar do enorme entusiasmo do mercado pela inteligência artificial generativa (Gen AI), Rastogi enfatizou que os modelos generativos não são uma solução universal para todos os problemas computacionais. A IA generativa se destaca em argumentação complexa, sumarização de texto, análise de avaliações e tarefas criativas, como a edição de fundos de imagens de produtos. No entanto, ela enfrenta dificuldades em aplicações que exigem alta taxa de transferência e baixa latência.
Rastogi observou que, para certas tarefas, o desempenho dos modelos tradicionais de machine learning nunca será comparável ao das modelos generativas. Algoritmos clássicos, como gradient boosting de árvores de decisão ou redes neurais padrão, processam dados numéricos estruturados com velocidade excepcional.
Para necessidades operacionais em larga escala, como a busca de produtos em comércio eletrônico, onde há que processar dezenas ou centenas de bilhões de itens, os modelos generativos enfrentam custos computacionais exorbitantes e tempo de resposta lento. Portanto, arquiteturas de alto desempenho utilizam orquestradores do tipo agente para entender as intenções humanas, confiando em mecanismos de busca básicos para recuperação de dados ultrarrápida.
Quando as capacidades generativas são realmente necessárias, os líderes empresariais não precisam depender exclusivamente de sistemas fundamentais massivos. Os modelos de ponta, que representam as arquiteturas de IA maiores e mais exigentes em recursos, acarretam custos operacionais significativos. Rastogi propôs uma alternativa mais econômica, indicando que 'o ajuste fino de alguns modelos básicos abertos... pode fornecer modelos que funcionam muito melhor do que alguns desses grandes modelos... por um quinto ou décimo do custo'.
O ajuste fino implica pegar um modelo básico aberto menor e acessível, como o Qwen, e treiná-lo em dados proprietários específicos da aplicação. Ao adotar modelos ajustados abertos, as empresas podem alcançar precisão igual ou superior para tarefas especializadas de classificação ou previsão em comparação com modelos fechados gigantescos, como Claude ou ChatGPT, reduzindo significativamente seus custos computacionais.
Para empreendedores de tecnologia e arquitetos empresariais, as oportunidades mais promissoras residem na automação de fluxos de trabalho verticais, e não na tentativa de criar modelos fundamentais. O desenvolvimento de novos modelos de ponta exige capital financeiro e infraestrutura computacional instáveis. Em vez disso, Rastogi aconselha: 'construir sobre modelos de ponta, usar IA agente para automatizar fluxos de trabalho em domínios... isso é definitivamente promissor'.
Inspirando-se em ferramentas de codificação como o Cursor, grandes possibilidades existem em áreas especializadas, incluindo direito, finanças, saúde, agricultura e gestão de recursos humanos. Um espaço desocupado particularmente valioso é a automação de procedimentos operacionais padrão — documentos em linguagem natural que descrevem instruções passo a passo para funcionários na resolução de problemas operacionais complexos.
A plataforma de automação de agentes é capaz de refinar instruções mal escritas usando bases de conhecimento internas, dividir procedimentos longos em subtarefas gerenciáveis e delegá-las a redes de subagentes especializados que revisam automaticamente ferramentas internas, extraem dados de documentos, analisam imagens e resolvem problemas.
Olhando para o futuro, é necessário que a estrutura básica dos modelos de IA evolua para manter a sustentabilidade. Os modelos de ponta atuais enfrentam sérias limitações físicas e financeiras. Rastogi observou: 'Os modelos de ponta hoje são enormes, computacionalmente muito caros, consomem muita energia e recursos... e eu não acho que isso seja sustentável'.
Além disso, os modelos monolíticos atuais funcionam predominantemente como mecanismos de previsão estatística do próximo token, adivinhando a próxima palavra mais provável em uma sequência, sem um entendimento genuíno das leis da física, geometria tridimensional ou relações de causa e efeito. Na opinião de Rastogi, para superar esses limites, o cenário futuro passará para redes de pequenos modelos orientados a domínios, controlados por orquestradores de roteamento centrais. Em vez de armazenar um vasto volume de conhecimento mundial nos parâmetros de um modelo gigante, as futuras arquiteturas de IA separarão as principais capacidades de raciocínio e armazenamento de dados, dependendo de mecanismos de busca externos de alta velocidade para recuperação de informações. Em última análise, o setor avançará para modelos mundiais verdadeiros, dotados de compreensão interna de espaços físicos e comportamento ambiental, criando uma base prática e economicamente viável para a automação corporativa.