O modelo que você escolheu hoje já está ficando velho. E os dados do MIT provam isso

Ana Trišović não veio ao AI Festival com opiniões. Veio com dados. Research Scientist do MIT FutureTech (CSAIL), ela apresentou para uma plateia lotada em São Paulo os resultados de uma pesquisa que analisou mais de 268 mil publicações científicas e 1.942 modelos de fundação para responder uma pergunta que todo decisor de IA deveria fazer — e quase ninguém faz com rigor suficiente: qual IA usar, quando, e por quê a maioria das empresas erra nessa escolha?

O título da palestra era preciso: Measuring AI's Footprint in Science: Adoption, Capability, and Impact. O subtítulo, mais direto ainda: "o que os dados dizem sobre qual IA usar, quando, e por que a maioria das empresas erra."

O gap que ninguém fala: 22 vezes

O primeiro dado da palestra funcionou como um balde de água fria. Entre os modelos de IA construídos e os modelos de IA efetivamente usados em produção, existe uma lacuna de 22 vezes. A maioria esmagadora do que é desenvolvido nunca é adotado. Isso não é falha de qualidade técnica — é falha de estratégia de adoção. E é exatamente aí que a maioria das empresas perde.

Adoção quase exponencial — mas desigual

A boa notícia dos dados é que a adoção de IA na ciência cresce em ritmo próximo ao exponencial em praticamente todas as áreas do conhecimento. Em 2024, 1,5% de toda a produção científica global já usava modelos de fundação. Linguística lidera com 34% das publicações, seguida por Ciência da Computação com 18%, Engenharia com 4,6%, Direito com 3,3% e Biologia com 2,8%. Medicina, Química, Matemática, Física, Ciência dos Materiais e Psicologia completam o mapa — todas em trajetória ascendente.

A má notícia é o que esse mapa geográfico revela: quase todos os países do mundo são importadores líquidos de modelos de fundação. Dois países dominam a criação. Todos os outros — incluindo o Brasil — operam downstream. Essa assimetria tem consequências estratégicas, regulatórias e de soberania que vão muito além do debate técnico sobre qual modelo usar.

Três coisas que todo decisor de IA precisa internalizar

Trišović estruturou os achados da pesquisa em três verdades que, segundo ela, todo tomador de decisão em IA deveria ter internalizadas — mas que os dados mostram que a maioria ignora:

A primeira: a fronteira se move mais rápido do que você consegue acompanhar. Os modelos envelhecem 23% mais rápido a cada ano. Um modelo de 2023 atinge seu pico de adoção em aproximadamente metade do tempo que um modelo de 2019 levava. Isso significa que ciclos de planejamento de dois ou três anos baseados num modelo específico já estão errados antes de começar.

A segunda: o modelo "melhor" no papel nem sempre prediz adoção real. Os benchmarks do Open LLM Leaderboard correlacionam com adoção nos dados de 2024 — com valores entre 0,53 e 0,74 —, mas para a coorte de 2023, dois dos benchmarks mais usados (BBH e MATH Nível 5) colapsaram para correlação zero com adoção real. O conselho prático de Trišović é direto: use benchmarks para fazer uma lista curta de candidatos. Decida com base nos seus próprios dados.

A terceira — e talvez a mais importante: estratégia de adoção bate seleção de modelo. Não é o modelo que você escolhe que define o resultado. É a capacidade da organização de adotar, adaptar e evoluir com os modelos. Empresas que desenvolvem essa capacidade internamente são muito mais resilientes do que aquelas que apostam na escolha certa do modelo.

Modelos abertos dominam — mas fechados crescem rápido

Um dado que surpreendeu a plateia: 81,6% de toda a adoção de IA em produção usa modelos de pesos abertos (open-weight). Apenas uma fração significativa usa modelos fechados. Mas o número que equilibra essa afirmação é igualmente revelador: a taxa de crescimento anual de adoção de modelos fechados entre 2020 e 2023 foi de 423%. Os fechados estão claramente em recuperação — e a distância está diminuindo.

Para empresas, o dado mais estratégico não é qual tipo domina hoje. É o que os dados de customização revelam: 40% dos usuários de modelos abertos fazem fine-tuning. Apenas 18% dos usuários de modelos fechados fazem o mesmo. E um modelo proprietário de 7 bilhões de parâmetros, ajustado com os dados da sua empresa, supera uma API genérica que o seu concorrente também tem acesso. A customização é o fosso competitivo — não o tamanho do modelo, não a marca do provedor.

Os 9% que customizam de verdade criam a maior parte do valor real.

Três modos de falha — e como evitá-los

Trišović descreveu os três padrões de falha mais comuns que os dados revelam em empresas que adotam IA de forma equivocada.

O primeiro é apostar em um único modelo: integração profunda com um SDK, um provedor, um modelo. O resultado previsível é que esse modelo será descontinuado, reprecificado ou sofrerá limitação de uso dentro de 24 meses. As empresas que vencem arquitetam para substituição desde o primeiro dia.

O segundo e o terceiro modos de falha emergem dos riscos de dependência que Trišović organizou em três categorias, cada uma com sua mitigação específica. O risco de descontinuação (deprecation risk) exige que a arquitetura permita troca de modelo sem reescrita estrutural. O risco geopolítico — que afeta especialmente países que operam downstream como o Brasil — exige estratégia multivendor com reservas em modelos de pesos abertos. E o risco de poder de precificação exige que a empresa mantenha uma saída credível, testada trimestralmente — ou seja, a capacidade real de migrar de provedor precisa ser exercitada periodicamente, não apenas planejada no papel.

Os três princípios para levar para casa

Trišović encerrou com uma síntese de três princípios que condensam tudo o que os dados revelam:

Aposte na capacidade de adoção, não num modelo específico. Aberto mais customizado supera fechado mais genérico. E assuma que o modelo que você usa hoje estará obsoleto em 24 meses — porque os dados mostram que ele provavelmente estará.