Como reduzir os custos da inteligência artificial na indústria

A incorporação da inteligência artificial generativa às empresas traz um problema conhecido na engenharia: como obter o desempenho necessário com o menor consumo de recursos, respeitando os requisitos de qualidade e confiabilidade. Quando a tecnologia passa de experimentos isolados a atividades recorrentes, o custo de cada interação ganha relevância, sobretudo quando multiplicado por milhares de consultas, documentos e usuários. Nesse contexto, a seleção dos modelos deve considerar a complexidade das tarefas e o valor dos resultados obtidos. Para a indústria, essa discussão interessa porque a viabilidade econômica de uma aplicação depende tanto de sua capacidade técnica quanto do esforço necessário para operá-la, verificar suas respostas e integrá-la aos processos existentes.

Um exemplo dessa busca por eficiência aparece em um relatório técnico da Uber sobre sua infraestrutura de desenvolvimento de software com IA. A empresa informou uma redução de aproximadamente 34% no custo por mil solicitações e de 52% no custo por sessão, em relação aos respectivos picos observados. Para distinguir os ganhos de otimização dos efeitos da troca de tecnologia, essa comparação manteve o mesmo modelo como referência. A empresa também relatou estabilização relativa dos gastos totais desde abril de 2026, apesar do crescimento do uso. Os indicadores exigem uma leitura cuidadosa: reduzir o custo por sessão não equivale a diminuir o orçamento total na mesma proporção. O caso demonstra a possibilidade de ampliar a utilização com maior eficiência econômica, nas condições específicas daquela operação. [1]

Um dos fundamentos técnicos dessa abordagem é o roteamento de modelos, um mecanismo que direciona cada solicitação a uma alternativa considerada adequada à tarefa. Em vez de concentrar todas as interações em um único sistema, a aplicação combina modelos com capacidades e custos distintos. Essa estratégia possui respaldo experimental: no trabalho RouteLLM: Learning to Route LLMs with Preference Data, apresentado na ICLR 2025, os pesquisadores desenvolveram roteadores treinados com dados de preferência para selecionar entre modelos de maior e menor capacidade. Nos testes realizados, obtiveram-se reduções de custo superiores a duas vezes em determinados cenários, preservando a qualidade medida pelas avaliações utilizadas. Esses resultados sustentam a viabilidade do método, mas sua transferência para uma empresa depende de testes com as tarefas, os documentos e os critérios de aceitação daquela organização. [2]

No ambiente industrial, uma aplicação possível seria diferenciar o tratamento de solicitações conforme sua complexidade e suas consequências operacionais. A extração de campos de um relatório padronizado pode ser avaliada separadamente da interpretação de registros de falha que envolvem diferentes equipamentos e condições de operação. Mesmo atividades aparentemente simples, como resumir um manual, exigem critérios específicos quando a omissão de uma restrição pode alterar a compreensão de um procedimento. Por isso, o encaminhamento das tarefas deveria considerar a necessidade de contexto, a ambiguidade das informações e o impacto de uma resposta incorreta. Essa é uma proposta de aplicação do princípio de roteamento à indústria; os resultados obtidos em avaliações gerais de linguagem não comprovam, por si sós, sua adequação a decisões de engenharia.

Os modelos de pesos abertos ampliam as possibilidades de configuração dessas aplicações. Os pesos são parâmetros aprendidos durante o treinamento, e sua disponibilização permite diferentes formas de execução e adaptação, conforme os termos de acesso aplicáveis. Entretanto, pesos disponíveis não tornam automaticamente um sistema uma inteligência artificial de código aberto. A definição da Open Source Initiative inclui, além dos parâmetros, o código e as informações sobre os dados de treinamento, associados às liberdades de uso, estudo, modificação e compartilhamento. Essa distinção é relevante para compreender o que efetivamente está sendo disponibilizado e quais componentes permanecem dependentes do desenvolvedor original. [3]

A avaliação econômica, por sua vez, precisa abranger o custo total da solução. Uma alternativa de menor custo de processamento pode exigir infraestrutura adicional, manutenção especializada, monitoramento e maior esforço de integração. Também deve ser considerado, na análise, o tempo gasto pelos profissionais para verificar e corrigir os resultados. Como ilustração hipotética, reduzir pela metade o custo de geração de um relatório pode trazer pouco benefício se cada documento passar a exigir vários minutos adicionais de revisão. Uma métrica útil para orientar essa comparação seria o custo por tarefa concluída e aprovada, calculado com base no processamento, na operação do sistema e no trabalho de validação. Essa unidade aproxima a avaliação do resultado que interessa à empresa: uma entrega utilizável, dentro dos requisitos definidos.

Para verificar a consistência da economia, a indústria pode estruturar a avaliação por meio de um ensaio comparativo. O ponto de partida seria reunir uma amostra representativa das atividades reais, incluindo documentos incompletos, nomenclaturas internas, formatos diversos e situações pouco frequentes. Cada alternativa seria submetida às mesmas entradas, com critérios previamente definidos de exatidão, completude, rastreabilidade e tempo de resposta. Em uma aplicação que extrai informações técnicas, por exemplo, a avaliação poderia verificar a preservação de unidades, valores e referências documentais. Convém ainda examinar a distribuição dos erros: uma média elevada de acertos pode ocultar falhas concentradas justamente nas situações de maior consequência. A escolha do modelo deveria decorrer desse conjunto de evidências.

A confiabilidade também precisa ser monitorada ao longo do uso. O perfil de IA generativa do National Institute of Standards and Technology, publicado como complemento ao seu referencial de gestão de riscos, propõe incorporar considerações de confiança ao projeto, ao desenvolvimento, ao uso e à avaliação desses sistemas. [4] Aplicado à discussão industrial deste artigo, esse princípio implica reavaliar o desempenho quando houver mudanças relevantes no modelo, nos documentos ou no processo atendido. Uma ferramenta aprovada para organizar registros não deve ter sua validação estendida automaticamente à recomendação de intervenções em equipamentos. O escopo de uso precisa corresponder ao escopo efetivamente testado.

A redução dos custos da inteligência artificial pode, portanto, ser tratada como um problema de dimensionamento e validação. É necessário conhecer a demanda, estabelecer o desempenho mínimo aceitável, comparar alternativas e acompanhar o resultado em operação. Modelos de pesos abertos e mecanismos de roteamento oferecem possibilidades para essa construção, cuja vantagem econômica deve ser demonstrada em cada contexto.

Para uma empresa industrial, o indicador mais relevante será a capacidade de entregar uma tarefa corretamente, com prazo, custo e confiabilidade compatíveis com o processo produtivo.

Referências

1. UBER ENGINEERING. Running a Software Factory Efficiently at Uber Scale. 2026. Disponível em: Uber Engineering.
2. ONG, Isaac et al. RouteLLM: Learning to Route LLMs with Preference Data. International Conference on Learning Representations — ICLR, 2025. Preprint publicado em 2024. Disponível em: arXiv:2406.18665.
3. OPEN SOURCE INITIATIVE. The Open Source AI Definition — 1.0. 2024. Disponível em: Open Source Initiative.
4. AUTIO, Chloe et al. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. Gaithersburg: National Institute of Standards and Technology, 2024. NIST AI 600-1. Disponível em: doi:10.6028/NIST.AI.600-1.