Sua empresa não tem mais um modelo de IA. Tem um portfólio, e precisa geri-lo como tal

Por dois anos, a pergunta nas empresas foi “qual modelo vamos usar?”. Olhando o que foi lançado na última semana, a pergunta deixou de fazer sentido.

A OpenAI começou a cobrar pelo GPT-Rosalind, um modelo de ciências da vida disponível só para pesquisa aprovada. A Cloudflare lançou modelos de decisão que devolvem probabilidades em vez de texto. OpenAI e Synopsys anunciaram um modelo treinado para operar ferramentas de projeto de chips. A Chatham Financial descreveu uma plataforma em que quatro modelos da OpenAI dividem o trabalho por dificuldade, e a Albertsons contou como combina modelos preditivos com IA generativa. Some a isso a orientação de roteamento que a OpenAI publicou com o GPT-6, e o padrão fica difícil de ignorar.

Nossa leitura, e é uma leitura, não um fato: a era do modelo único está acabando dentro das empresas. O que entra no lugar é um portfólio de modelos com funções, donos, custos e regras diferentes. Quem continuar gerindo “o modelo” como uma coisa só vai pagar demais, controlar de menos, ou as duas coisas.

Os seis papéis num portfólio de modelos

Nem toda empresa precisa dos seis. A maioria dos ambientes de IA em produção vai ter pelo menos quatro dentro de um ano.

1. Generalista de fronteira. Planejamento, raciocínio aberto, síntese difícil. Caro por chamada, vale a pena nas etapas que pedem isso. Na análise do guia do GPT-6, é o modelo para onde se roteia de propósito, não por padrão.
2. Padrão eficiente. O modelo geral mais barato, que deve receber a maior parte do tráfego primeiro. A plataforma interna da Chatham usa o GPT-5.6 Terra como padrão e deixa cada app optar pelo Sol. Esse padrão é uma decisão de governança escrita em configuração.
3. Especialista de domínio. Modelos treinados para uma área, como o GPT-Rosalind para biologia e descoberta de fármacos. Costumam vir com acesso restrito a um uso aprovado, o que faz deles ativos governados, como mostramos na análise de hoje sobre a cobrança do GPT-Rosalind.
4. Operador de domínio. Modelos treinados para conduzir uma ferramenta especializada, como o GPT-Synopsys em automação de projeto eletrônico. Ainda está no começo, mas a direção é clara, e aumenta o peso da questão de custódia, porque os dados da ferramenta viajam com o modelo.
5. Modelo de decisão. Modelos pequenos e rápidos que respondem perguntas tipadas com probabilidades: rotear, bloquear, aprovar, escalar. O Clef da Cloudflare é o exemplo mais claro. Eles tiram dos modelos caros as perguntas estreitas e frequentes.
6. Os modelos preditivos que você já tem. Modelos de previsão, propensão e risco não ficaram obsoletos. A Albertsons descreve modelos preditivos combinados com IA generativa para gerar recomendações explicáveis. Em muitas empresas, o recurso generativo mais valioso vai ficar em cima de um modelo que já existe, não no lugar dele.

Modelos de busca e embeddings também entram no inventário, assim como os verificadores determinísticos que nem modelos são: suítes de teste, conciliações, validadores. Eles são a autoridade a que o portfólio responde, como o desenho do GPT-Synopsys deixa explícito.

1. Modelo de decisão classifica o pedido
2. Padrão eficiente faz o trabalho rotineiro
3. Fronteira ou especialista por rota explícita
4. Modelo preditivo existente fornece scores
5. Checagem determinística verifica
6. Pessoa decide as exceções

• Rotear: Modelo de decisão classifica o pedido
• Trabalhar: Padrão eficiente faz o trabalho rotineiro · Fronteira ou especialista por rota explícita · Modelo preditivo existente fornece scores
• Autoridade: Checagem determinística verifica · Pessoa decide as exceções

Decisão rápida e tipadaModelos com funções e custos diferentes

O que muda quando você gere um portfólio

Roteamento vira política. Quais tarefas vão para qual modelo, com que padrão e com que caminho de upgrade, deve ficar num lugar só (o gateway ou a camada de orquestração), versionado e registrado. A regra de padrão mais upgrade da Chatham é um bom modelo.

Cada modelo precisa de dono e de conjunto de avaliação. Um portfólio de seis modelos com um único benchmark compartilhado não está governado. Cada papel precisa da sua medida de sucesso: calibração para modelos de decisão, acerto no domínio para especialistas, custo por tarefa bem-sucedida para o padrão.

O ciclo de vida se multiplica. Cada modelo do portfólio vai ser aposentado no seu próprio calendário. Defendemos que a aposentadoria de modelos é a nova depreciação de API; com seis modelos, isso vira agenda, não evento.

O acesso muda por modelo. Alguns modelos ficam abertos a todos; outros, como especialistas com acesso restrito, ficam limitados a usos aprovados e times nomeados. O controle de acesso tem que ser por modelo, não por plataforma.

Custo se mede por resultado. O portfólio existe para colocar cada tarefa no modelo mais barato que a faz bem o suficiente. Para empresas brasileiras, que pagam tokens em dólar e orçam em reais, isso também reduz a exposição ao câmbio. Só funciona se você medir saídas aceitas, não tokens.

Bancos brasileiros têm um ponto de partida conhecido: as áreas de risco já mantêm inventário, validação e monitoramento de modelos de crédito e de mercado. Um portfólio de modelos generativos é tecnologia nova dentro de uma disciplina antiga. Quem estender o inventário existente, em vez de criar um “registro de IA” paralelo, vai chegar mais rápido à revisão de risco.

Num ambiente Microsoft, o catálogo de modelos e o model router do Foundry tornam o portfólio concreto. As ferramentas ajudam; a política de roteamento, os donos e a avaliação continuam sendo decisões da empresa.

O que provaria que essa leitura está errada

Se um único modelo de fronteira ficasse barato, rápido e preciso o bastante em domínios especializados a ponto de o roteamento deixar de compensar, o portfólio voltaria a ser um modelo só. Não esperamos isso no próximo ano, porque os especialistas estão chegando com regras de acesso e integrações com ferramentas que um generalista não replica só por ser mais inteligente. Mas é o sinal a acompanhar.

Uma revisão de portfólio em uma página

1. Liste todos os modelos em produção ou piloto, incluindo embeddings, modelos de decisão e modelos preditivos existentes.
2. Atribua a cada um um papel entre os seis acima, um dono e um uso aprovado.
3. Escreva a política de roteamento: padrão, upgrades explícitos, especialistas restritos.
4. Defina uma medida de sucesso por papel e um conjunto de avaliação por modelo.
5. Coloque as datas de aposentadoria num calendário e associe um conjunto de regressão a cada uma.
6. Reporte custo por saída aceita por caso de uso, não gasto total em tokens.

Em resumo

A pergunta útil não é mais qual modelo é o melhor. É qual trabalho cada modelo faz, quem é o dono, como é avaliado e o que decide se a saída está correta. As empresas que responderem a essas quatro perguntas para cada modelo vão ter o benefício dos especialistas sem perder o controle do conjunto.