Goldman Sachs Silicon Valley Recap: Agentes de IA, Fluxos de Trabalho e Modelos do Mundo

Autor: Li Jia, Wall Street Journal

A IA está entrando em uma nova fase, passando de "ser capaz de responder" para "ser capaz de executar".

Segundo a Wind Trading Desk, o relatório mais recente do Goldman Sachs mostra que a comercialização da IA está passando de um modelo de "assinatura por usuário" para uma cobrança baseada no consumo, volume de transações e resultados; ao mesmo tempo, os agentes estão deixando de ser ferramentas auxiliares para se tornarem executores de fluxo de trabalho, e o valor para o setor está migrando do modelo em si para dados proprietários, contexto de negócios e conhecimento especializado.

Isso significa que a competição na indústria de IA está mudando de "qual modelo é mais forte" para "quem consegue realmente dominar o fluxo de trabalho". A capacidade do modelo continua sendo importante, mas a habilidade de entrar em ambientes de produção corporativos, entender o contexto de negócios e concluir tarefas de forma confiável se tornará uma barreira competitiva mais crítica.

Essa conclusão surge de uma recente investigação de campo realizada pelo Goldman Sachs sobre a cadeia produtiva da IA no Vale do Silício. De 18 a 19 de agosto, o Goldman Sachs visitou startups de IA, importantes empresas de capital de risco e pesquisadores da Universidade Stanford, da Universidade da Califórnia, Berkeley, e da Universidade de São Francisco, pelo terceiro ano consecutivo. O Goldman Sachs acredita que, à medida que os Agentes aceleram sua implementação, a distribuição de valor entre modelos de ponta, modelos de código aberto, modelos globais, software empresarial e dados proprietários sofrerá alterações.

Implementação de Agentes: O que as empresas realmente precisam não é de capacidade, mas sim de "controlabilidade".

Se no passado a IA resolvia o problema de "ajudar as pessoas a concluir tarefas", agora os Agentes estão tentando resolver o problema de "concluir tarefas por conta própria". No entanto, durante a implementação em larga escala em empresas, o maior obstáculo pode não ser mais a capacidade do modelo, mas sim como as responsabilidades são divididas e se todo o processo de execução pode ser controlado.

O relatório cita pesquisadores de Stanford que apontam que a maioria das empresas ainda opera sob um modelo de supervisão humana. Especialmente em áreas como direito, controle de riscos, seguros e auditoria, se um modelo comete um erro, a quem atribuir a responsabilidade, como rastrear o processo e se ele pode ser corrigido a tempo podem ser tão importantes quanto a capacidade do próprio modelo.

Portanto, os fluxos de trabalho com maior probabilidade de serem automatizados primeiro geralmente apresentam três características: limites de decisão claros, resultados verificáveis e erros reversíveis. O processamento de faturas é um exemplo típico. A IA é responsável por extrair os campos e realizar verificações, com os casos de baixa confiança sendo revisados por humanos, e então concluídos por meio de um processo ERP reversível.

Isso também significa que os provedores de serviços de informação com conteúdo confiável, modelos de domínio validados e relações regulatórias consolidadas têm maior probabilidade de entrar primeiro nos ambientes de produção corporativos.

Competição de Modelos: Divisão de Trabalho entre Modelos de Ponta e Modelos de Código Aberto

Em relação ao debate sobre "código aberto ou código fechado", os sinais emitidos pelo Goldman Sachs durante esta investigação indicam que não se trata de uma escolha binária, mas sim que diferentes modelos podem corresponder a diferentes níveis de fluxos de trabalho.

Os defensores de modelos de ponta acreditam que a avaliação comparativa empresarial frequentemente subestima a capacidade dos modelos. Em ambientes de produção reais, as perdas comerciais causadas por uma queda na precisão do modelo podem superar em muito a economia nos custos de inferência. Portanto, embora muitas empresas nativas de IA afirmem adotar uma estratégia multimodelos, elas ainda dependem fortemente de modelos de ponta em seus principais ambientes de produção.

Outra perspectiva sugere que a grande maioria dos fluxos de trabalho empresariais não exige inteligência de ponta. À medida que o desempenho dos modelos de código aberto continua a melhorar, os clientes estão cada vez mais dispostos a aceitar uma pequena perda de desempenho em troca de custos de inferência mais baixos. Uma empresa de capital de risco prevê que, nos próximos 12 a 18 meses, cerca de 90% dos tokens de inferência serão direcionados para modelos de código aberto.

Isso significa que o futuro mercado de modelos de IA poderá apresentar uma divisão de trabalho mais clara: modelos de ponta serão responsáveis por tarefas complexas de alto valor e alta confiabilidade, enquanto modelos de código aberto lidarão com tarefas padronizadas de maior escala e com a maior parte do consumo de tokens.

Modelos Mundiais: O poder computacional da IA pode apresentar uma segunda curva de crescimento.

Nos últimos 18 meses, os pesquisadores têm mudado cada vez mais seu foco dos LLMs para os "modelos mundiais".

Ao contrário dos modelos de aprendizagem de linha (LLMs), que dependem principalmente de dados da internet para treinamento, os modelos do mundo real precisam compreender ambientes, relações causais, leis físicas e interações dinâmicas no mundo real, com dados provenientes principalmente de sistemas físicos, setores específicos e cenários operacionais reais. Isso significa que a importância de dados proprietários pode aumentar ainda mais.

O Goldman Sachs acredita que o espaço de problemas correspondente a campos como física, indústria, ciência e robótica é muito maior do que a mera geração de texto, e esses fluxos de trabalho geralmente exigem investimentos maiores em poder computacional. À medida que a IA se expande do mundo digital para o mundo físico, a demanda por poder computacional no treinamento de modelos, simulação e inferência também poderá apresentar uma nova curva de crescimento.

O Goldman Sachs prevê que, nos próximos cinco anos, a demanda por poder computacional poderá crescer cerca de 24 vezes, e a tensão entre oferta e demanda deverá persistir por mais tempo, beneficiando diretamente empresas de computação em nuvem e infraestrutura computacional como Microsoft, Oracle e CoreWeave.