Usar a IA mais poderosa — e mais cara — para toda tarefa pode desperdiçar dinheiro nas empresas, alerta a Snowflake. 🤖 A recomendação: escolher o modelo conforme a complexidade e o retorno esperado de cada etapa. 🧵

Imagem indisponível

Bruno Barreto, vice-presidente da Snowflake para a América Latina, resume a lógica com uma comparação: “O chef Michelin não é necessariamente a pessoa que vai cortar a cebola”. Nem todo trabalho exige a mesma especialização.

Na prática, um processo pode combinar modelos: um mais avançado para analisar documentos complexos e outro, mais barato, para tarefas repetitivas ou simples. O objetivo é manter a qualidade sem inflar a conta de infraestrutura.

Imagem indisponível

Baris Gultekin, vice-presidente de IA da Snowflake, diz que a pressão para “ter IA” levou empresas a medir valor pela quantidade de ferramentas adotadas — antes de comprovar resultados concretos.

Segundo os executivos, a adoção precisa começar pelos dados. Sem informações organizadas, confiáveis e acessíveis, mesmo o modelo mais sofisticado tende a entregar respostas limitadas, caras ou difíceis de auditar.

Imagem indisponível

Também entra na equação a supervisão dos agentes de IA: definir limites, acompanhar decisões e medir desempenho. IA em produção não é só instalar uma ferramenta; exige governança contínua e avaliação de riscos.

O critério, dizem, deve ser de negócio: a IA aumentou receita, reduziu custos ou minimizou riscos? A Snowflake cita iniciativas da Azul no Brasil como exemplo de uso aplicado à operação, não apenas de demonstração tecnológica.

Imagem indisponível

A corrida pela IA está mudando de pergunta: não basta saber qual modelo é o mais capaz. Para empresas, a questão decisiva é qual nível de inteligência cada tarefa realmente precisa — e se o ganho justifica o custo.