LLMs Made in Brazil: Dá para Competir com as Big Techs, ou é Melhor Nem Tentar?
Resumo executivo
O painel abordou a viabilidade e os caminhos estratégicos para o desenvolvimento de modelos de linguagem (LLMs) no Brasil frente aos investimentos astronômicos das Big Techs globais. Com mediação de Andrei Golfeto (NVIDIA), os especialistas Marcellus Amadeus e Felipe Iszlaji (Clarice AI) defenderam que tentar competir frontalmente no desenvolvimento de modelos genéricos de grande escala é financeiramente inviável. Contudo, existe uma oportunidade gigantesca no desenvolvimento de soluções especializadas e adaptadas ao contexto nacional.
Marcellus Amadeus detalhou que a criação de modelos proprietários se justifica por quatro pilares: redução de custos em escala, precisão contextual brasileira, baixa latência e requisitos estritos de governança e soberania de dados. Ele ressaltou que a estratégia mais inteligente não envolve recriar modelos do zero, mas sim aproveitar bases abertas internacionais e especializá-las profundamente utilizando dados proprietários e curadoria de especialistas humanos.
Felipe Iszlaji ilustrou a desproporção de recursos ao comparar os trilhões de dólares investidos pelas Big Techs em poder computacional com o orçamento do Plano Brasileiro de Inteligência Artificial (PBIA). Ele defendeu a 'estratégia dos 300 de Esparta', na qual startups locais devem usar modelos menores, mais eficientes e altamente especializados para solucionar problemas práticos, exemplificando com o trabalho da Clarice AI em criar uma infraestrutura de revisão e humanização de textos em português.
Tópicos principais
- Histórico de NLP no Brasil: O país possui tradição em pesquisas de linguagem, desde modelos como o BERTimbau até iniciativas recentes corporativas e governamentais.
- Os 4 Pilares para LLMs Proprietárias: Adoção local motivada por custo, precisão contextual, baixa latência e soberania/governança de dados.
- Desproporção de Investimento em Computação: Os bilhões aplicados por Big Techs inviabilizam a competição direta do Brasil na infraestrutura de base.
- Estratégia de Especialização ('300 de Esparta'): Foco em modelos menores, baratos e treinados em niched data em vez de LLMs genéricas gigantes.
- Human-in-the-loop para Refinamento: Uso de validações humanas orgânicas para criar datasets de alta qualidade e treinar modelos em português.
- Desmistificação do 'AI Native': Defesa de que a tecnologia de IA é apenas um meio e que o foco primário deve ser a resolução de problemas reais de negócio.
Insights
Frases marcantes
"falar português e ser brasileiro são coisas diferentes."— Marcellus Amadeus
"Não vale a pena treinar um modelo do zero."— Marcellus Amadeus
"A tecnologia não importa. O que importa é o negócio."— Marcellus Amadeus
"Então, assim, não há uma competição. Porque a gente nem está jogando o mesmo jogo."— Felipe Iszlaji
Aplicações práticas
- 1Aproveitar modelos de código aberto internacionais pré-treinados e investir exclusivamente no seu ajuste fino (fine-tuning) com dados locais.
- 2Construir ativamente bases de dados proprietárias validadas por especialistas para criar um diferencial de precisão inacessível às Big Techs.
- 3Implementar infraestrutura de IA local ou on-premise em setores altamente regulados para atender requisitos legais de governança e latência.
- 4Priorizar a resolução de dores comerciais concretas e sustentáveis financeira e operacionalmente em vez de focar no rótulo de 'AI Native'.
- 5Adicionar camadas de pós-processamento e revisão humana aos outputs de IAs generativas para eliminar vícios de linguagem e melhorar a comunicação.
Conclusão
Competir diretamente com os gigantes globais de tecnologia na infraestrutura de modelos genéricos é inviável para o cenário brasileiro. A soberania e o sucesso das soluções locais de IA dependem da especialização em nichos de mercado, do uso inteligente de dados proprietários e do foco na resolução de problemas reais de negócio.