Sua Empresa

O mercado brasileiro de GenAI entra em uma fase de maturidade, marcada pela busca de valor real e mensurável. As empresas que conseguirem equilibrar inovação tecnológica, governança robusta e modelos de negócio sustentáveis estarão mais bem posicionadas para liderar a próxima etapa da revolução da inteligência artificial generativa no país, aponta orelatório ISG Provider Lens™ Generative AI Services para o Brasil, produzido e distribuído pela TGT ISG. Segundo o estudo, após um período inicial dominado por provas de conceito (PoCs) e experimentação, as organizações brasileiras adotam agora uma abordagem à produtividade e à mensuração de resultados.

“A transição da fase experimental para a implementação em produção marca um momento de maturidade do mercado, onde a entrega de valor real e mensurável se torna o principal diferencial competitivo. As empresas buscam soluções de GenAI que realmente tragam ganhos de eficiência com assistentes e agentes funcionando em produção, gerando retornos mensuráveis para seus investimentos”, destaca Marcio Tabach, distinguished analyst da TGT ISG e autor do estudo.

Nem todas as iniciativas, no entanto, conseguiram avançar da fase de testes. Segundo o relatório, as causas variam desde a escolha inadequada de tecnologia, passando por alucinações nos modelos e resistência cultural nas organizações, até a baixa compreensão da tecnologia pelos usuários finais e custos operacionais imprevisíveis.

Para superar essas barreiras, os fornecedores vêm desenvolvendo metodologias próprias para calcular o retorno sobre o investimento (ROI) e o custo total de propriedade (TCO). Mesmo assim, o custo de operação das soluções ainda é difícil de prever, já que a cobrança por tokens varia conforme o uso em produção. Como alternativa, alguns líderes adotaram modelos de cobrança por interação, tornando os custos mais transparentes e controláveis.

Duas frentes se destacam como as mais consolidadas: Software Development Life Cycle (SDLC) e chatbots de atendimento. No primeiro caso, ferramentas aplicadas ao desenvolvimento, testes e deploy, bem como à modernização de aplicações legadas já se tornaram padrão entre as empresas avaliadas. Essas soluções aceleram o desenvolvimento e reduzem o número de horas de desenvolvedores alocadas em projetos, ampliando a competitividade.

Os chatbots, por sua vez, se consolidaram tanto no atendimento ao cliente quanto no suporte interno, especialmente em áreas como Recursos Humanos. Essas soluções evoluíram e passaram a incluir funcionalidades mais sofisticadas, como integração com sistemas corporativos e sumarização de documentos técnicos.

Entre as aplicações emergentes, o estudo destaca a combinação de GenAI com Data Visualization e machine learning, tendência conhecida como GenBI. Essas soluções permitem que o usuário “converse com seus dados”, criando dashboards interativos via linguagem natural.

Outro exemplo relevante vem do setor público, em que tribunais de justiça utilizam agentes de GenAI para identificar e classificar documentos, acelerando fluxos jurídicos. Muitos desses projetos já empregam arquiteturas Multi-LLMs, evitando a dependência de um único modelo e aproveitando o desempenho mais adequado para cada tarefa.

A pesquisa confirma a expansão do uso de arquiteturas de orquestração, baseadas em frameworks como LangChain e CrewAI, que permitem coordenar múltiplos agentes autônomos. “Embora ainda pouco comuns em produção, os fornecedores líderes já mantêm bibliotecas extensas de agentes pré-configurados, acelerando o desenvolvimento de soluções sob medida. Essas empresas se diferenciam pela qualidade dos frameworks de correção de vieses, mitigação de alucinações e filtragem de conteúdo impróprio, elementos essenciais para o avanço seguro e ético da GenAI”, comenta o autor.

A IA confiável e ética é tratada como prioridade estratégica. A discussão sobre o marco legal da IA no Brasil reforça a importância da transparência e da auditabilidade nos sistemas de GenAI. Nesse contexto, ganha força o uso de Graph RAG, que emprega knowledge graphs para organizar e hierarquizar dados, melhorando a qualidade das respostas dos modelos.

No campo das parcerias tecnológicas, os grandes fornecedores mantêm alianças estratégicas com AWS, Microsoft, Google e NVIDIA, aproveitando a performance e a maturidade de suas plataformas. Já os fornecedores de médio porte tendem a trabalhar com um ou dois hyperscalers, sem perder eficiência técnica.