Português

A Evolução da AI nos Negócios: Do ML Clássico à AI Moderna

Escada de três degraus traçando a evolução da AI: ML Clássico, Deep Learning, AI Moderna

Conheça Priya. Ela gerencia uma corretora de frete com 120 funcionários no meio-oeste americano, com cerca de US$ 22 milhões em receita anual.

Os negócios vão bem. 2025 foi o melhor ano da história da empresa, e a equipe sabe disso.

Mas algo na forma como as pessoas falam sobre AI tem a incomodado. Toda Demo de fornecedor começa com "a revolução da AI." Um dos seus gerentes de operações, que ingressou na empresa no ano passado direto da faculdade, disse a ela na semana passada que a AI não existia de verdade antes dos modelos de linguagem grandes.

Essa última parte foi longe demais.

Porque Priya sabe que não é verdade. Ela trabalhou em um banco no início dos anos 2000. Sistemas estatísticos filtravam pedidos de empréstimo antes que seu gerente sequer os visse. A AI não começou em 2022. A interface mudou. A acessibilidade mudou. O nível de ruído certamente mudou.

Mas a coisa em si vem se construindo há 30 anos.

Este artigo é para Priya, e para todo fundador ou líder de operações que quer entender o que realmente mudou ao longo essas três décadas, por que a onda de 2022 foi uma evolução e não uma ruptura, e como o ACE Framework foi construído para sobreviver à próxima transição.

Era 1: ML Clássico (aproximadamente 1990 a 2010)

A primeira era da AI nos negócios foi silenciosa. Não tinha uma marca. Ninguém criava slides de keynote sobre isso. Simplesmente rodava dentro de sistemas pelos quais as empresas pagavam e que, em sua maioria, ignoravam.

A espinha dorsal técnica era o machine learning clássico: árvores de decisão, regressão logística, modelos estatísticos treinados em dados históricos. Não eram redes neurais no sentido de deep learning. Eram, em essência, ferramentas sofisticadas de correspondência de padrões que transformavam registros históricos rotulados em estimativas de probabilidade.

O que funcionou. Filtros de spam, pontuações FICO (introduzidas em 1989, dominantes ao longo dos anos 1990), e motores de recomendação na Amazon e Netflix em seus primórdios. Não eram glamorosos. Mas funcionavam em escala. Em meados dos anos 2000, grandes bancos operavam sistemas automatizados de subscrição que processavam milhares de pedidos de empréstimo com revisão humana mínima na primeira triagem.

Quem implantou. Grandes empresas com equipes de data science e infraestrutura customizada. Eram necessários doutores, pipelines proprietários de treinamento e meses para construir e implantar um modelo significativo. Uma empresa de médio porte com 200 funcionários não tinha esse recurso.

Mapeamento no ACE Framework. Esta era foi principalmente Predict: pontuação, previsão, detecção de anomalias, classificação. Algum Analyze estava presente. Ingest, Generate e Execute estavam ausentes ou eram extremamente limitados. Era AI para poucos.

Era 2: Deep Learning em Escala (aproximadamente 2010 a 2020)

A segunda era trouxe um tipo diferente de mudança. Não foi que o Predict melhorou dramaticamente. Foi que uma nova família de capabilities se tornou comercialmente viável.

O deep learning, impulsionado por GPUs e treinado em conjuntos de dados em escala de internet, desbloqueou coisas que o ML clássico não conseguia fazer bem: perceber imagens, compreender fala, traduzir entre idiomas. O artigo AlexNet em 2012 mostrou que uma rede neural profunda podia superar todas as abordagens existentes em reconhecimento de imagens. Esse resultado desencadeou uma década de pesquisa aplicada que chegou aos produtos dentro de alguns anos.

O que mudou. Ingest confiável em escala. A AI agora conseguia processar imagens (Google Vision API, 2015), transcrever fala com precisão próxima à humana (Google Cloud Speech-to-Text, 2016) e traduzir em tempo real. Informações presas em áudio e imagens podiam fluir para sistemas de AI a baixo custo.

Aplicações empresariais. Assistentes de voz (Siri em 2011, Alexa em 2014), reconhecimento de imagens para controle de qualidade em varejo e manufatura, ferramentas de tradução. Gong e Chorus foram fundados nesse período, construídos sobre a ideia de que a AI agora conseguia transcrever uma ligação de vendas de forma confiável e extrair significado dela.

Quem implantou. O Big Tech construiu a fundação (Google, Microsoft, Amazon) e a abriu como APIs. Empresas que seguiram rapidamente e tinham equipes de engenharia consumiram essas APIs. A barreira caiu de "contratar uma equipe de doutores" para "contratar um engenheiro de software que conhece REST."

Mapeamento no ACE Framework. Ingest se tornou uma capability real e acessível. Analyze ficou mais rico. Predict continuou a amadurecer. Generate permaneceu primitivo. Execute era tecnicamente possível, mas raramente autônomo.

Era 3: LLMs e Agentes (2022 até agora)

O ChatGPT foi lançado em novembro de 2022 e atingiu um milhão de usuários em cinco dias. Esse ritmo de adoção foi real e refletiu algo genuinamente novo: pela primeira vez, a interface para a AI era a linguagem natural. Você não precisava saber programar, configurar uma API ou entender arquitetura de modelos. Você digitava.

Mas a tecnologia por trás da interface não nasceu naquele mês. O GPT-3 estava disponível publicamente desde 2020. A arquitetura Transformer data de um artigo do Google de 2017. A pesquisa que tornou o GPT-4 possível havia sido realizada por anos. O que mudou em novembro de 2022 foi a embalagem e o acesso, não a física subjacente do que a AI podia fazer.

O que mudou. A capability de Generate passou de periférica a dominante. A AI agora conseguia produzir texto fluente e coerente em quase qualquer domínio. E porque a interface era conversacional, o usuário não precisava saber nada sobre o modelo subjacente. Um representante de vendas podia escrever um e-mail de prospecção. Um fundador podia rascunhar um resumo para o conselho. Um líder de operações podia construir um primeiro rascunho de um documento de processo.

E então chegaram os agentes. AI que não apenas gera um rascunho, mas executa sequências de ações: pesquisar, resumir, escrever e, em seguida, efetivamente fazer algo em um sistema externo. É o Execute se tornando real em escala.

Aplicações empresariais. GitHub Copilot (geração de código), resumos de ligações com AI do Gong, Intercom Fin (agente de suporte que lida com tickets do início ao fim), Salesforce Agentforce, Jasper e Writer para conteúdo. A lista continua crescendo porque a barreira para construir com essa tecnologia caiu para perto de zero.

Quem implanta. Todos. Gerentes de produto. Líderes de operações. Representantes de vendas. CEOs. Esta é a primeira era em que uma pessoa sem conhecimento técnico pode obter valor significativo da AI sem uma etapa de configuração além de abrir uma aba do navegador.

Mapeamento no ACE Framework. Generate se tornou uma capability de negócios de primeira classe. Execute se tornou real: sistemas de AI que enviam e-mails, atualizam registros no CRM, fazem commit de código e acionam Workflows sem um humano tocar em cada etapa. O quadro completo das cinco capabilities, Ingest, Analyze, Predict, Generate, Execute, agora está acessível para empresas de médio porte pela primeira vez.

O que não mudou ao longo das três eras

A verdade desconfortável que não aparece nas Demos de fornecedores: a maior parte do que determina se a AI funciona ou falha foi verdadeira desde os anos 1990. A era mudou. Os bloqueios não.

A qualidade dos dados ainda determina os resultados. Um relatório Gartner de 2025 constatou que 60% dos projetos de AI serão abandonados até 2026 por dados inadequados. Este é um problema de 30 anos usando um chapéu novo. O modelo de crédito do banco em 2001 falhava com inputs ruins. Seu lead scoring baseado em CRM falha com inputs ruins hoje. A prontidão de dados ainda é o pré-requisito sem glamour que decide tudo.

A integração de sistemas ainda demora mais do que o esperado. Cada era tornou as capabilities de AI mais acessíveis. Nenhuma delas tornou a conexão dessas capabilities a sistemas empresariais existentes significativamente mais rápida. Você ainda precisa de contratos de API, trabalho de pipeline de dados e gerenciamento de permissões na mesma sequência dolorosa de antes.

A governança ainda importa. A pontuação de crédito na Era 1 precisava cumprir regras de crédito justo. O reconhecimento de imagens na Era 2 expôs viés em ferramentas de recrutamento. Os LLMs na Era 3 produzem respostas erradas com confiança e vazam dados sensíveis. A natureza do problema de governança evoluiu. A necessidade nunca foi embora.

Predict ainda é a capability mais difícil. Predict depende de dados históricos rotulados que refletem o futuro que você está tentando prever. Essa dependência não muda com o modelo subjacente. Inputs ruins produzem pontuações ruins nas três eras.

Humanos ainda precisam permanecer no processo para Execute de alto risco. A fronteira entre Generate e Execute merece supervisão humana independentemente do ano. A Era 1 tinha negativas automáticas de empréstimos que violavam regras de crédito justo. A Era 3 tem agentes de AI que enviam e-mails errados e atualizam registros de CRM incorretamente. Ferramentas diferentes, mesma categoria de problema.

Como o ACE Framework se mapeia nas três eras

O ACE Framework é estruturado em torno de capabilities em vez de tecnologias porque as capabilities precedem as ferramentas atuais por décadas.

Ingest existiu nas três eras: OCR e entrada manual na Era 1, APIs do Google Vision e de fala para texto na Era 2, modelos multimodais na Era 3. A capability é consistente. A fidelidade e o acesso melhoraram.

Analyze é a capability mais antiga. Classificação de texto e extração de entidades existiam em pesquisa antes que a AI comercial fosse uma categoria. A Era 3 as disponibiliza via instrução em linguagem natural para qualquer pessoa com um navegador.

Predict é o território da Era 1, refinado ao longo de 30 anos. A lógica (dados históricos produzem previsões probabilísticas) não mudou. Abordagens aumentadas por LLM agora incorporam sinais não estruturados ao lado de dados estruturados, mas a categoria de capability é a mesma.

Generate mal existia na Era 1 além de preenchimentos de templates. A Era 3 a tornou a capability mais visível, porque seu output é legível por qualquer humano sem contexto técnico.

Execute existiu nas três eras em formas cada vez mais amplas: negativas automáticas de empréstimos na Era 1, moderação de conteúdo em escala na Era 2, agentes de AI autônomos na Era 3. O que mudou é o escopo das ações e a velocidade com que a AI consegue encadeá-las. Os requisitos de governança cresceram proporcionalmente.

Por que a estabilidade do framework importa

Nomes específicos de modelos têm uma vida útil curta. GPT-4 se tornou GPT-4o. Claude-3 se tornou Claude-3.5, depois 3.7. Gemini Ultra foi anunciado, atualizado e renomeado em menos de um ano. GitHub Copilot adicionou funcionalidades trimestralmente. Jasper teve rumores de aquisição, mudanças de parceria e uma ou duas pivôs.

Se o seu entendimento de AI é organizado em torno de produtos específicos, você está reconstruindo seu modelo mental a cada seis meses. Isso é exaustivo e leva a decisões ruins: perseguir o modelo mais recente em vez de fazer o trabalho ingrato de integração, apostar demais em um fornecedor que pode não existir em dois anos, e confundir "nova interface" com "nova capability."

O ACE Framework é organizado em um nível de abstração que sobrevive aos ciclos de produto. Ingest é Ingest, seja chamando a Google Vision API em 2016 ou um endpoint multimodal GPT-4o em 2025. Predict é Predict, seja executando XGBoost em um servidor ou chamando o Salesforce Einstein Forecasting. As ferramentas mudam. As capabilities não.

Isso não é apenas filosófico. Tem implicações práticas para como você estrutura seu pensamento sobre AI. Se você avalia iniciativas de AI usando tagging de capabilities em vez de nomes de produtos, seu framework de avaliação sobrevive a mudanças de fornecedor, fusões e depreciações de modelos. Você pode trocar a ferramenta. O mapa de capabilities permanece consistente.

O que pode vir na Era 4: especulação

Ninguém sabe como será a Era 4. Mas há direções de pesquisa que valem acompanhar e que poderiam promover novas capabilities de primeira classe.

Modelos de mundo dão à AI uma compreensão física persistente: como objetos se comportam no espaço, como sistemas mecânicos funcionam. Isso importa mais para manufatura e infraestrutura física. Modelos de mundo confiáveis representariam um eixo genuinamente novo de capability, não apenas uma versão melhor das existentes.

Memória persistente muda como Analyze e Predict funcionam. A AI atual começa principalmente do zero a cada sessão. Um sistema que acumula contexto sobre seu negócio ao longo de meses funcionaria de forma muito diferente de um que esquece você a cada atualização.

Coordenação de múltiplos agentes leva Execute em direção à plena autonomia: um agente planeja, outro executa, um terceiro valida, um quarto escala para um humano. Versões iniciais existem (AutoGPT, Microsoft Copilot Studio), mas sistemas confiáveis de múltiplos agentes em escala empresarial ainda estão em estágio inicial.

Se algum desses amadurecer em capability comercial, "Remember" ou "Coordinate" podem merecer um lugar ao lado das cinco capabilities ACE existentes. O framework é explícito em que pode precisar de revisão. As cinco atuais cobrem o campo a partir de 2026.

Como se preparar para a Era 4

A estratégia de preparação não é "escolha o melhor modelo hoje." Toda empresa que apostou pesadamente em um modelo ou fornecedor específico precisou refazer o trabalho quando as coisas mudaram. Os investimentos duradouros são independentes de era.

Invista primeiro em trabalho de Fundação. A prontidão de dados é entediante. Também é o investimento em AI mais duradouro. Dados limpos, rotulados e acessíveis extraem valor de cada geração de ferramentas. Inputs bagunçados produzem outputs ruins independentemente do modelo.

Mantenha o modelo subjacente intercambiável. Se seus Workflows são construídos na API de um fornecedor sem nenhuma camada de abstração, esse fornecedor pode revogar sua abordagem a qualquer momento. Bibliotecas como LangChain e LlamaIndex existem especificamente para que você possa trocar modelos sem reconstruir Workflows. Os limites do ACE Framework incluem explicitamente ser agnóstico em relação à tecnologia. Seu stack também deveria ser.

Avalie por capability, não por nome de produto. Pergunte quais capabilities ACE uma nova iniciativa usa. Marque ferramentas por capability. Ler um caso de uso de AI pelo seu mix de capabilities é uma habilidade que se transfere entre eras, porque o cenário de fornecedores continuará mudando.

O arco de 30 anos em um único quadro

A AI nos negócios está em campo desde antes de a maioria das pessoas que a vendem hoje terem começado suas carreiras. As capabilities se expandiram. As barreiras de acesso caíram. A interface mudou dramaticamente em 2022, e essa mudança é real e significativa.

Mas a lógica subjacente não mudou. A qualidade dos dados determina os resultados. A integração é difícil. A governança importa. Predict ainda é a capability mais difícil de acertar. Humanos ainda precisam permanecer no processo para ações consequentes.

O ACE Framework não descreve a AI de 2026. Ele descreve o que é a AI nos negócios: cinco verbos, aplicados a dados, compostos em Workflows. Esses cinco verbos precedem o ChatGPT por décadas. E se a Era 4 adicionar um sexto, atualizaremos o framework para refletir isso.

Priya não precisa acreditar que a AI começou em 2022. Ela precisa entender o que ela faz, como avaliá-la e onde estão os investimentos duradouros. Esse entendimento é para o que o framework foi construído.

O que ler a seguir