Os modelos de pesos abertos alcançaram, em cerca de quatro meses, o nível dos melhores modelos fechados de fronteira avaliados publicamente, e a lacuna entre eles tornou-se cada vez mais volátil.
Isso está transformando a corrida entre IA aberta e fechada em uma questão comercial cada vez mais importante. Se os modelos abertos podem se aproximar do desempenho de fronteira enquanto oferecem às empresas maior controle sobre seus dados, infraestrutura e personalização, pelo que as empresas ainda estão pagando aos laboratórios de fronteira? E onde o valor acaba sendo acumulado?
Para entender o cenário, é útil começar definindo o que queremos dizer com modelos abertos e fechados. A abertura existe em um espectro, desde modelos totalmente abertos que os usuários podem baixar e modificar livremente até modelos de pesos abertos com restrições variadas. Os modelos fechados mantêm seus pesos privados e controlam o acesso.
Para as empresas que decidem sobre quais modelos construir, as diferenças vão além do desempenho e do preço.
O CEO da Palantir, Alex Karp, alertou que as empresas correm o risco de entregar seu "alpha" — o conhecimento proprietário e os processos que diferenciam seus negócios — para os provedores de modelos de fronteira.
Satya Nadella fez um ponto semelhante em um ensaio no X: "Você essencialmente paga pela inteligência duas vezes: uma com dinheiro e outra com algo ainda mais valioso: o conhecimento proprietário que você precisa revelar para tornar essa inteligência útil. Quanto melhor você quiser que o modelo execute, mais desse conhecimento terá que fornecer!"
Ambos são avisos sobre dependência estratégica e ajudam a explicar por que mais empresas estão explorando modelos abertos.
Mas, apesar das preocupações em ceder conhecimento proprietário, as evidências mostram que as empresas ainda estão dispostas a pagar pelo desempenho de fronteira, mesmo quando os melhores modelos de pesos abertos ficam apenas alguns meses atrás. As receitas dos laboratórios de fronteira continuam acelerando, mesmo enquanto os gastos com tokens se espalham por uma gama muito mais ampla de modelos.
As principais empresas estão usando ambos, escolhendo modelos abertos para personalização e controle, e modelos fechados de fronteira quando precisam da maior capacidade disponível. Algumas relataram ganhos de eficiência várias vezes maiores e economias dramáticas de custos ao combinar diferentes modelos com os fluxos de trabalho que melhor atendem. Cobrimos alguns desses exemplos na Análise Detalhada abaixo.
Alguns criadores de modelos também estão adotando ambas as abordagens. O Google tem o Gemini e o Gemma, enquanto a Meta tem o Muse Spark e o Llama. Por que manter um modelo fechado e dar outro de graça? E se os modelos abertos são gratuitos para download, quais condições estão atreladas? Como seus desenvolvedores competem financeiramente com os laboratórios fechados?
Nossa Análise Detalhada de 99 páginas examina a economia por trás dessas escolhas e como elas podem moldar quem captura os lucros da IA e quais empresas conseguem preservar o poder de precificação à medida que o uso da IA fica cada vez mais barato.
O relatório completo também inclui:
- Se os laboratórios de fronteira conseguem sustentar o custo de permanecer à frente enquanto concorrentes chineses pressionam os preços para baixo.
- Os cinco fatores pelos quais os modelos competem e as compensações que cada um exige.
- Os três lugares onde um modelo pode rodar e como a indústria se divide entre eles.
- Um estudo de caso relatando até 12x maior eficiência de engenharia e mais de 20x de economia de custos.
- Por que a NVIDIA e a Samsung estão investindo em pesos abertos e de onde podem vir os retornos.
Espero que gostem da leitura e me digam o que acham no nosso grupo:
