Se você não estava sem internet na última semana, com certeza ouviu sobre todo o estardalhaço que a DeepSeek, a empresa de AI mais falada do momento, causou no mercado. Mais de USD 1 tri de valor de mercado foram apagados da bolsa de valores americana. A queda foi liderada pela NVIDIA, principal fornecedora de hardware para aplicação de AI.
E por que tanto pânico no mercado?
Até então, a criação de LLMs (Large Language Models), ou também “modelos fundacionais”, era um processo tido como extremamente custoso devido à necessidade de utilização de hardwares. A estimativa de investimentos da OpenAI para a criação do ChatGPT é de USD 6,6 bi, versus “míseros” USD 6 MM do DeepSeek , que é open source, ou seja, seu código é público (diferente da OpenAI) e o custo para a utilização de sua API é 96% mais baixo.
O mercado de LLMs é extremamente competitivo, e muitas inovações têm durado pouco. Modelos com desempenho melhor são utilizados para retreinamento dos modelos concorrentes, e a distância entre cada um é cada vez menor. Se o código for aberto, então…
O temor da quebra da hegemonia americana na corrida da AI e também a hipótese de que não seja necessário um investimento tão grande em hardware (NVIDIA sendo menos necessária e, portanto, tendo um crescimento de receita menor projetado) foram as causas do crash do mercado.
E para o mercado de cobrança? O que muda?
Em minha visão, os LLMs já são commodities. Em vez de gastar tempo discutindo sobre OpenAI, DeepSeek, Llama e derivados, é muito mais produtivo olharmos para a construção de Agentes de AI, onde os LLMs são trocados com facilidade, seja por redução de custos ou melhorias em seus resultados. Diversos LLMs podem ser utilizados em um fluxo de trabalho de forma orquestrada, e existem muitos fatores que melhorarão a aplicação de AI que não estão relacionados ao LLM em si.
Um Agente de AI é um software que utiliza os LLMs juntamente com outras ferramentas externas (APIs do seu sistema) para a realização de tarefas. Você pode criar um fluxo de trabalho com múltiplos agentes, onde cada agente entrega o resultado de seu trabalho para o próximo e, no final, tudo é compilado para atingir o resultado desejado.
Alguns exemplos de agentes:
• Agente de negociação de dívidas no WhatsApp (podendo ser um fluxo com múltiplos agentes);
• Agente de Control Desk (ajustando automaticamente sua estratégia de cobrança dentro de parâmetros, com base em dados em tempo real, gerando queries de SQL para criação de bases, tratamento de dados para upload do mailing…);
• Agente de MIS (analisando dados em tempo real e gerando insights para a sua operação, fazendo análises de performance sofisticadas em uma fração do tempo).
Existem diversas formas de criar fluxos com Agentes de AI conectados a sistemas internos de nossas empresas para que a produtividade das operações de cobrança seja maior. Basta termos clareza sobre quais processos queremos melhorar, quais são as etapas desses processos, os sistemas envolvidos e os critérios de sucesso.
Se, daqui a um mês, surgir um LLM melhor e mais barato? Basta trocá-lo dentro desse agente. Os LLMs são commodities.
