Hoje o radar trouxe de tudo: modelo frontier a caminho, a Meta entrando forte em mídia generativa e um alerta de segurança que todo PM de produto agêntico devia ler. Mas o que mais me chamou atenção foi um case de operação, não de modelo novo.
Toda vez que discuto orçamento de IA com alguém de produto, a pergunta que mais aparece é a mesma: vamos usar o modelo grande para tudo?
A Shopify acabou de publicar um caso que merece entrar nessa conversa. Eles construíram um pipeline de destilação de modelos e conseguiram cortar o custo de rodar IA em produção em até 30 vezes. E não foi trocando qualidade por preço: em vários casos, o modelo menor, treinado para a tarefa específica, performou igual ou melhor que o modelo grande genérico.
Isso muda a lógica de quem decide como escalar um recurso de IA. Modelo gigante é ótimo para explorar, testar hipótese, validar se a ideia funciona. Mas quando a feature vai para toda a base de usuários, o cálculo de unit economics vira o fator decisivo, não o benchmark de capacidade máxima.
Do lado de produto em crédito, essa lógica é familiar. Automação de análise documental, triagem de recebíveis, leitura de contratos: o ganho real não está em usar o modelo mais poderoso do mercado em cada chamada. Está em entender exatamente o que a tarefa precisa e dimensionar o custo para aquilo, sem perder qualidade na ponta.
Gosto desse tipo de case porque tira a discussão de IA do campo do “qual modelo é o mais forte” e coloca no campo de quem sabe rodar operação. Escalar bem é decisão de engenharia e de produto, não só de escolher o fornecedor com o maior modelo.
Para quem quiser entender o pipeline completo da Shopify, deixo o link aqui: https://venturebeat.com/video/small-models-massive-wins-shopifys-new-ai-formula
O resto do radar
GPT-5.6 da OpenAI a caminho — um novo modelo frontier redefine o benchmark de qualidade e custo que produtos concorrentes precisam superar. Ler mais
Meta lança Muse Image e Muse Video — mais um concorrente forte em geração de imagem e vídeo, relevante para quem escolhe fornecedor de IA generativa. Ler mais
ZML lança LLMD, inferência multi-chip gratuita — reduz o lock-in de hardware e pode baratear a infraestrutura de IA usada em produtos. Ler mais
Anthropic estende acesso ao Claude Fable 5 — janela extra e gratuita para testar o modelo mais recente antes de decidir sobre upgrade ou migração. Ler mais
Rowboat, alternativa open-source ao Claude Desktop — mostra a demanda crescente por alternativas self-hosted a apps de IA proprietários. Ler mais
Docx-CLI: agentes editam Word com metade do custo — reduz custo de API e latência em agentes que lidam com documentos de escritório. Ler mais
Halo, evidência de runtime para agentes de IA — atende à necessidade crescente de auditoria e compliance em produtos com agentes autônomos. Ler mais
GitLost: agente do GitHub vazou repositórios privados — alerta de risco concreto para qualquer produto que use agentes de IA lendo conteúdo não confiável. Ler mais
Primitive Labs simula clientes com IA — promete acelerar pesquisa de usuário, substituindo ou complementando testes tradicionais demorados. Ler mais
É isso que ficou retido do radar de hoje. Até amanhã.