O radar de hoje girou bastante em torno de dinheiro e dados: Nvidia bancando um modelo aberto rival da China, Hugging Face avaliado em US$ 13 bilhões, e a Thomson Reuters mostrando quanto custa — e quanto vale — construir um modelo próprio. Separei o que interessa para quem trabalha em produto.

Uma pergunta aparece com frequência quando trabalho com produtos de crédito: vale mais construir algo próprio ou comprar de quem já tem escala? Não existe resposta fácil, mas de vez em quando aparece um case que ajuda a pensar melhor sobre isso.

Em resumo

  • A Thomson Reuters lançou o Thomson, um modelo de IA próprio treinado sobre uma base open-source combinada aos dados jurídicos e tributários que a empresa já tinha.
  • O modelo chega perto de modelos de fronteira em desempenho e custou cerca de US$ 40 milhões para ser desenvolvido — uma fração do que os grandes labs gastam.
  • A vantagem não está apenas na arquitetura: está na combinação entre tecnologia disponível e décadas de dados proprietários de um domínio específico.
  • Para produtos verticais, a decisão entre construir e comprar precisa considerar o ativo de dados que só a própria empresa consegue oferecer.

O modelo próprio que começa nos dados

A Thomson Reuters acabou de lançar o Thomson, um modelo de IA próprio treinado em cima de uma base open-source somada aos dados jurídicos e tributários que a empresa já tinha. O resultado chega perto de modelos de fronteira em desempenho, mas custou cerca de US$ 40 milhões para desenvolver. É uma fração do que os grandes labs gastam.

O que mais chama atenção não é o modelo em si. É a estratégia por trás dele.

Em vez de tentar competir de igual para igual com quem tem bilhões em compute, a Thomson Reuters apostou no que só ela tem: décadas de dados proprietários de um domínio específico. Isso vale ouro quando combinado com a base certa.

O anúncio da Thomson Reuters sobre o lançamento do modelo ajuda a enxergar a lógica por trás da aposta.

Construir ou comprar em produtos verticais

Faço um paralelo direto com o meu dia a dia em produto de crédito. Recebível, duplicata, histórico de pagamento, comportamento de cada tomador ao longo do tempo. Esse tipo de dado é único de cada instituição, construído ano após ano, e é exatamente esse tipo de ativo que vira vantagem competitiva real quando bem aproveitado com IA.

Essa é uma decisão central na gestão de produtos com IA: avaliar a tecnologia disponível junto com os dados, o custo de operação e a capacidade de transformar a informação em resultado. Para quem trabalha como PM, a IA para Product Managers ajuda a estruturar essa análise sem reduzir a decisão ao benchmark do modelo.

Para quem trabalha com produto em setores verticais, seja em finanças, saúde, jurídico ou qualquer área com dados próprios acumulados, o recado é claro. A corrida por IA não é só sobre quem tem o modelo mais robusto do mercado. É sobre quem sabe combinar tecnologia disponível com aquilo que só a própria empresa tem para oferecer.

Isso me deixa otimista com o momento. Mostra que dá para construir algo competitivo sem depender só do bolso mais fundo, desde que se saiba onde está o verdadeiro diferencial.

O resto do radar

Nvidia aposta US$ 6 bi em um modelo aberto rival da China — mais opções open-weight fortes reduzem lock-in de fornecedor e pressionam o preço de APIs fechadas. Ler mais

Hugging Face pode ser vendido por US$ 13 bi — se a plataforma central do ecossistema open-source mudar de mãos, isso afeta roadmap, hospedagem de modelos e a confiança que PMs usam para prototipar. Ler mais

Headlong: agentes que pensam o tempo todo, não só quando respondem — propõe um paradigma diferente de interação humano-agente via chat ou Slack, além do padrão prompt-resposta. É um bom exemplo do tipo de sistema discutido no guia sobre agentes de IA. Ler mais

Modelo aberto Qwen3.8-27B resolve engenharia reversa em 30 minutos — mostra que tarefas técnicas complexas já não são exclusividade de modelos fechados de fronteira. Ler mais

Google baixa o Gemini Spark de US$ 100 para US$ 20 por mês — referência direta de pricing em camadas para quem define planos de features agênticas. Ler mais

Anthropic lança o Claude Cowork, agente desktop por US$ 20/mês — mais um case de agente de produtividade desktop como categoria, com preço de entrada baixo. Ler mais

OpenAI testa anúncios no ChatGPT grátis e aposenta os Custom GPTs — sinal de uma possível virada de assinatura para publicidade em produto de IA de massa, e lembrete de que features de plataforma somem quando não sustentam o negócio. Ler mais

Pressão de margem está redefinindo o pricing de IA em 2026 — 70% dos líderes de produto dizem que o custo de entrega corrói a lucratividade; modelos híbridos de cobrança sobem de 20% para 25% em 18 meses. Ler mais

É isso que ficou no radar hoje. Até a próxima edição.