1. O mito da corrida pelo modelo mais recente (um produto 3%)
Os investimentos maciços das gigantes americanas da tecnologia, cujos gastos com infraestrutura chegarão a 700 bilhões de dólares no próximo ano, sustentam uma narrativa estratégica muito específica: a ideia de que as empresas precisam, sem dúvida, adquirir seus modelos mais recentes de código fechado para se manterem competitivas.
Na realidade, em 2026, os modelos de IA subjacentes se tornaram uma mercadoria comum. A diferença média de desempenho entre um modelo gratuito (de código aberto) e um modelo pago (de código fechado) é de apenas cerca de 3%. No entanto, a maioria das empresas atualmente utiliza apenas 0,001% das capacidades reais dessas ferramentas. Hoje, o verdadeiro diferencial não é o modelo alugado de gigantes americanos, mas sim o data proprietário e o contexto organizacional de sua empresa.
Vincent Luciani, cofundador e presidente executivo da Artefact, já havia previsto essa mudança em 2014, na época em que precisava definir o termo “IA” em todas as reuniões com clientes. Hoje, com 2.500 funcionários, a Artefact é a maior empresa independente de consultoria em data e IA da Europa, e sua conclusão é definitiva: sem data de qualidade, mesmo o modelo mais poderoso não tem valor algum.
“Não é a IA que faz a diferença; é a qualidade da data já implantada na empresa.”, Vincent Luciani, cofundador e presidente executivo da Artefact
2. A armadilha do “Token Maxing”, ou a ilusão de produtividade
O cerne da mentira reside em uma prática cultural altamente lucrativa para o Vale do Silício: o “Token Maxing”. Os gigantes da tecnologia exercem imensa pressão sobre os desenvolvedores para que consumam unidades de computação (tokens) em excesso. Vincent Luciani aponta especificamente para Jensen Huang, fundador da Nvidia, que afirmou publicamente que um desenvolvedor que recebe 500.000 dólares por ano deveria consumir pelo menos 250.000 dólares em tokens. Essa cultura tornou-se tão tóxica que rumores sugerem que desenvolvedores foram demitidos simplesmente por não gastarem tokens suficientes, enquanto startups oferecem ferramentas para utilizar tokens artificialmente a fim de simular alta atividade.
Para as empresas da economia real, as consequências financeiras são desastrosas:
- Aumentos descontrolados do orçamento: Empresas consolidadas, como a Uber, já esgotaram todo o seu orçamento anual destinado à IA em apenas quatro meses.
- O perigo dos ciclos autônomos: As arquiteturas modernas de IA permitem que agentes autônomos criem subagentes para resolver um problema. Quando deixados sem supervisão, esses scripts ficam em execução contínua a noite toda. Vincent Luciani cita o caso de um cliente que recebeu uma cobrança inesperada de 150.000 dólares em uma única noite devido a uma única consulta analítica mal formulada.
- O paradoxo da produtividade: O Vale do Silício exalta as equipes técnicas que produzem de 7 a 8 vezes mais linhas de código graças à IA. No entanto, um estudo do MIT demonstra o vazio dessa métrica: essas empresas não estão gerando mais receita, nem lançando um número significativamente maior de produtos. O “Token Maxing” muitas vezes nada mais é do que uma transferência maciça de riqueza dos cofres das empresas para os servidores do Vale do Silício.
3. A ilusão do conhecimento e o gargalo na tomada de decisões
Essa ilusão de produtividade esconde um declínio cognitivo que Vincent Luciani ilustra por meio de um estudo realizado com estudantes. Ao se depararem com uma tarefa (seja de história, matemática ou programação), o grupo de estudantes com acesso à IA obtém, de forma consistente, notas muito melhores. No entanto, quando a prova é repetida alguns dias depois, sem o uso da IA, seu desempenho desaba completamente (caindo de 10 para 1), pois a simples ação de copiar e colar dispensa o esforço mental necessário para a retenção de informações.
Exatamente o mesmo fenômeno ocorre no mundo corporativo. Colocar a IA no início de um processo criativo ou estratégico incentiva a preguiça intelectual. É por isso que o gargalo operacional mudou: não se trata mais de produzir, mas de decidir e validar.
Na área de consultoria, por exemplo, ferramentas como o Granola (conversão de fala em texto) e scripts de IA podem gerar uma proposta comercial e slides em menos de um minuto após sair de uma reunião com o cliente. Mas a Artefact proíbe seus consultores de fazer isso. A IA deve ser introduzida apenas no final do processo, exclusivamente para formalizar o pensamento humano profundo realizado anteriormente — caso contrário, ela não produz nada além de uma média estatística insípida.
“O verdadeiro gargalo hoje em dia já não é a produção, mas a validação humana das decisões.”, Vincent Luciani, cofundador e presidente executivo da Artefact
4. O antídoto: “O Arnês” e as 4 etapas do Data
Para escapar dessa armadilha de lucros, as empresas devem adotar uma estrutura de controle rigorosa denominada “The Harness”. Isso envolve a implantação de uma governança rigorosa para monitorar os custos de computação, acompanhar o desvio dos modelos técnicos e restringir os direitos de acesso ao data.
Para construir essa estrutura e tornar a IA verdadeiramente lucrativa, é necessário voltar aos princípios básicos pragmáticos, resumidos em um roteiro de quatro etapas para sanar o data:
- Verifique a precisão na fonte: Analise as ferramentas existentes. Na maioria das empresas, o processo básico data está ausente ou é executado de forma incorreta (por exemplo, um em cada dois representantes de vendas se esquece de atualizar o CRM após uma ligação com o cliente).
- Unificar a taxonomia: Certifique-se de que as palavras tenham o mesmo significado em todos os lugares. Se “cliente” significar “alguém que fez um pedido” na França, mas “alguém que pagou” na Espanha, a IA irá gerar um data impreciso.
- Nomear proprietários de domínios: O Data perde a validade instantaneamente. O Data deve ser mantido continuamente pelos líderes, que são diretamente responsáveis por suas áreas de atuação (CRM, RH, Finanças).
- Implemente uma única fonte de verdade: Proíba definitivamente o uso das dezenas de arquivos do Excel que circulam entre as equipes com versões diferentes da planilha e centralize todos os fluxos em um único banco de dados data, organizado e com capacidade de consulta.
Somente quando esse ativo informacional estiver devidamente estruturado é que a IA poderá ser integrada de forma eficaz. Assim, ela poderá eliminar os silos da empresa, conectando horizontalmente as áreas de finanças, RH, vendas e recrutamento.
5. Ignore o exagero: a lição de sobrevivência do Artefact
Essa disciplina diante do canto de sereia do Vale do Silício foi o que permitiu à Artefact sobreviver às suas próprias crises. Em 2017, quando era apenas uma jovem empresa com 50 funcionários, a empresa realizou uma fusão reversa com a Net Booster, uma agência de publicidade de capital aberto três vezes maior do que ela (600 funcionários em 20 países).
A operação transformou-se instantaneamente em um pesadelo operacional. A Net Booster perdeu clientes de longa data a um ritmo vertiginoso, os diretores da subsidiária do Reino Unido renunciaram no dia seguinte ao fechamento do negócio e uma auditoria fiscal surpresa sobre o IVA atingiu a subsidiária alemã. O EBITDA despencou para 400.000 euros, deixando a empresa à beira da falência regulatória. Nos fóruns do Boursorama, os ataques eram diários, e as ações despencaram para 50 centavos.
Para superar essa fase, Vincent Luciani e seus sócios tomaram uma decisão radical: ignorar as comunicações relacionadas ao seu negócio principal tradicional e apostar exclusivamente em data corporativo e em aprendizado de máquina. Eles cortaram custos, encerraram operações em países não lucrativos e aproveitaram a rede internacional herdada para estabelecer células de consultoria em data.
Esse rigor permitiu que eles estabilizassem a empresa, concluíssem o processo de retirada da cotação da bolsa a 8 euros por ação — o que representou uma transação total de 300 milhões de euros — antes de ser avaliada em mais de um bilhão de euros em rodadas subsequentes com os fundos Ardian e Cinven.
Assista ao podcast no YouTube
