Llama 3 e a decisão que todo CEO vai ter que tomar: alugar inteligência ou ser dono dela

§1 — O que o paper afirma

O paper documenta uma família (“herd”) de modelos de linguagem abertos, cobrindo diferentes tamanhos, com relatório detalhado de dados, treino e avaliação. O ponto que interessa à diretoria não é a arquitetura — é a combinação de qualidade competitiva com pesos abertos e documentação de nível industrial.

Do relatório (ver as seções de avaliação e as tabelas comparativas do paper):

• Os modelos maiores competem com fornecedores fechados de ponta numa faixa ampla de tarefas.
• Os modelos menores são pensados para rodar em hardware acessível — viabilizando implantação dentro da infraestrutura do cliente.
• O paper trata explicitamente de segurança e de práticas de avaliação, o que reduz o risco de adoção corporativa.

§2 — Por que importa para o negócio

Esta é, no fundo, uma decisão de make-or-buy aplicada à inteligência. Por padrão, a indústria escolheu “buy”: consumir IA como API de um fornecedor. Modelos abertos de alta qualidade colocam “make” de volta na mesa — não como projeto de pesquisa, mas como opção operacional.

Para setor regulado — telecom, financeiro — a diferença é competitiva, não técnica. Rodar o modelo dentro do próprio datacenter significa que os dados do cliente não saem da sua infraestrutura: a conversa de LGPD deixa de ser sobre contratos de transferência internacional e passa a ser sobre a sua própria governança. Isso abre casos de uso que a política de dados simplesmente proibia quando dependiam de API externa.

Na prática que vivo na Mobi2Buy: ser dono do modelo, e não apenas locatário, muda quem controla o roadmap, o custo marginal e o risco regulatório.

§3 — O que fazer a respeito

• Classifique seus casos de uso por sensibilidade de dado. Os sensíveis são os candidatos naturais a on-premise; os triviais podem continuar em API.
• Peça um TCO honesto do “make”. Modelo aberto não é grátis: some GPU, energia, time de MLOps e manutenção. Compare com o custo de API projetado no volume esperado.
• Comece pelo modelo menor que resolve o problema. A tentação é rodar o maior; o valor costuma estar no menor que cabe no seu hardware.
• Trate “dono da inteligência” como decisão de arquitetura de longo prazo, não como economia de curto prazo. O ganho real é controle e soberania de dado.

§4 — Limite da evidência

“Competitivo com fornecedores fechados” é uma foto que envelhece a cada release — a fronteira se move rápido, e o topo pode voltar a se distanciar. Os benchmarks do relatório são do próprio time e podem não refletir o seu domínio.

E “make” carrega custo escondido: operar IA in-house exige um time de MLOps que muitas empresas não têm e subestimam. Para volume baixo ou dado não-sensível, “buy” continua sendo a resposta economicamente correta. O paper mostra que a opção existe e é séria — não que ela é a certa para todos.