Observatório Apsara: A Apsara Conference não é a resposta — é o mapa do que a indústria de IA está apostando

Nesta passagem pela Apsara Conference, a maior lição que tirei não foram os novos modelos ou as novas empresas que memorizei, mas uma mudança na forma como leio uma feira de tecnologia.

Quando participava de conferências técnicas, era fácil cair em alguns atalhos de raciocínio: a direção destacada pelos grandes players provavelmente representa o futuro; um conceito repetido no palco provavelmente é consenso do setor; um produto já exposto no estande parece estar maduro o suficiente. Depois de ver muitas, é igualmente fácil escorregar para o extremo oposto e concluir que conferência é evento de marketing, estande é publicidade, slide deck é embalagem.

As duas visões são preguiçosas demais.

Uma feira, claro, tem viés comercial — mas o próprio marketing também é sinal. Quando um fabricante decide concentrar orçamento, gerentes de produto, equipes de engenharia, times de vendas e espaço de estande numa determinada direção, isso revela pelo menos duas coisas: o que ele quer que o mercado acredite, e em que problema está tentando transformar tecnologia em produto.

Por isso, hoje prefiro encarar uma grande conferência técnica como um campo de amostragem industrial de alta densidade. Ela não entrega respostas, mas oferece amostras, sinais, contraexemplos — e um mapa do “futuro no qual o setor está apostando.”

1. Desmontando o “barulho” da feira em camadas de evidência

Nesta edição, comecei a analisar deliberadamente cada direção técnica em cinco camadas:

Narrativa → Produto → Produção → Negócio → Receita
(Narrative → Product → Production → Business → Revenue)

No topo está a camada de Narrativa — aquilo que os fornecedores querem que o mercado acredite. Por exemplo: que os Agents (Agentes) se tornarão o novo ponto de entrada do trabalho, que as empresas precisam de uma arquitetura AI-native, que o Context (Contexto) será um ativo central, que os multi-agents (multi-agentes) assumirão tarefas cada vez mais complexas. Essas afirmações são relevantes porque mostram para onde a atenção e o capital estão se deslocando, mas continuam sendo interpretações e apostas.

Logo abaixo vem a camada de Produto — o que já foi construído e pode ser demonstrado, consumido via API e entregue. Nos estandes vemos interfaces completas, APIs, workbenches, plataformas de governança, sinalizando que determinada direção já saiu do conceito e entrou na fase de productização (produtização). A distância entre “pode ser demonstrado” e “opera de forma estável no longo prazo” continua sendo enorme.

Mais um nível abaixo está a camada de Produção — quando o produto de fato entra nos processos do cliente, roda de forma contínua e começa a esbarrar em questões reais como permissões, dados, auditoria, recuperação, custos e colaboração entre áreas. Só nesse momento se pode dizer que está em ambiente de produção.

Abaixo vem a camada de negócio (Business) — é preciso continuar questionando: o que mudou depois que a solução entrou em produção? Encurtou o ciclo de entrega, aumentou a conversão, reduziu custos com mão de obra, ampliou o volume de testes de criativos publicitários, ou viabilizou um processo de negócio que antes era impossível de executar?

Na base, e também a mais concreta, fica a camada de receita (Revenue) — o cliente está disposto a pagar de forma recorrente, por qual resultado ele paga, e em que condições ocorre a renovação.

A utilidade desse framework é evitar misturar diferentes tipos de evidência como se fossem equivalentes. O estande mostra que uma direção vale a pena ser exibida, o fórum revela que o fornecedor quer reforçar determinada narrativa, os casos reais de clientes elevam a credibilidade das camadas de produção e de negócio, e só a receita recorrente de fato valida a camada de receita.

Portanto, o simples fato de uma direção estar em alta no evento não leva, por si só, à conclusão de que “agora é hora de investir”.

II. A mudança mais evidente desta vez: cada vez mais camadas estão crescendo por cima do modelo

Nos últimos anos, ao falar de IA, a atenção se concentrava quase toda no modelo: número de parâmetros, benchmarks, capacidade de raciocínio, preço, janela de contexto, qualidade de imagem, capacidade de código.

Desta vez, in loco, percebi com clareza que o foco está migrando.

Os modelos continuam importantes, mas a camada de sistemas ao redor deles ficou claramente mais densa. Base de dados, integração de modelos, governança de tokens, runtime de agentes (Agent Runtime), sandbox, contexto (Context), memória (Memory), skills, operação em navegador (Browser Use), operação em computador (Computer Use), verificação (Verification), observabilidade (Observability), permissões, auditoria, controle de custos — cada vez mais capacidades estão sendo empacotadas como produtos independentes.

O motivo é direto: existe um abismo entre um modelo que responde perguntas e um modelo que entra num fluxo de produção e entrega trabalho de forma confiável. Entre os dois, há todo um sistema de engenharia.

Se você passar um dia percorrendo uma feira do setor, vai encontrar cinco ou seis produtos com nomes completamente diferentes. Por trás, porém, todos convergem para a mesma arquitetura. O QwenWork mostra agentes invocando múltiplas ferramentas em ambientes isolados para concluir tarefas. O Qoder aborda contexto, especificação de requisitos (Spec), framework de teste (Harness), verificação (Verification), memória e roteamento entre múltiplos modelos. A TinyFish, fabricante independente presente no evento, leva agentes para dentro da web real a fim de executar tarefas. O WonderClip decompõe a produção de vídeo em roteiro, storyboard, materiais, geração, revisão, versionamento e produção em lote. A Agentic Search do Alibaba Cloud OpenSearch, por sua vez, estende a busca em direção a planejamento (Planning), raciocínio (Reasoning), memória (Memory), ação (Action) e avaliação (Evaluation).

Embora pareçam pertencer a domínios completamente distintos, a arquitetura subjacente está convergindo:

Contexto → Planejamento → Skill → Execução → Verificação → Memória → Resultado de Negócio
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

Os modelos vêm se tornando gradualmente um dos componentes centrais, enquanto o valor do produto se desloca cada vez mais para as camadas superiores do sistema.

III. O Contexto está deixando de ser “material de entrada” para se tornar um ativo de longo prazo

A Qoder (assistente de codificação da Alibaba) tem um slide de uma apresentação ao vivo bastante direto:

Model power is a commodity. Context is the asset.

A afirmação, claro, carrega o viés do fornecedor, mas aponta para um problema real: quanto mais poderosos e mais baratos os modelos se tornam, mais o fator que decide se um agente consegue operar de forma consistente ao longo do tempo passa a ser “o que ele, de fato, sabe”.

Um projeto de software maduro carrega restrições arquiteturais, decisões históricas, dependências entre módulos, padrões de código, armadilhas conhecidas, registros de deploy. Uma empresa carrega estrutura organizacional, permissões, SOPs, documentação, histórico de conversas, regras de negócio, status de clientes. Uma marca carrega catálogo de produtos, identidade visual, assets acumulados, dados de mídia paga, restrições de canal.

Essas informações não surgem por magia quando se troca o modelo por um mais potente.

Portanto, o Qoder (assistente de codificação) oferece Wiki de Repositório (Repo Wiki), Memória (Memory) e Cartões de Conhecimento (Knowledge Cards); o QwenWork enfatiza o Contexto Empresarial (Enterprise Context); e o OpenSearch prioriza memória de longo prazo, memória de tarefas e compressão de contexto. Todos eles tentam resolver o mesmo problema: permitir que os agentes não precisem começar do zero a cada vez que precisam compreender o mundo.

Isso também significa que o valor de longo prazo das bibliotecas de prompts (Prompt Libraries) que tantas equipes adoravam acumular talvez não seja tão alto quanto se imagina. Um prompt funciona mais como uma forma de invocar uma tarefa específica; o que realmente gera valor composto é o contexto de negócio, o histórico de decisões, os resultados de validação, as causas de falhas e as habilidades reutilizáveis.

4. A unidade de competição dos produtos de IA migra de “uma funcionalidade” para “um trabalho completo”

A impressão que o WonderClip me causou foi particularmente nítida nesse ponto.

Se analisarmos apenas a lista de capacidades, muitos recursos não são exatamente novos: geração de imagens, geração de vídeos, tradução, dublagem, substituição de materiais, produção em lote. Isoladamente, cada uma dessas funções pode ser facilmente absorvida por fornecedores de modelos, softwares de edição ou outros SaaS ao longo do tempo.

Mas a estrutura de produto demonstrada ao vivo já está caminhando para um sistema de produção mais completo:

Upload do script → Revisar a estrutura → Preparar os assets → Gerar em massa

Logo depois vêm Storyboard, Canvas, habilidades personalizadas, assets compartilhados, colaboração em equipe e gestão de versões. O produto recoloca a “geração” no meio do fluxo de trabalho.

Isso traz um insight direto para quem constrói aplicações de IA.

Se o núcleo do produto ainda é “faça upload de algo, a IA processa e você baixa o resultado”, a próxima atualização de modelo facilmente comprime o seu valor. Um caminho mais sólido é ocupar a tarefa inteira que o usuário originalmente precisa concluir.

Por exemplo, no cenário de conteúdo para e-commerce, trocar produto, trocar fundo, traduzir ou dublar são capacidades rasas. Subindo um nível, o objeto do produto deveria se tornar gradualmente marca (Brand), SKU (unidade de estoque), campanha (Campaign), mercado (Market), estratégia criativa (Creative Strategy), variantes de criativos (Variants), canais de distribuição (Distribution) e performance de mídia (Performance). A geração é apenas o executor; o valor real vem de todo o fluxo de operações criativas (Creative Operations Workflow).

Cinco. Agentes (Agent) estão saindo de “responder perguntas” para “concluir tarefas”

Hoje, em uma apresentação sobre busca agêntica do Alibaba Cloud OpenSearch (plataforma de busca da Alibaba Cloud), vi uma linha evolutiva bastante reveladora.

Na fase inicial, a busca resolvia a jornada Query → Results (consulta → lista de resultados). A IA generativa a levou adiante, transformando o fluxo em Question → Answer (pergunta → resposta). A busca agêntica dá mais um passo e redefine o objetivo como Goal → Action (meta → ação).

Isso significa que a própria busca está sendo reposicionada.

No futuro, um agente de pesquisa (Research Agent) provavelmente será capaz de decompor um problema automaticamente, montar um plano de consulta, acionar múltiplas fontes de busca, expandir a recuperação, fazer validação cruzada, chegar a conclusões intermediárias e ainda orquestrar outras ferramentas para dar continuidade à execução. A API de busca vem se parecendo cada vez mais com a infraestrutura pela qual um agente obtém contexto externo.

Isso também muda a forma como acompanhamos SEO e GEO (Generative Engine Optimization). Antes, o foco era em Impression, Click e Ranking. Agora, precisamos acompanhar também AI Visibility, Citation, Mention, AI Referral — e, principalmente, se esse tráfego de fato se converte em Signup, Paid e Retention.

A busca não desapareceu. Ela está sendo encaixada em ciclos completos de execução, do objetivo à ação.

6. O verdadeiro desafio da IA corporativa está se tornando organizacional

No evento, discutiu-se bastante sobre os aspectos técnicos da IA corporativa: dados, permissões, segurança, governança, integração de modelos, arquitetura em nuvem, plataformas de Agent.

Tudo isso importa. Mas, depois de ouvir alguns casos de empresas, o que mais me preocupa é outra pergunta:

Quem tem, de fato, incentivo para usar isso?

Imagine um colaborador que usa IA e comprime uma tarefa de 8 horas em 5. O que acontece com as 3 horas economizadas? Se a resposta for apenas “dê mais trabalho a ele”, a tendência é que esse colaborador não se motive a impulsionar a IA.

Outro exemplo: se o KPI do time de IA for o número de Agents colocados em produção e o volume de chamadas, esse time tende a adicionar funcionalidades sem parar; o time de negócio arca com o custo da reformulação dos processos; o time de TI e segurança assume o risco de falhas; e o aumento de receita final não consegue ser atribuído com clareza. Em uma estrutura organizacional assim, mesmo que a tecnologia esteja pronta, a implementação provavelmente será lenta.

IA corporativa não se resume à Arquitetura (Architecture) — design de incentivos (Incentive Design) é o verdadeiro teto.

Problemas técnicos se resolvem com dinheiro; problemas organizacionais, nem sempre. Em qualquer projeto, é preciso esclarecer pelo menos: função (Role), indicador de desempenho (KPI), benefício (Benefit), custo (Cost), risco (Risk) e poder de decisão (Decision Right). Quem colhe o benefício arca com o risco, quem tem o poder de decisão responde pelo resultado.

A maioria dos chamados “problemas de implantação de IA” acaba sendo, no fundo, um problema de desenho organizacional.

Sete. Os indicadores que mais induzem ao erro são, com frequência, os que parecem mais intuitivos à primeira vista

Um slide do Qoder me chamou muita atenção:

Generation rate is a vanity metric.

Na apresentação, compararam a proporção de geração de código por IA em diferentes fases e destacaram que o ciclo de entrega de software (Delivery Cycle) não diminuiu na mesma proporção. Os números específicos vêm de um caso apresentado pelo próprio fornecedor, portanto não devem ser usados diretamente como referência de mercado (Benchmark), mas a lógica por trás se sustenta.

Depois que a IA reduz o custo de escrever código, o gargalo simplesmente migra para outras etapas: requisitos, contexto, arquitetura, revisão, testes, integração, deploy e validação.

Com isso, métricas como taxa de geração de código, volume de tokens, quantidade de agentes, número de chamadas e volume de imagens geradas podem virar indicadores pontuais de eficiência. O que realmente importa é o resultado ponta a ponta: o lead time encurtou? As horas humanas caíram? A first-pass acceptance rate subiu? O cost per accepted task diminuiu? E, no fim das contas, os indicadores de negócio se moveram?

A conferência me trouxe um alerta: não se deixe hipnotizar pelo “quanto a IA fez”, e sim pelo “o que mudou no sistema como um todo”.

8. A conferência oferece apostas, mas o poder de decisão continua nas suas mãos

O risco mais comum de participar de uma conferência é deixar que o mundo exterior comece a definir as suas prioridades por você.

Um tema aparece demais no palco e você sente que precisa estudá-lo; uma grande empresa investiu pesado nele e você acha que tem que acompanhar; um produto parece avançado e você conclui que também precisa montar o seu próprio.

Desta vez, prefiro recolocar todas essas informações em torno de uma pergunta mais simples:

Que decisão essa informação muda em mim?

Se ela só me faz pensar “que interessante”, é input.

Se ela me leva a reconsiderar construir (Build), comprar (Buy) ou ignorar (Ignore); redefine a fronteira de um produto, me faz abandonar uma iniciativa de baixo valor, me obriga a redesenhar um fluxo de trabalho ou a reformular uma métrica experimental — só então ela entra de fato na esfera da decisão.

A 云栖大会 (Apsara Conference, conferência anual de tecnologia da Alibaba) não é a resposta.

Ela se parece mais com um mapa de apostas do setor: um mapa que mostra para onde os outros estão caminhando, por onde as vias começam a congestionar, que infraestruturas estão ganhando forma e que problemas começam a ser empacotados em produtos em escala.

O caminho final ainda depende dos seus próprios objetivos, restrições, recursos e evidências.

E é exatamente isso que quero preservar quando participo de um grande evento de tecnologia: enxergar mais apostas, mantendo o poder de decisão nas minhas próprias mãos.

Se você está avaliando por onde começar com IA corporativa, quais direções valem o investimento e quais são apenas bolhas infladas pela narrativa, vamos conversar. Atuamos com consultoria dedicada em transformação empresarial em IA — da seleção de tecnologias e arquitetura organizacional a sistemas de mensuração — para transformar “o burburinho do evento” em “o seu próprio julgamento”. Contato: [email protected].

Leitura complementar: 《AI 转型七步框架》(Sete Etapas da Transformação em IA), que apresenta de forma sistemática o caminho completo de implementação corporativa de IA.

Sobre esta série

Observatório Yunqi é a série de campo do front industrial lançada pela IAIUSE, partindo da Conferência Yunqi de 2026 com a perspetiva de um investigador para dissecar as mudanças reais que estão a acontecer na indústria da IA — sem perseguir tendências, apenas observando para onde vão as apostas e a solidez das evidências.

A série abrange a camada de sistemas acima dos modelos, a implementação de Agents, os ativos de Context, o desenho organizacional de IA nas empresas e a migração da unidade de concorrência dos produtos de IA, entre outros temas, totalizando cerca de 10 artigos.

Tenho cerca de 8 anos de experiência em consultoria empresarial e análise de negócios em grandes corporações, tendo passado pela IBM, onde participei em projetos nos setores das telecomunicações, financeiro, segurador e industrial. Desde então, continuei na linha da frente de produtos de operadores de telecom, produtos de internet e desenvolvimento de aplicações de IA, em funções de análise de requisitos, design de produto e implementação entre equipas. Os posicionamentos desta série resultam da minha observação em campo e da validação cruzada com o setor, com uma posição autoral clara, sem representar a visão de qualquer fornecedor.