João Miguel Mesquita
Durante a primeira vaga da inteligência artificial generativa, a dimensão dos modelos tornou-se quase sinónimo de capacidade. Os Large Language Models provaram que podiam suportar fluxos de trabalho complexos, responder a pedidos sofisticados e aproximar-se, em determinados contextos, de níveis de desempenho associados ao raciocínio humano. Mas, para os CIO, a pergunta deixou de ser apenas o que estes modelos conseguem fazer. Passou a ser quanto custam, onde correm, que dados usam e se são realmente necessários para todas as tarefas.
É neste ponto que os Small Language Models começam a ganhar relevância. Estes modelos mais pequenos, treinados para domínios ou funções específicas, não surgem como substitutos diretos dos LLM. Surgem como uma peça mais pragmática numa arquitetura de inteligência artificial mais racional. A tendência é uma divisão de trabalho entre modelos grandes, usados para problemas complexos, e modelos pequenos, aplicados a tarefas repetitivas, bem delimitadas e de elevado volume.
A diferença começa na escala. Enquanto os LLM podem operar com centenas de milhares de milhões ou mesmo biliões de parâmetros, os SLM ficam geralmente entre um e sete mil milhões, sendo considerados pequenos quando se mantêm abaixo dos dez mil milhões. Também os dados de treino são diferentes. Em vez de grandes volumes genéricos, os SLM recorrem a conjuntos de dados mais compactos, especializados e ajustados à função que devem cumprir.
Esta redução de dimensão é conseguida através de técnicas como a destilação de conhecimento, a remoção de parâmetros redundantes e a redução da precisão dos valores processados. O objetivo é tornar o modelo mais leve sem comprometer a utilidade no contexto para que foi desenhado. Em alguns casos, modelos maiores podem ainda ser adaptados para funções mais específicas através de abordagens como “Retrieval Augmented Generation”.
Para as empresas, a vantagem não está apenas na tecnologia. Está na economia da operação. Quando uma tarefa é repetitiva, previsível e bem definida, usar um modelo generalista de enorme dimensão pode ser uma decisão tecnicamente possível, mas financeiramente pouco racional. A triagem no atendimento ao cliente é um exemplo evidente. Um SLM treinado para esse tipo de processo pode responder com rapidez, consistência e menor custo.
Há também uma leitura importante para a governação de dados. Os SLM tornam os dados empresariais mais relevantes, porque dependem da qualidade da informação usada no treino e na afinação. Dados bem preparados, verificados, versionados e geridos passam a ser parte central da estratégia. Num cenário de IA mais especializada, a vantagem competitiva deixa de estar apenas no modelo e passa a estar também na qualidade dos dados internos.
A privacidade e a segurança reforçam este argumento. Por serem mais pequenos, os SLM podem correr em dispositivos, em ambientes edge, offline ou dentro da própria infraestrutura da organização. Isso reduz a necessidade de enviar informação sensível para serviços externos e torna estes modelos mais atrativos para setores regulados ou empresas que lidam com dados críticos.
O mesmo se aplica à velocidade. Modelos mais pequenos tendem a responder com menor latência e podem ser mais adequados a aplicações em tempo real. Como operam sobre domínios mais estreitos, também reduzem a exposição a informação irrelevante, o que pode diminuir o risco de respostas incorrectas ou alucinações. Essa vantagem, contudo, depende sempre da qualidade do treino e da forma como o modelo é integrado nos processos.
A discussão ganha ainda mais peso com a evolução da IA agêntica, em que agentes de inteligência artificial executam tarefas de forma mais autónoma e modular. Nesse contexto, os SLM podem funcionar como componentes especializados dentro de sistemas mais amplos, cada um responsável por uma função concreta. A Gartner antecipa que, no ambiente empresarial, estes modelos possam superar os LLM em número de implementações até 2027.
Para os CIO, a conclusão é pragmática. A próxima fase da inteligência artificial empresarial não será definida apenas pela potência dos modelos, mas pela capacidade de escolher a ferramenta certa para cada problema. Os LLM continuarão a ser indispensáveis em tarefas complexas e ambíguas. Mas a eficiência, a segurança, o custo e a governação vão empurrar muitas organizações para modelos mais pequenos, mais especializados e mais fáceis de controlar.
A inteligência artificial empresarial pode estar a entrar numa fase menos espetacular, mas mais útil. Menos centrada na escala e mais focada na integração real com os processos, os dados e as prioridades do negócio.
