A IA encolhe no modelo, cresce na fatura: eficiência, risco aberto e a corrida ao data center

Eficiência: o tamanho deixou de ser o argumento

A Mistral colocou no Hugging Face a família Timestral, com modelos de 5, 28, 123 e 209 milhões de parâmetros para previsão de séries temporais. O menor cabe num telemóvel; o maior supera, segundo a empresa, o TimesFM-3 da Google em três conjuntos de avaliação (GIFT-Eval, TIME e fev-bench), com 32 mil tokens de contexto. A Reuters confirmou a abertura dos pesos.

No mesmo dia, a Liquid AI apresentou o LFM3: seis modelos de cerca de 2 mil milhões de parâmetros — texto, visão, áudio, omni e dois de decisão — treinados a partir de uma base comum de 1,7 mil milhões. A versão de texto ocupa cerca de 1 GB em quantização de 4 bits, tem 256 mil tokens de contexto e foi pós-treinada para correr em agentes locais, incluindo o Hermes Agent e o OpenClaw. A empresa indica que supera o anterior LFM2.5-2.6B com 35% menos parâmetros.

O DeepSeek V4.1-Flash segue a mesma lógica: 552 mil milhões de parâmetros em MoE, um milhão de tokens de contexto e cache KV de 890 bytes por token, um quarto da versão anterior, com licença MIT. Em paralelo, o GitHub Copilot Fusion passou a encaminhar cada pedido para o modelo mais barato que o resolve, e a IBM apresentou o STAIR, que reduz alucinações em cerca de 65 vezes em tarefas de raciocínio.

A consequência prática é direta: a pergunta deixou de ser "qual é o melhor modelo" e passou a ser "qual é o modelo suficiente para esta tarefa, ao custo mais baixo".

Fronteira: especializar e simular antes de arriscar

O Gemini 4 Carbon, lançado pela Google DeepMind, entrou no topo do Artificial Analysis Intelligence Index com 59 pontos — apenas um acima do Claude Opus 5.5 e dois acima do GPT-6 Astra. A margem é mínima, mas o perfil é distinto: lidera em cibersegurança e tarefas agênticas e resiste a injeção de prompt, com 0% de sucesso em ataques conhecidos desse tipo. A Google posiciona-o para trabalho prolongado com ferramentas, não para demonstrações.

A Anthropic seguiu a via vertical: lançou fluxos "Claude for Legal" para revisão contratual e investigação jurídica e anunciou uma parceria com seis farmacêuticas para usar o Claude em ensaios clínicos. O valor migra do modelo genérico para o fluxo de trabalho fechado, com os dados e os processos do setor.

No campo da simulação, o Genie 4 gera ambientes interativos a partir de imagens e já é usado pela Google para treinar robôs antes de os colocar no mundo real. E, segundo o The Rundown, o GPT-6 Pro resolveu um problema do Millennium Prize com o algoritmo LLL — um resultado que, a confirmar-se, mostra modelos de fronteira a produzir conhecimento verificável, não apenas texto plausível.

Pesos abertos: capacidade elevada, controlo limitado

O lado incómodo vem da Zhipu. O GLM-5.3, com pesos abertos, completou três de treze cenários de ciberataque num teste da Irregular e não recusou nenhum pedido. O NIST descreveu-o como o modelo aberto mais capaz em cibersegurança avaliado até hoje.

O alerta não é teórico. Investigadores registaram um aumento na exploração de vulnerabilidades PHP poucos dias depois de os patches serem publicados, com ferramentas de IA a encurtar o intervalo entre a falha e o ataque. As empresas mais expostas são as que têm menos recursos para monitorizar: precisamente as PME.

O problema tem duas faces. Os pesos abertos permitem que uma empresa portuguesa adapte um modelo ao seu domínio, com dados próprios, sem depender de uma API estrangeira — a Liquid licencia os LFM3 sem custo até 10 milhões de dólares de receita anual. Mas o mesmo ficheiro que serve para isso serve para quem quer atacar. A regulação europeia ainda não resolveu esta assimetria, e a decisão prática para quem gere infraestrutura é tratar qualquer modelo local como código não auditado: isolamento, registo de chamadas e limite de permissões.

A conta: infraestrutura cresce mais depressa do que a receita

A Microsoft reportou 92,3 mil milhões de dólares de receita trimestral, com a Azure a crescer 48%. O investimento em infraestrutura de IA quase duplicou e a empresa admitiu poder vir a precisar de financiamento adicional. No mesmo período, cerca de 60 mil trabalhadores saíram por programas voluntários — uma combinação que diz muito sobre onde o dinheiro está a ir.

O capital também se desloca para a robótica: o setor captou cerca de 16 mil milhões de dólares em cerca de 450 rondas, com veículos autónomos e manipulação física a atrair a maioria.

Em Portugal, o desequilíbrio é visível nos números. Lisboa tem 25 MW de capacidade operacional em data centers e cerca de 1.389 MW planeados — 55 vezes mais —, segundo a Colliers, sem novos projetos entre abril e setembro. O campus da Merlin Edged em Vila Franca de Xira arranca com 80 MW no final de 2027; em Sines, a Start Campus prevê alojar mais de 66 mil GPUs Nvidia Rubin na mesma altura. O Plano Nacional de Data Centers estima que a procura nacional passe de 0,2 GW em 2025 para cerca de 1 GW em 2030.

A leitura é direta: capacidade anunciada não é capacidade disponível. Entre o megawatt prometido e o megawatt ligado à rede há licenças, energia e execução — o mesmo intervalo que separa um piloto de IA de um processo em produção.

Comércio agêntico: a loja tem de ser legível por máquinas

Enquanto a infraestrutura se constrói, os agentes já compram. ChatGPT, Claude e Perplexity leem lojas online para comparar produtos e preparar encomendas, e muitos sites portugueses não estão preparados: falta marcação schema.org com preço, moeda e stock, os robots.txt bloqueiam rastreadores de IA sem intenção, e as variantes só existem em menus.

Ferramentas gratuitas como a Proxa Audit dão nota de 0 a 100 à prontidão de uma loja para estes agentes, com a lista de correções por ordem de impacto. Para uma oficina ou loja de acessórios, o trabalho é sobretudo de dados estruturados e de catálogo — não de novos sistemas.

A confiança segue o mesmo passo lento. Um inquérito do Pew indica que metade dos americanos admite que a IA possa substituir relações pessoais, enquanto apenas 5% dos quadros do setor acreditam que isso aconteça. O desvio entre quem constrói e quem usa continua a ser o principal risco de adoção.

Fecho

A IA deste início de novembro não se distingue pelo modelo maior, mas pela contabilidade. Modelos pequenos e especializados tornam a inferência barata e local; os de fronteira vendem-se por fluxo de trabalho e não por benchmark; os pesos abertos dão autonomia e retiram controlo; e a infraestrutura, em Portugal como no resto da Europa, ainda vive de megawatts no papel. Para uma PME, a vantagem não está em escolher o modelo do topo da tabela. Está em medir o custo por tarefa, fechar o acesso e garantir que os dados — e o catálogo — estão legíveis para quem os vai ler, seja uma pessoa ou um agente.

🧰 Toolkit: IA no Terreno

• Timestral (Mistral): modelos abertos de 5M a 209M para previsão de séries temporais, com 32K de contexto.
• LFM3 (Liquid AI): família de modelos de ~2B que corre em telemóvel ou portátil; o de texto ocupa cerca de 1 GB a 4 bits.
• Gemini 4 Carbon (Google): modelo de fronteira para subscritores AI Ultra, forte em cibersegurança e tarefas agênticas longas.
• Genie 4 (Google): modelo de mundo que gera ambientes interativos para treinar robôs antes do mundo real.
• Proxa Audit: verificação gratuita que dá nota de 0 a 100 à prontidão de uma loja online para agentes de compra.
• Copilot Fusion (GitHub): encaminha cada pedido para o modelo mais barato que o resolve e corta o consumo de tokens.
• Claude for Legal (Anthropic): fluxos verticais para revisão contratual e investigação jurídica, com processos fechados.

#IAPortugal #noticiasIA