A proposta chega impecavelmente paginada. Quarenta páginas, um diagrama com doze caixas e um nome para cada uma: cluster de GPUs, data lake, base de dados vetorial dedicada, plataforma de orquestração, camada de MLOps. Orçamento de seis dígitos. E uma frase na página três que ninguém sublinha: «sobre esta base poderão depois ser implementados os primeiros casos de uso». Ou seja, o primeiro agente vem depois. Se vier.
A tese numa linha: se a tua empresa não treina modelos —e quase nenhuma treina—, a sua infraestrutura de IA não é um problema de hardware, é um problema de canalização. Quatro camadas decidem se um agente chega à produção: como lê os teus dados, com que identidade age, por onde chama o modelo e que rasto deixa. Tudo o resto compra-se quando um sintoma concreto o pede. Não antes.
Infraestrutura de IA para empresas: se não treinas modelos, não é um problema de GPUs
Pesquisa «infraestrutura de IA» e vais encontrar sobretudo fabricantes de hardware e grandes clouds a explicar computação acelerada, armazenamento de alto desempenho e redes para treino. É a explicação certa para quem treina ou serve modelos próprios. Para uma empresa que consome modelos através de uma API —a grande maioria—, essa camada já foi comprada pelo fornecedor do modelo, que ta cobra ao token.
O que fica do teu lado é outra coisa: o caminho entre os teus sistemas e o modelo. E é nesse caminho que os projetos caem. A Gartner pôs-lhe números em duas previsões que vale a pena ler juntas: num inquérito global a responsáveis de dados publicado em fevereiro de 2025, 63% das organizações não tinham, ou não sabiam se tinham, práticas de gestão de dados adequadas à IA, e a consultora prevê que até 2026 as organizações abandonem 60% dos projetos de IA sem dados preparados (Gartner, 2025). Em junho do mesmo ano acrescentou que mais de 40% dos projetos de IA agêntica serão cancelados até ao fim de 2027 por custos que disparam, valor pouco claro ou controlos de risco insuficientes (Gartner, 2025).
Repara na lista de causas: dados, custo, risco. Nenhuma é falta de capacidade de computação. São previsões de analistas, não factos consumados, mas apontam todas para o mesmo sítio: a infraestrutura que falha é a que liga, não a que calcula.
As quatro camadas que fazem mesmo falta antes do primeiro agente
Não têm de ser grandes. Têm de existir, ter um dono e estar pensadas para que o segundo agente use as mesmas em vez de montar as suas.
- Acesso aos dados. Por onde o agente lê o que precisa: uma API do ERP, uma vista só de leitura na base de dados, uma pasta sincronizada. A regra é que leia de uma fonte com dono, não de um Excel exportado à mão à segunda-feira. Como fazê-lo sem refazer os teus sistemas está no guia para integrar a IA com o teu ERP, CRM e gestor documental.
- Identidade e permissões. O agente age com uma conta própria, com o alcance certo para a sua tarefa e com uma revogação testada pelo menos uma vez. Nunca com a conta de quem o montou. É a camada mais barata de fazer bem no início e a mais cara de corrigir depois: está detalhada em que permissões dar a um agente de IA.
- Gateway de modelos. Um único ponto por onde passam todas as chamadas ao modelo, em vez de uma chave de API colada em cada ferramenta. Dá-te três coisas de uma vez: mudar de fornecedor sem tocar em cada agente, pôr um teto de gasto e saber que agente consome o quê. Que modelos pôr atrás é outra decisão, que tratamos em que modelo usar num agente.
- Rastreio. Cada execução regista o que entrou, o que o agente decidiu, que ferramentas chamou e o que saiu. Sem isto não há forma de explicar um erro, medir qualidade ou responder a um auditor. Não exige uma plataforma: com ferramentas abertas monta-se uma stack mínima de observabilidade.
O que te vendem a mais (e quando deixa de estar a mais)
Nada do que se segue é fumo. Tudo tem o seu momento. O problema é comprá-lo antes do sintoma que o justifica, porque aí pagas manutenção de algo que ninguém usa.
| Peça | Vendem-ta para | Faz falta quando |
|---|---|---|
| GPUs ou cluster próprio | «Independência» e privacidade | Treinas ou serves modelos próprios, ou o volume de chamadas torna a API mais cara do que operares o modelo tu mesmo |
| Base de dados vetorial dedicada | Fazer RAG «como deve ser» | Os teus documentos ultrapassam o que uma extensão vetorial na base de dados que já tens resolve com latência aceitável |
| Plataforma de orquestração de agentes | Governar «todos os agentes» | Tens vários agentes com donos diferentes e já não sabes quais existem nem em que tocam |
| Camada de MLOps completa | Industrializar desde o primeiro dia | Tens modelos treinados por ti que são retreinados e versionados |
| Data lake novo | Ter «os dados prontos para IA» | O caso de uso precisa de cruzar fontes que hoje não se conseguem cruzar de nenhuma outra forma |
Repara que a coluna da direita descreve um sintoma observável, não uma aspiração. Essa é a diferença entre comprar infraestrutura e comprar tranquilidade. A tranquilidade sai mais cara e não se mede.
Como cresce a infraestrutura de um agente para vinte sem a refazer?
A graça de começar pelas quatro camadas é que escalam sem ir para o lixo. O que muda com o número de agentes é a espessura de cada uma, não a sua existência.
- Um agente. Uma fonte de leitura, uma conta de serviço, um gateway simples e rastos num armazenamento barato. Cabe no que já pagas.
- Cinco agentes. Aparecem a fatura que não esperavas —tráfego, chamadas entre sistemas, rastos— e a necessidade de atribuir custo por agente. Contamos isso em a fatura que o agente te faz subir é a de outra coisa. Aqui o gateway deixa de ser opcional.
- Vinte agentes. Já há donos diferentes, ambientes de teste e produção, e alguém que pergunta quantos agentes tem a empresa. É o momento em que um inventário e, talvez, uma plataforma de gestão começam a pagar-se.
Se em cada salto tiveste de refazer a camada de baixo, estava mal desenhada. Se só tiveste de a reforçar, estava bem.
Quando NÃO faz falta montar nada disto
Se o que tens é um assistente de chat que a equipa usa para redigir e resumir, sem tocar nos teus sistemas, não precisas de infraestrutura de IA: precisas de uma licença empresarial com condições de dados claras e de uma política de utilização. Também não precisas para um piloto de duas semanas que não escreve em nenhum sistema. As quatro camadas entram no momento em que um agente lê dados da empresa ou age em teu nome. Antes disso, qualquer arquitetura é a resposta a uma pergunta que ainda não fizeste.
E se a tua operação é pequena e já tens dois ou três agentes a funcionar, não precisas de uma camada de plataforma para os governar: bastam uns controlos mínimos bem postos, que explicamos em AgentOps para PME sem equipa de plataforma.
Cinco perguntas antes de assinar um projeto de infraestrutura de IA
- Qual é o primeiro agente que vai correr sobre isto, e em que semana?
- Que caixa do diagrama se podia tirar sem que esse primeiro agente desse por isso?
- Quem é o dono de cada uma das quatro camadas quando o projeto acabar?
- Como se muda de fornecedor de modelo sem tocar no código de cada agente?
- Quanto custa operar tudo isto por mês quando não há ninguém do fornecedor a olhar?
Se as respostas chegarem concretas, a proposta é séria. Se chegarem em forma de fase dois, estás a pagar adiantado uma infraestrutura para casos que ainda não existem. Desenhar as quatro camadas para o teu primeiro agente e deixá-las prontas para o vigésimo —sem o diagrama de doze caixas— é exatamente o trabalho da nossa infraestrutura de IA empresarial. E quando já estão a funcionar, monitorizar a IA em produção é o que evita que a camada de rastreio fique um registo que ninguém lê.
A frase para a próxima reunião: «Antes de falarmos da plataforma, diz-me de onde lê o agente, com que conta age, por onde chama o modelo e onde fica o seu rasto».