O pedido chega cheio de entusiasmo: «queremos um agente de IA que preveja a procura». Em anexo, um Excel com três anos de vendas por referência e por semana. O plano implícito é colar essa tabela num modelo de linguagem e pedir-lhe que adivinhe o mês seguinte. Na demo vai funcionar. Vai dar um número diferente sempre que perguntares. E ninguém vai saber explicar porque encomendou 400 unidades em vez de 250.
A tese numa linha: metade dos problemas que hoje se orçamentam como «projeto de IA generativa» resolve-os melhor um modelo de machine learning dos de sempre, treinado com o teu histórico. Não por nostalgia técnica: é mais barato por previsão, dá a mesma resposta perante os mesmos dados e consegue explicar-se a um auditor. O LLM ganha quando os dados são linguagem. Escolher bem não é seguir a moda, é olhar para a forma daquilo que queres prever.
LLM vs machine learning: a pergunta está mal feita enquanto não olhares para os dados
Um modelo de linguagem é uma máquina extraordinária para ler, resumir, redigir e raciocinar sobre texto sem estrutura fixa. Um modelo clássico —uma árvore de decisão com boosting, uma regressão, um modelo de séries temporais— é uma máquina extraordinária para encontrar padrões em colunas: milhares de linhas com as mesmas variáveis e um resultado conhecido. Ferramentas diferentes para formas de dados diferentes, e a maioria dos erros de arquitetura nasce de usar a que está na moda na forma errada.
| Se o que tens é… | Costuma ganhar | Porquê |
|---|---|---|
| Uma tabela com histórico e resultado conhecido (vendas, incumprimentos, saídas) | Machine learning clássico | Aprende com os teus próprios casos, é barato de executar e estável |
| Texto livre: emails, contratos, tickets, notas de chamadas | LLM | Entende linguagem sem que alguém defina antes cada coluna |
| Documentos com formato caótico | LLM (muitas vezes com OCR) | Lê estrutura variável; o clássico precisa de um modelo fixo |
| Uma regra que cabe numa frase | Nem um nem outro: uma regra de negócio | O mais barato e explicável é não treinar nada |
Isto não é uma opinião de consultor. Em 2022, uma equipa de investigadores do Inria e da Sorbonne Université comparou modelos de árvores com redes profundas em 45 conjuntos de dados tabulares de dimensão média (na ordem das 10 000 linhas) e concluiu que as árvores continuavam a ser o estado da arte nesse terreno (Grinsztajn, Oyallon e Varoquaux, NeurIPS 2022). O estudo não testava LLM, mas a lição aplica-se: em dados tabulares, o modelo mais sofisticado não é o que prevê melhor.
Três trabalhos em que o modelo clássico ganha sem discussão
Previsão da procura
É a cena do início. Na competição de previsão M5 —42 840 séries de vendas diárias por unidade da Walmart—, a maioria das soluções que ficaram no topo apoiou-se no LightGBM, um modelo de árvores com boosting (Makridakis, Spiliotis e Assimakopoulos, International Journal of Forecasting, 2022). Nenhum vencedor pediu a um chatbot que lesse a tabela. Já existem modelos fundacionais específicos para séries temporais e vale a pena testá-los como termo de comparação; mas são outra família, não um assistente de texto onde colas um Excel.
Scoring e classificação de casos
Probabilidade de incumprimento, de um cliente sair, de um lead acabar por comprar, de uma fatura ser paga tarde. Tudo isso é classificação sobre colunas, o terreno natural dos modelos de árvores. Treinados com os teus casos fechados, dão-te uma probabilidade, o peso de cada variável por trás dela e a mesma resposta amanhã para o mesmo cliente.
Deteção de anomalias
Um pagamento que não bate com o padrão do fornecedor, um consumo que dispara, uma encomenda com uma margem impossível. Passar milhões de transações por um LLM é caro e lento. Um modelo estatístico ou de árvores fá-lo em milissegundos por linha e deixa ao LLM, quando muito, a tarefa de redigir o alerta para quem tem de decidir.
Onde ganha o LLM (e por muito)
O outro lado é igualmente claro. Um modelo clássico não lê um email de reclamação, não percebe que «o costume, mas sem a caixa grande» é uma encomenda, não extrai a cláusula penal de um contrato de quarenta páginas. Aí o LLM não compete: é a única opção razoável. Também ganha quando não tens histórico —um processo novo, sem casos fechados com que aprender— e quando o que precisas como resultado é linguagem: uma resposta, um resumo, um rascunho.
Por isso escolher modelo nunca é perguntar «qual é o melhor», mas para que tarefa. É a mesma lógica que aplicamos num sistema com agentes quando decidimos que modelo usar num agente conforme a tarefa, a latência e o custo por caso: quem lidera o ranking raramente é o que convém em cada passo.
O padrão que ganha em produção: o LLM transforma texto em colunas, o clássico decide
A versão madura deste debate não é escolher um lado. É encadear. O LLM lê o que não tem estrutura —o email do cliente, a guia de remessa digitalizada, a nota do comercial— e transforma-o em campos: motivo, montante, urgência, produto. Esses campos alimentam um modelo clássico que pontua, prevê ou deteta. E uma pessoa revê o que cai fora do corredor.
Cada peça faz o que sabe fazer melhor, e o sistema é auditável por troços: sabes o que o LLM leu, que colunas gerou e que variável pesou mais na decisão. Já vimos esse mesmo híbrido ao comparar OCR clássico e modelos multimodais para ler documentos: em produção ganha a combinação, não o empate técnico. E a fronteira daquilo que uma pessoa revê não se improvisa; desenha-se com os critérios de humano no circuito na automação com IA.
Quando a decisão afeta uma pessoa, explicar não é opcional
Há um argumento que não é técnico e que muitas vezes decide sozinho. Se o teu modelo pontua pessoas —crédito, recrutamento, preços, acesso a um serviço—, vais ter de explicar porquê. Na União Europeia, o Tribunal de Justiça decidiu em dezembro de 2023 que calcular uma pontuação de solvabilidade pode ser, em si, uma decisão automatizada nos termos do artigo 22.º do RGPD quando um terceiro se apoia nela de forma determinante (TJUE, processo C-634/21, SCHUFA, comunicado de imprensa). Isso traz deveres de transparência sobre a lógica aplicada.
Um modelo de árvores deixa-te apontar que variáveis mexeram na pontuação de cada caso. Um LLM consegue gerar uma explicação que soa razoável, mas isso não é o mesmo que a razão pela qual decidiu. Em qualquer decisão com consequências para uma pessoa, essa diferença é o que mantém de pé ou deita abaixo o teu sistema perante um regulador. E cada decisão deve ficar registada com o seu porquê: é exatamente o que resolve a rastreabilidade das decisões de IA.
Quando NÃO montar um modelo clássico
Contrariar a moda não é contrariá-la sempre. Um modelo clássico é má ideia nestes casos:
- Não tens histórico com resultado. Sem casos fechados não há nada com que aprender. Um LLM com boas instruções ou uma regra dão-te algo útil desde o primeiro dia; o modelo clássico, nada.
- Tens muito poucas linhas. Com umas dezenas de exemplos, qualquer padrão que o modelo encontre é ruído bem vestido.
- O processo muda todos os meses. Se as regras do negócio mudam mais depressa do que acumulas dados, o modelo vai andar sempre com o mapa do trimestre passado.
- Uma regra resolve. «Se a fatura passar de X e o fornecedor for novo, rever» não precisa de treino. É a opção mais barata, mais rápida e mais explicável das três.
Quatro perguntas antes de pedir orçamento
- O que quero prever cabe numa coluna com resposta conhecida no meu histórico?
- Quantos casos fechados tenho e quanto se parecem os de hoje com os de há dois anos?
- Alguém vai ter de explicar cada decisão a um cliente, a um auditor ou a um regulador?
- A minha entrada é uma tabela, um texto ou as duas coisas?
Se respondes «sim, muitos, sim, tabela», o projeto não é de IA generativa, e quem to vende como tal está a cobrar-te pela palavra da moda. Se respondes «não, poucos, não, texto», o LLM é a tua ferramenta. E se sair um pouco de tudo —o normal—, precisas de uma arquitetura que ponha cada modelo no seu lugar. Para ordenar por onde começar serve o guia sobre que processos automatizar com IA; para montar a peça inteira, com dados, modelos e supervisão, está o nosso serviço de infraestrutura de IA empresarial.
A IA não se escolhe pelo título. Escolhe-se pela forma dos dados. E às vezes a resposta mais moderna é um modelo de há dez anos, bem treinado com os teus números.