Não construa produtos de IA do jeito que todo mundo está fazendo
As APIs de LLM tornaram fácil lançar “produtos de IA”, mas muitos comentaristas argumentam que wrappers finos em cima do ChatGPT, sem dados, fluxo de trabalho ou insight de domínio únicos, são um beco sem saída. Eles defendem começar a partir de problemas reais dos usuários e do design tradicional de software, inserindo modelos estreitos e especializados apenas onde a IA é realmente necessária, ao mesmo tempo em que permanecem cautelosos com risco de plataforma, latência, custo e a tentação de superengenheirar toolchains personalizados cedo demais. Outros contra-argumentam que protótipos rápidos, mesmo derivados, ainda são valiosos para aprender limites, atrair usuários e iterar rumo a recursos genuinamente úteis aumentados por IA.
IA como Ferramenta vs. IA como o Negócio
- Muitos argumentam que o “verdadeiro segredo” é ter primeiro um negócio viável e depois usar IA para melhorá-lo (por exemplo, adicionando sumarização a um produto de e-mail já existente).
- Outros acham que alguns modelos só são viáveis por causa das reduções de custo impulsionadas por IA, então negócios centrados em IA podem fazer sentido, mas são mais arriscados.
- Vários comentários zombam de “startups de IA” genéricas, como dizer “somos uma startup de Python” ou “startup de web3”, sem um problema claro.
Risco de Plataforma & Envolver a OpenAI
- Há forte preocupação de que wrappers finos em cima da OpenAI não tenham fosso competitivo e possam ser facilmente derrubados ou copiados pela própria OpenAI ou por concorrentes.
- Alguns veem os primeiros “API wrappers” como uma fase aceitável de aprendizado e uma forma de ganhar experiência e usuários, mesmo que o primeiro produto seja depois desestruturado.
- A ênfase é que, se você não controla tanto a API quanto o cliente, na prática você está alugando e pode ser “despejado”.
Toolchains, Fine-tuning e Escolhas de Modelo
- O conselho do artigo de construir modelos especializados mais “código normal” é amplamente apreciado, mas alguns acham que construir compiladores/toolchains é exagero para muitas equipes.
- Há discordância sobre fine-tuning: alguns veem isso como diferenciação essencial; outros o consideram impraticável devido a dados confusos e preferem few-shot prompting, function calling e RAG.
- Há ceticismo de que equipes pequenas consigam manter modelos personalizados enquanto os modelos de fronteira melhoram rapidamente e potencialmente tornam obsoletos os trabalhos internos.
Estratégia de Produto: Primeiro o Problema vs. Primeiro a Tecnologia
- Há forte apoio a começar pelas necessidades do usuário, fluxos de trabalho e UX, em vez de “produto de IA” como categoria.
- Repetidamente, há um alerta contra construir “soluções em busca de um problema”, comparado a ondas anteriores de blockchain/web3.
- Alguns argumentam que construir muitos MVPs rápidos (mesmo orientados por tecnologia) ainda pode ser uma forma válida de tecnólogos descobrirem problemas reais.
Chatbots e Experiência do Usuário
- Muitos não gostam de chatbots de suporte, vendo-os como filtros que bloqueiam o acesso a humanos capacitados.
- Outros relatam boas experiências com certos bots (por exemplo, reembolsos em e-commerce, triagem interna) e esperam que os LLMs melhorem significativamente a UX de chat.
- Há amplo consenso de que bots só são valiosos quando realmente conseguem fazer coisas (alterar planos, emitir reembolsos), e não apenas recitar FAQs — mas isso entra em conflito com preocupações de segurança e prompt injection.
Latência, Desempenho e Trade-offs de MVP
- Há debate sobre se execuções de LLM que levam vários minutos são aceitáveis: tudo bem para fluxos de trabalho em background ou de handoff, muito lentas para loops interativos apertados.
- Alguns veem engenharia pesada inicial (compiladores personalizados, toolchains) como otimização prematura que atrasa o aprendizado com usuários; outros a consideram necessária para evitar wrappers “chatGPT” comoditizados e entediantes.
Dados, Privacidade e Self-Hosting
- Algumas empresas supostamente recusam produtos baseados na OpenAI, mas aceitam trabalhar com startups que prometem maior controle ou implantação on-prem.
- Outros argumentam que as preocupações com privacidade são exageradas, dado o amplo uso empresarial dos grandes SaaS em nuvem, e que hospedar de forma customizada raramente supera a OpenAI em custo, exceto em escala muito alta.
Ciclos de Hype e Diferenciação
- IA é frequentemente comparada a modas passadas como Kubernetes ou blockchain; os participantes discordam sobre o quão transformadora ela acabará sendo.
- O consenso é que a diferenciação precisa vir de algo difícil de copiar — insight profundo de fluxo de trabalho, dados, UX ou integração — e não apenas de “usamos LLMs”.