The Bitter Lesson: o que vale customizar na IA da empresa?

Eu usaria The Bitter Lesson, de Richard Sutton, para fazer uma pergunta antes de aprovar mais customização de inteligência artificial: estamos construindo algo que o negócio precisa ou compensando uma dificuldade que o próximo modelo talvez resolva? Minha recomendação é testar periodicamente a retirada dessas compensações, preservando as regras do negócio e os controles de acesso.

O ensaio é de 13 de março de 2019. Esta é uma leitura feita em 25 de setembro de 2026, não o anúncio de uma pesquisa nova. Seu valor está na pergunta que leva para o orçamento: quanto estamos gastando para sustentar uma solução que já poderia ser mais simples?

Em uma frase

Eu manteria as customizações que protegem o negócio ou melhoram a entrega de forma demonstrável; as que só corrigem uma limitação antiga do modelo precisariam provar novamente seu valor.

Três decisões saem dessa leitura:

• Separar obrigação empresarial de tentativa de ensinar o modelo a resolver uma tarefa.
• Comparar o sistema atual com uma versão simplificada, usando os mesmos casos.
• Incluir manutenção e revisão humana na conta antes de decidir o que retirar.

Qual pergunta o ensaio de Sutton tenta responder?

Em The Bitter Lesson, disponível integralmente nesta cópia acadêmica, Richard Sutton examina por que certas abordagens avançam mais na pesquisa em IA. Sua tese é que métodos gerais capazes de aproveitar mais computação, especialmente busca e aprendizagem, tendem a superar soluções baseadas em conhecimento humano incorporado manualmente.

O argumento segue uma sequência: pesquisadores adicionam conhecimento específico, obtêm ganhos iniciais e investem nessa direção. Depois, métodos que aproveitam melhor o crescimento da capacidade computacional ultrapassam essas soluções. Sutton usa xadrez, Go, reconhecimento de fala e visão computacional como exemplos históricos.

A parte amarga está no apego ao trabalho feito: ver uma abordagem mais geral vencer também significa reconhecer os limites de uma solução que parecia inteligente. Trata-se de um ensaio interpretativo, sem amostra experimental nova ou cálculo de retorno empresarial. A aplicação ao orçamento de uma empresa, que proponho aqui, é minha extrapolação.

Quem é Richard Sutton?

Sutton é um dos pesquisadores que estabeleceram os fundamentos da aprendizagem por reforço, na qual um sistema aprende com as consequências de suas ações. Ele e Andrew Barto receberam o Prêmio Turing de 2024 por essas contribuições, anunciado pela ACM em 2025.

Essa trajetória ajuda a entender sua preferência por métodos que aprendem. Eu considero a perspectiva valiosa, mas o reconhecimento do autor não transforma toda aplicação de sua tese em uma boa decisão empresarial.

O AlphaZero ajuda a entender essa ideia?

O relato original da DeepMind sobre o AlphaZero, publicado em dezembro de 2018, descreve um sistema que aprendeu xadrez, shogi e Go por partidas contra si mesmo, partindo das regras dos jogos. Uma rede neural ajudava a orientar a busca por jogadas.

Isso mostra uma diferença concreta entre programar a estratégia que um especialista conhece e construir um processo que aprende estratégias. Mas não significa ausência de engenharia: existiam regras, arquitetura, infraestrutura e um objetivo definido. Também não prova que uma empresa deva deixar um agente aprender livremente com clientes reais.

A fonte é a equipe responsável pelo sistema, com interesse em apresentar seu avanço. Os resultados pertencem aos jogos e às condições avaliadas. Eu aproveitaria a distinção entre regra e estratégia; não transportaria a vitória no tabuleiro diretamente para uma promessa de produtividade no escritório.

Há evidência além dos exemplos famosos?

Um estudo de Mojtaba Yousefi e Jack Collins, disponibilizado como preprint no arXiv em outubro de 2024, examinou títulos e resumos de trabalhos da conferência de visão computacional CVPR. Os autores descrevem uma amostra aleatória de 200 trabalhos por ano e usam modelos de linguagem para avaliar alinhamento com os princípios de Sutton.

O estudo relata uma tendência de maior alinhamento ao longo do período analisado. É uma fonte de contexto interessante, mas sua medida depende da classificação feita pelos modelos e do conteúdo dos resumos. Os próprios autores apontam a ausência de uma avaliação humana de referência. A análise não equivale a reproduzir todos os experimentos dos artigos. Citações acadêmicas também não medem economia dentro de uma empresa.

Eu leio esse trabalho como investigação sobre a direção de um campo de pesquisa. Ele não fornece um prazo para aposentar uma customização específica, nem uma porcentagem de economia que eu possa colocar numa proposta comercial.

O que muda quando saímos do laboratório e entramos na empresa?

Pense numa equipe que usa IA para preparar propostas comerciais. Este é um exemplo hipotético. Ao longo dos meses, ela acrescentou instruções sobre formato, lembretes repetidos, exceções para corrigir erros e etapas intermediárias para conferir respostas.

Quando um modelo novo chega, a equipe conecta tudo ao modelo e mantém o restante. Funciona o suficiente para seguir. Ninguém sabe, porém, quais partes continuam necessárias. O sistema acumulou trabalho de manutenção sem uma revisão de finalidade.

Eu começaria perguntando por que cada peça existe. A resposta costuma mudar completamente a decisão:

• Obrigação: impedir acesso a documentos de outro cliente, respeitar limites de desconto ou exigir aprovação antes de enviar uma proposta. Continua necessária mesmo com um modelo melhor.
• Contexto: tabela de preços vigente, condições do contrato e características do cliente. O modelo precisa receber informação correta; capacidade geral não adivinha a realidade da empresa.
• Compensação temporária: repetir uma instrução várias vezes ou dividir uma tarefa porque uma versão antiga falhava. É candidata a teste de simplificação.

Essa divisão é uma proposta minha para gestão. Não aparece como método empresarial no ensaio. Ela evita que uma discussão abstrata sobre o futuro da IA termine com alguém retirando justamente a autorização que protegia o cliente.

Uma metáfora: o desvio que virou caminho obrigatório

Eu penso nessas compensações como o desvio usado enquanto uma rua está em obras. Ele tem uma função real. Quando a rua reabre, vale conferir se continuar dando a volta ainda faz sentido. A placa de pare e o limite de velocidade, porém, continuam valendo.

A comparação termina aí: num sistema de IA, nem sempre aparece um aviso claro de que o problema foi resolvido. A equipe precisa testar, e um acerto isolado não garante que a dificuldade desapareceu.

Minha análise: o que merece continuar no orçamento?

Eu desconfio tanto da customização eterna quanto da promessa de que basta trocar o modelo. Há processos em que uma rotina determinística, com regras explícitas, resolve o problema de forma barata e previsível. Colocar IA ali pode aumentar o custo sem melhorar nada.

Também há conhecimento que vale preservar porque é particular da empresa: como avaliar um fornecedor, quais condições tornam uma proposta inviável e quais documentos sustentam uma decisão. Esse patrimônio pode sobreviver à troca de ferramenta se estiver organizado fora de um emaranhado de instruções.

Meu critério seria perguntar: se amanhã eu mudasse de modelo, o que ainda teria utilidade? Casos de teste bem escolhidos, critérios de qualidade e dados confiáveis provavelmente continuariam relevantes. Uma sequência longa de truques para evitar um erro de determinada versão precisaria de nova avaliação.

Isso conversa com a decisão de como escolher o modelo de IA certo. A comparação fica incompleta quando se mede apenas a resposta do modelo e se ignora o trabalho necessário para fazê-la chegar ao padrão exigido.

Como testar uma simplificação na próxima semana?

Eu escolheria uma única tarefa interna, com saída revisável e sem envio automático a clientes. Separaria casos comuns, exceções e exemplos em que o sistema já falhou. Quem avalia precisaria conhecer os critérios antes de ver as respostas.

Depois, compararia a configuração atual com uma segunda versão que retira apenas uma compensação temporária. Dados, permissões, modelo e casos permaneceriam iguais. Assim, a equipe consegue atribuir a diferença à mudança testada, em vez de alterar tudo de uma vez.

Na avaliação, registraria respostas aceitas, erros relevantes, tempo de revisão e custo total. Se um erro importante reaparecesse, restauraria a configuração anterior e guardaria o caso no conjunto de testes. Uma simplificação rejeitada também ensina: mostra qual proteção ainda tem função.

Para uma conta ilustrativa, suponha que manter a etapa atual custe R$ 2.000 por mês, entre processamento e manutenção. Retirá-la exigiria R$ 3.000 de trabalho inicial, mas acrescentaria R$ 500 mensais de revisão. A economia líquida hipotética seria de R$ 1.500 por mês; o investimento inicial seria recuperado em dois meses, se o volume e a qualidade permanecessem iguais.

Esses valores são inventados para explicar o cálculo, não resultado de um cliente. Se o retrabalho adicional chegasse a R$ 2.500 mensais, a retirada pioraria a conta. É a mesma disciplina que proponho ao testar um modelo de IA mais barato: incluir o trabalho que reaparece depois da resposta.

Minha condição para avançar seria simples: qualidade aceitável nos casos avaliados, nenhuma perda dos controles obrigatórios e redução de custo ou manutenção que compense o esforço de mudança. Eu começaria com um piloto reversível, sem declarar que uma semana demonstra o comportamento em todos os cenários.

Perguntas rápidas

O que é The Bitter Lesson?

É um ensaio de Richard Sutton, publicado em 2019, sobre a história da pesquisa em inteligência artificial. Ele defende a força de métodos gerais que aproveitam computação por busca e aprendizagem. Não é um manual de implantação empresarial.

A empresa deve eliminar suas regras para usar IA?

Não. Permissões, preços, obrigações e critérios de aprovação pertencem ao negócio. Minha proposta é revisar compensações técnicas antigas, mantendo os controles e verificando se a simplificação preserva a qualidade.

Um modelo melhor torna a customização inútil?

Não automaticamente. A customização pode fornecer contexto próprio da empresa ou melhorar uma tarefa específica. Seu valor precisa aparecer na comparação entre configurações, incluindo manutenção e revisão humana.

Vale ler o texto original inteiro?

Sim, especialmente para quem decide investimentos em tecnologia. É curto e provoca uma boa discussão sobre onde concentrar esforço. Eu o leria como argumento sobre pesquisa e manteria separada a decisão econômica da empresa.

Fontes e data de corte

Pesquisa e verificação feitas em 25 de setembro de 2026. Li a íntegra do ensaio na cópia acadêmica indicada, pois o site original não respondeu à consulta. As duas fontes de contexto são o relato da equipe do AlphaZero e o estudo sobre publicações da CVPR, vinculados nas respectivas seções. Nenhuma delas demonstra o retorno financeiro do exemplo hipotético deste artigo.

Eu levaria essa discussão para a próxima reunião de tecnologia: escolher uma customização e pedir a evidência de que ela ainda merece existir. Para aprofundar decisões como essa com sua liderança, conheça minhas palestras sobre inteligência artificial. Para acompanhar minhas próximas análises, assine a newsletter no Substack.