A edição de 2026 do Ai4 aconteceu em Las Vegas e reuniu mais de 12 mil participantes de 100 países, ultrapassou mil palestrantes e contou com mais de 400 expositores e patrocinadores, segundo o balanço publicado após o evento.
Antes dos três dias principais, a programação começou com a Applied AI Research Conference, organizada pela California State University em parceria com a Ai4 para aproximar pesquisa acadêmica e implementação empresarial. Nos dias seguintes, acompanhei 30 palestras. A proporção do evento chamou atenção e o conteúdo apontou os rumos da IA. O encontro mostrou que POCs e MVPs perderam espaço para discussões sobre o que já funciona, o que falhou e como sustentar a IA dentro da operação.
Visão geral do Ai4 2026
O Ai4 2026 mostrou um mercado concentrado em IA em produção. Os debates trataram de arquiteturas multimodelo, dados privados, modelos especializados, custo computacional, supervisão humana e controles contextuais. A escolha do modelo continua relevante, mas os resultados dependem cada vez mais da infraestrutura, da governança e da integração com processos reais de negócio.
O termo POC não se destacou nas palestras. A pauta se concentrou em implementações reais, aprendizados de produção e decisões necessárias para manter a IA operando com qualidade. Bancos como JPMorgan Chase e U.S. Bank tiveram presença relevante na agenda e levaram ao palco problemas concretos de escala, dados críticos e responsabilidade operacional.
A mudança também ficou visível entre os expositores. Enquanto em 2025 havia produtos genéricos para diversos problemas, este ano as plataformas tiveram recortes mais específicos, voltados ao grounding, aos guardrails, à governança ou a outras partes da arquitetura. Além disso, nesta edição houve uma presença maior de empresas de serviços.
Os forward-deployed engineers, ou FDEs, foram tratados como parte da estrutura necessária para conectar tecnologia, processo e contexto do cliente. Esse ponto importa porque a fase de produção depende de trabalho próximo à operação. Um agente de atendimento, por exemplo, precisa acessar dados atualizados, respeitar políticas, registrar ações, manter o tempo de resposta e operar dentro de um custo viável. A demonstração do modelo cobre apenas uma parte desse sistema.
Outra percepção recorrente foi a baixa disposição das empresas para depender de um único provedor, inclusive em geração de código. Custo variável, soberania, disponibilidade e uso de dados privados orientam, em conjunto, as decisões de arquitetura.
Modelos chineses de pesos abertos foram citados com frequência como alternativas econômicas para ambientes próprios, avaliadas ao lado dos modelos americanos conforme desempenho, custo e controle. Na prática, uma arquitetura multimodelo permite direcionar tarefas complexas a modelos de fronteira e rotinas de alto volume a recursos menores e mais econômicos.
Com isso, a empresa reduz a dependência de funcionalidades externas e ganha margem para substituir componentes, negociar custos e adaptar a solução. A arquitetura deve preservar o contexto, as regras e o conhecimento do negócio, mesmo quando o modelo utilizado muda.
Uma ideia apareceu em mais de uma palestra: quando o valor está nos dados privados da empresa, vale avaliar alternativas ao consumo exclusivo de modelos por API. A arquitetura pode combinar modelos de pesos abertos, small language models, fine-tuning, bases de conhecimento e grafos.
Em uma sessão do JPMorgan Chase, o uso isolado de embeddings foi questionado em sistemas críticos, nos quais as decisões também dependem das relações entre entidades, regras, eventos e permissões.
O termo AI Factory também ganhou presença, com ambientes capazes de executar modelos dentro da organização e converter parte do gasto variável com APIs em capacidade computacional planejada. A viabilidade dessa infraestrutura depende do volume de uso, do consumo de energia, da renovação de hardware e das equipes responsáveis pela manutenção.
A perda de espaço do tokenmaxxing reforça esse amadurecimento. O volume de tokens deixa de ser uma referência de qualidade, enquanto a relação entre custo, desempenho e impacto operacional orienta as decisões. Esse tema é aprofundado nos artigos Por que infraestrutura passou a definir o sucesso da IA nas empresas e Controle custo da IA com FinOps.
Human in the loop foi uma das expressões mais recorrentes do evento. A tendência combina agentes com maior autonomia para planejar e executar tarefas com intervenção humana em ações de impacto financeiro, regulatório, operacional ou reputacional. Esse desenho pede definições claras sobre aprovações, registros e mecanismos para interromper ou corrigir decisões.
Guardrails fixos têm alcance limitado, já que os agentes atuam em contextos que variam conforme o usuário, os dados, o sistema e a ação solicitada. Os controles precisam considerar fatores como identidade, permissões, limites financeiros, nível de confiança e possibilidade de reversão. Na segurança, casos de modelos que contornaram restrições foram tratados como problemas de engenharia, sandboxing e isolamento, direcionando a discussão para controles verificáveis.
Na MATH, um projeto com uma operação bancária mostrou o efeito dessa abordagem. Um ecossistema de agentes especializados, apoiado por regras de negócio e governança, reduziu o retrabalho em 88% e gerou ganhos de produtividade superiores a 40%. Mesmo com a restrição temporária de agentes mais autônomos, o framework continuou operando por meio de prompts guiados e preservou os resultados. O artigo Agentes de IA escalam produtividade com supervisão humana detalha os elementos necessários para organizar esse tipo de operação.
O keynote com Geoffrey Hinton, Fei-Fei Li e Andrew Ng reuniu visões diferentes sobre risco, consciência, modelos de pesos abertos, regulação e trabalho.
Em um dos momentos da conversa, Fei-Fei Li defendeu que a ciência voltasse ao debate sobre IA. A colocação ajuda a organizar também a discussão sobre empregos. Funções baseadas em trabalho intelectual rotineiro serão pressionadas, enquanto outras atividades serão ampliadas pelas ferramentas. Para as empresas, o caminho envolve mapear tarefas, redesenhar papéis e preparar as pessoas para assumir decisões de maior responsabilidade.
Upskilling apareceu com frequência nas palestras, mas a capacitação precisa estar ligada à operação. Treinar pessoas para usar uma interface produz pouco efeito quando a empresa ainda não definiu quais atividades serão delegadas, quais decisões continuarão humanas e como produtividade, qualidade e risco serão acompanhados.
O aumento de produtividade também não garante a distribuição automática de valor. A liderança precisa observar quem captura o ganho, como o trabalho é reorganizado e quais condições permitem transformar eficiência em desenvolvimento para a empresa e para as pessoas.
A principal leitura do Ai4 2026 é que a IA empresarial entrou em uma fase de engenharia operacional. A pergunta sobre qual modelo usar continua válida, mas precisa compartilhar espaço com outras decisões. Entre elas, quais dados sustentam o fluxo, quanto custa cada execução, onde existe dependência de fornecedor, quais ações precisam de aprovação humana e como o sistema será monitorado.
Para lideranças de negócios e tecnologia, o próximo passo é revisar os casos que já estão em produção. Cada iniciativa precisa ter um responsável, uma métrica de impacto, um custo conhecido, fontes de dados definidas e limites claros de autonomia. Esse diagnóstico mostra onde a IA gera valor e onde ainda é preciso fazer ajustes na arquitetura.
Se a sua empresa está ampliando o uso de IA, converse com a MATH para mapear arquitetura, dados, custos e critérios de governança antes de escalar novos agentes e modelos.