A Previsão em Mudança da Nuvem

Um Padrão que Eu Já Vi Antes

Eu estava trabalhando profissionalmente quando a nuvem se tornou uma coisa. A partir daquele ponto de vista, eu vi a adoção inicial: o entusiasmo, a flexibilidade, a sensação de que tudo iria se mover mais rápido. Isso levou a uma adoção maciça, onde cada carga de trabalho era um candidato e cada fornecedor tinha uma história de nuvem.

A adoção, no entanto, foi apenas a primeira metade do que eu observei. Em seguida, eu vi o outro lado: a repatriação. Empresas movendo cargas de trabalho específicas de volta, questionando se cada aplicativo realmente precisava de flexibilidade de nuvem. Esse segundo movimento aconteceu por uma razão. Com mudanças econômicas e maturidade da carga de trabalho, as suposições que fizeram da nuvem a escolha óbvia para literalmente tudo pararam de se sustentar assim que as organizações começaram a examiná-las em escala.

Ter vivido o arco completo uma vez, eu reconheço sua forma quando ele começa a se formar novamente. Agora, enquanto ajudo as empresas a descobrir o que a IA realmente deve estar fazendo em seus ambientes, o padrão de adoção/repatriação maciça está começando a parecer familiar.

A Correção da Nuvem

Para entender por que a semelhança é importante, ajuda começar com o que realmente aconteceu com a nuvem, em seus próprios termos. A mudança para a nuvem foi racional. Ela removeu atrito, deu às organizações flexibilidade e velocidade e fez sentido para cargas de trabalho que eram incertas ou em rápida mudança. Foi racional porque do tipo de trabalho para o qual foi construída. Equipes de DevOps foram para a nuvem em primeiro lugar porque a nuvem foi construída para trabalhos que são iterativos, variáveis ou difíceis de prever.

Mas a coisa que estavam construindo não ficou parada. A nuvem não mudou, mas as cargas de trabalho mudaram. À medida que os processos amadureciam e se tornavam previsíveis, as organizações se familiarizaram com os custos em torno de obter seus próprios dados de volta. Taxas de saída, custos de armazenamento, taxas de transferência: despesas que eram fáceis de ignorar quando a flexibilidade valia a pena, e difíceis de ignorar uma vez que as cargas de trabalho estabilizaram. Em 2024, após anos de cobrar por saída de dados, AWS, Azure e Google Cloud todos renunciaram a essas taxas para clientes que migravam para fora de suas plataformas, como relatado pela DataCenterDynamics.

Uma vez que esses custos estavam visíveis, a matemática parou de funcionar para uma parcela crescente do portfólio. A economia que havia tornado a nuvem uma boa estratégia com alguns contras se tornou economicamente inviável para um conjunto crescente de cargas de trabalho orientadas à IA. As empresas afiaram seus lápis e perguntaram se cada aplicativo realmente precisava do que a nuvem estava fornecendo. Quando realmente executaram os números, a resposta, para muitas cargas de trabalho, foi não.

Essas respostas acumuladas se tornaram uma correção que a indústria rotulou incorretamente. Essa correção veio a ser chamada de “repatriação de nuvem” e é descrita de forma errada a maior parte do tempo. Na verdade, é maturidade da carga de trabalho: empresas maduras aprendendo a combinar cada carga de trabalho com o modelo de infraestrutura que se ajusta a ela. Os dados apoiam a leitura seletiva em vez da leitura geral. A IDC encontrou que cerca de 80% das organizações esperam alguma repatriação nos próximos 12 meses, mesmo que menos de 10% tenham repatriado cargas de trabalho inteiras, de acordo com relatórios na CIO.com.

Ler corretamente, a conclusão não é que a nuvem foi um erro. A nuvem permanece valiosa, mas parou de ser universal. O estado maduro é híbrido: nuvem onde ela conquistou seu lugar, infraestrutura privada ou dedicada em todos os outros lugares.

Mesma Curva de Correção, Tecnologia Diferente

Esse arco está terminado e rotulado agora. A mesma forma está visivelmente começando com a IA. Cada fornecedor, cada conferência, cada ligação de vendas agora é sobre IA. A saturação é idêntica ao que eu observei acontecer com a nuvem. O gasto abaixo do barulho é real: a Gartner prevê gastos mundiais de IA geradora de $644 bilhões em 2025, um aumento de 76,4% em relação ao ano anterior.

A mesma saturação implica a mesma correção que está por vir. Acredito que uma correção semelhante está vindo, não porque a IA é ruim, mas porque a mesma dinâmica que produziu a repatriação de nuvem se aplica aqui também. Está vindo porque as organizações estão empurrando com força para fluxos de trabalho impulsionados por IA sem sempre saber, dentro de seus próprios ambientes, como a história termina. A lacuna entre adoção e maturidade é mensurável: a McKinsey descobre que 88% das organizações agora relatam uso regular de IA em pelo menos uma função, ainda que a maioria ainda esteja pilotando e apenas cerca de 39% relatam impacto de EBIT em nível de empresa.

Empurrar com força sem uma estratégia e o acerto de contas não é um talvez. Essa correção vem. Sempre vem. Você empurra com força sem uma estratégia, e eventualmente a economia e a realidade operacional forçam um acerto de contas.

Já há um nome para o padrão corretivo, e não é meu. A repatriação de IA, o ato de mover tarefas específicas de sistemas de IA probabilísticos e de volta para fluxos de trabalho determinísticos, uma vez que essas tarefas se tornam estáveis e repetíveis, não é um conceito que eu inventei. É um padrão que estou vendo se desenrolar. Não estou sozinho ao observá-lo: a Gartner prevê que mais de 40% dos projetos de IA agente serão cancelados até o final de 2027, citando custos crescentes, valor de negócios não claro e controles de risco inadequados.

O que a Correção de IA Parece

Para antecipar a correção, ajuda ter definições limpas para os dois tipos de fluxos de trabalho envolvidos.

Um fluxo de trabalho determinístico é baseado em regras, previsível e repetível. A mesma entrada e as mesmas regras produzem a mesma saída, sempre. É rápido, é fixo. Faz exatamente o que foi projetado para fazer, nada mais, nada menos. Um fluxo de trabalho probabilístico usa IA ou raciocínio baseado em modelo para interpretar contexto e produzir uma resposta provável. É útil quando os processos envolvem ambiguidade, informações não estruturadas ou julgamentos onde regras fixas se quebram e inferências carregam a carga.

Com as definições estabelecidas, a pergunta de tempo responde a si mesma. Fluxos de trabalho probabilísticos são frequentemente a ferramenta certa no início, quando os processos ainda não são completamente entendidos. Eles se tornam problemáticos quando as empresas continuam a usá-los quando os processos são esclarecidos.

Um fluxo de trabalho concreto torna essa distinção entre início e fim tangível. Parte desse fluxo de trabalho realmente requer IA. Identificar a conta certa a partir de uma transcrição de chamada, por exemplo, requer inferências que um sistema determinístico não pode fazer. Outras partes, anexar um arquivo a um registro ou postar uma notificação, são tarefas determinísticas. Uma regra fixa, uma chamada de API direta, é a mesma saída sempre. Estou culpado disso mesmo: estou construindo uma automação interna que combina transcrições de chamadas, encaminha informações para o nosso CRM, atribui itens de ação e envia atualizações para o Slack.

A tentação é executar tudo isso por meio da IA, e essa tentação carrega um fardo real e recorrente. Embora haja uma tentação de executar a chamada inteira por meio de chamadas mediadas por IA, cada chamada de IA introduz latência e carrega custos de uso e infraestrutura. Os sistemas de IA exigem monitoramento, gerenciamento de prompts e guardrails, porque o modelo subjacente está sendo constantemente (e imprevisivelmente) desenvolvido por seu proprietário. Você nunca sabe quando ele começará a se comportar de forma diferente; as saídas podem variar de maneiras que criam problemas de governança em escala, rapidamente.

Executado longe o suficiente, esse fardo se transforma em pura perda. Pense em uma empresa usando IA para analisar 50.000 bilhetes de suporte. A IA identifica os cinco caminhos de resolução mais comuns. No início, a IA lida com a rota probabilisticamente: lendo cada bilhete e fazendo um julgamento. Com o tempo, a empresa valida esses padrões. Os caminhos de resolução agora são conhecidos. Transformá-los em ramos de fluxo de trabalho determinístico não remove a IA do processo, mas remove a prática redundante de pagar à IA para redescobrir respostas que agora são conhecidas.

Essa é a taxa probabilística: o custo adicionado, a latência e o fardo de governança de executar a IA como o tempo de execução para o trabalho que não mais requer raciocínio probabilístico.

O que os Modelos de Operação Maduros Parecem

Se executar o trabalho resolvido na IA é um imposto, o movimento maduro é dividir o trabalho por tipo. A maturidade da nuvem produziu infraestrutura híbrida, nuvem onde ela conquistou seu lugar, infraestrutura dedicada em todos os outros lugares. Eu prevejo que a maturidade da IA produzirá operações híbridas com a mesma lógica.

Essa divisão produz uma regra de operação clara. Sistemas probabilísticos são valiosos onde existe ambiguidade genuína. Os seres humanos são ambíguos. Dados não estruturados são ambíguos. Processos que ainda não são completamente entendidos são ambíguos. A inferência é a ferramenta certa para tudo isso. A outra metade da regra é igualmente importante: sistemas determinísticos são onde a escala, o custo, a velocidade e a governança importam. A camada probabilística descobre e interpreta. A camada determinística executa.

No chão, dois sinais dizem a você a qual lado uma carga de trabalho dada pertence:

1. Se você encontrar sua equipe confiando na IA para algo que se tornou estável, repetível e bem entendido, essa é uma candidata à repatriação, pois você está pagando um imposto probabilístico sobre o trabalho determinístico.
2. Se você encontrar seu código determinístico enchendo com manipuladores de exceção e considerações de variabilidade, esse é um sinal de que você pode precisar de IA. O conjunto de regras está tentando aproximar a inferência.

Na prática, essa fronteira é desenhada como um limiar de confiança. Um limiar de confiança específico, comprometendo-se com uma decisão quando o modelo está acima de 90% de certeza, ou falhando de forma elegante abaixo disso, é frequentemente onde essa fronteira é desenhada na prática.

Isso reestrutura o que vencer com a IA realmente exige. As empresas mais bem-sucedidas que adotam a IA não serão aquelas que a usam mais, mas aquelas que sabem quando usá-la e quando suplementá-la.