Em 2025, os Copilotos de GenAI Emergerão como o Aplicativo Killer que Transforma os Negócios e a Gestão de Dados

Toda revolução tecnológica tem um momento definidor quando um caso de uso específico impulsiona a tecnologia para a adoção generalizada. Esse momento chegou para a inteligência artificial generativa (GenAI) com a rápida disseminação dos copilotos.

A GenAI como tecnologia deu passos significativos nos últimos anos. No entanto, apesar de todos os títulos e hype, sua adoção pelas empresas ainda está nos estágios iniciais. A pesquisa de 2024 do Gartner com CIOs e executivos de tecnologia coloca a adoção em apenas 9% dos entrevistados, com 34% dizendo que planejam fazer isso no próximo ano. Uma pesquisa recente do Enterprise Strategy Group coloca a adoção da GenAI em 30%. Mas as pesquisas todas chegam à mesma conclusão sobre 2025.

Previsão 1. A Maioria das Empresas Usará GenAI em Produção até o Fim de 2025

A adoção da GenAI é vista como crítica para melhorar a produtividade e a lucratividade e se tornou uma prioridade para a maioria das empresas. Mas isso significa que as empresas devem superar os desafios experimentados até agora nos projetos de GenAI, incluindo:

• Pobre qualidade de dados: A GenAI acaba sendo tão boa quanto os dados que ela usa, e muitas empresas ainda não confiam nos seus dados. A qualidade dos dados, juntamente com dados incompletos ou tendenciosos, todos foram problemas que levaram a resultados ruins.
• Custos da GenAI: treinar modelos de GenAI como o ChatGPT foi feito principalmente apenas pelas melhores equipes de GenAI e custa milhões em poder de computação. Então, as pessoas têm usado uma técnica chamada geração aumentada de recuperação (RAG). Mas mesmo com a RAG, rapidamente se torna caro acessar e preparar dados e reunir os especialistas necessários para ter sucesso.
• Conjuntos de habilidades limitados: Muitos dos primeiros deploys da GenAI exigiram muito codificação por um pequeno grupo de especialistas em GenAI. Embora esse grupo esteja crescendo, ainda há uma escassez real.
• Alucinações: A GenAI não é perfeita. Ela pode alucinar e dar respostas erradas quando acha que está certa. Você precisa de uma estratégia para prevenir respostas erradas de impactar seu negócio.
• Segurança de dados: A GenAI expôs dados às pessoas erradas porque foi usada para treinamento, fine-tuning ou RAG. Você precisa implementar medidas de segurança para proteger contra essas vazamentos.

Felizmente, a indústria de software tem lidado com esses desafios nos últimos anos. 2025 parece ser o ano em que vários desses desafios começam a ser resolvidos, e a GenAI se torna mainstream.

Previsão 2. Copilotos RAG Modulares se Tornarão o Uso Mais Comum da GenAI

O uso mais comum da GenAI é criar assistentes, ou copilotos, que ajudam as pessoas a encontrar informações mais rapidamente. Os copilotos são normalmente construídos usando pipelines RAG. RAG é o Caminho. É a forma mais comum de usar a GenAI. Porque os Grandes Modelos de Linguagem (LLM) são modelos de propósito geral que não têm todos ou mesmo os dados mais recentes, você precisa aumentar as consultas, caso contrário conhecidas como prompts, para obter uma resposta mais precisa.
Os copilotos ajudam os trabalhadores do conhecimento a serem mais produtivos, abordam questões anteriormente inrespondíveis e fornecem orientação de especialista, enquanto às vezes também executam tarefas rotineiras. Talvez o caso de uso de copiloto mais bem-sucedido até agora seja como eles ajudam os desenvolvedores de software a codificar ou modernizar o código legado.
Mas os copilotos devem ter um impacto maior quando usados fora da TI. Exemplos incluem:

• No atendimento ao cliente, os copilotos podem receber uma consulta de suporte e escalonar para um ser humano para intervenção ou fornecer uma resolução para consultas simples, como redefinição de senha ou acesso à conta, resultando em pontuações de satisfação do cliente mais altas.
• Na fabricação, os copilotos podem ajudar os técnicos a diagnosticar e recomendar ações ou reparos específicos para máquinas complexas, reduzindo o tempo de inatividade.
• Na saúde, os clínicos podem usar copilotos para acessar o histórico do paciente e a pesquisa relevante e ajudar a orientar o diagnóstico e o cuidado clínico, o que melhora a eficiência e os resultados clínicos.

As pipelines RAG funcionaram mais ou menos da mesma maneira. O primeiro passo é carregar uma base de conhecimento em um banco de dados de vetores. Sempre que uma pessoa faz uma pergunta, uma pipeline RAG da GenAI é invocada. Ela reengenha a pergunta em um prompt, consulta o banco de dados de vetores codificando o prompt para encontrar as informações mais relevantes, invoca um LLM com o prompt usando as informações recuperadas como contexto, avalia e formata os resultados e os exibe ao usuário.
Mas acaba que você não pode apoiar todos os copilotos igualmente bem com uma única pipeline RAG. Então, a RAG evoluiu para uma arquitetura mais modular chamada RAG modular, onde você pode usar diferentes módulos para cada um dos muitos passos envolvidos:

• Indexação, incluindo chunking e organização de dados
• Pré-recuperação, incluindo engenharia e otimização de prompt
• Recuperação com fine-tuning do recuperador e outras técnicas
• Pós-recuperação, reclassificação e seleção
• Geração com fine-tuning do gerador, usando e comparando vários LLMs e verificação
• Orquestração que gerencia esse processo e o torna iterativo para ajudar a obter os melhores resultados

Você precisará implementar uma arquitetura RAG modular para apoiar vários copilotos.

Previsão 3. Ferramentas de GenAI de Baixo Código/sem Código se Tornarão o Caminho

Agora, você pode perceber que a GenAI RAG é muito complexa e rapidamente mudando. Não é apenas que as melhores práticas novas estão surgindo constantemente. Toda a tecnologia envolvida nas pipelines da GenAI está mudando tão rápido que você acabará precisando substituir algumas delas ou apoiar várias. Além disso, a GenAI não é apenas sobre RAG modular. A Fine-Tuning Aumentada de Recuperação (RAFT) e o treinamento completo de modelos estão se tornando rentáveis também. Sua arquitetura precisará apoiar todas essas mudanças e esconder a complexidade dos seus engenheiros.
Felizmente, as melhores ferramentas de GenAI de baixo código/sem código fornecem essa arquitetura. Elas estão constantemente adicionando suporte para fontes de dados líderes, bancos de dados de vetores e LLMs, e tornando possível construir pipelines RAG modulares ou alimentar dados em LLMs para fine-tuning ou treinamento. As empresas estão usando com sucesso essas ferramentas para implantar copilotos usando seus recursos internos.
A Nexla não usa apenas a GenAI para tornar a integração mais simples. Ela inclui uma arquitetura de pipeline RAG modular com chunking de dados avançado, engenharia de consulta, reclassificação e seleção, suporte a vários LLMs com classificação e seleção de resultados, orquestração e mais – tudo configurado sem codificação.

Previsão 4. A Linha entre Copilotos e Agentes se Tornará Nebulosa

Os copilotos da GenAI, como os chatbots, são agentes que apoiam as pessoas. No final, as pessoas tomam a decisão sobre o que fazer com os resultados gerados. Mas os agentes da GenAI podem automatizar completamente respostas sem envolver as pessoas. Esses são frequentemente referidos como agentes ou IA agêntica.

Algumas pessoas veem esses como duas abordagens separadas. Mas a realidade é mais complicada. Os copilotos já estão começando a automatizar algumas tarefas básicas, opcionalmente permitindo que os usuários confirmem ações e automatizem os passos necessários para completá-las.

Espere que os copilotos evoluam ao longo do tempo em uma combinação de copilotos e agentes. Assim como as aplicações ajudam a reengenharia e a tornar mais eficientes os processos de negócios, os assistentes também devem começar a ser usados para automatizar etapas intermediárias das tarefas que eles apoiam. Os agentes baseados em GenAI também devem incluir as pessoas para lidar com exceções ou aprovar um plano gerado usando um LLM.

Previsão 5. A GenAI Impulsionará a Adoção de Tecidos de Dados, Produtos de Dados e Padrões de Dados Abertos

A GenAI deve ser o maior impulsionador de mudanças na TI nos próximos anos, pois a TI precisará se adaptar para permitir que as empresas realizem todos os benefícios da GenAI.

Como parte dos Ciclos de Hype do Gartner para Gerenciamento de Dados, 2024, o Gartner identificou 3, e apenas 3 tecnologias como transformacionais para o gerenciamento de dados e para as organizações que dependem dos dados: Tecidos de Dados, Produtos de Dados e Formatos de Tabela Abertos. Todos os 3 ajudam a tornar os dados muito mais acessíveis para uso com a GenAI, pois tornam mais fácil para os dados serem usados por essas novas ferramentas da GenAI.

A Nexla implementou uma arquitetura de produto de dados construída em um tecido de dados por esse motivo. O tecido de dados fornece uma camada unificada para gerenciar todos os dados da mesma maneira, independentemente das diferenças em formatos, velocidades ou protocolos de acesso. Os produtos de dados são então criados para apoiar necessidades de dados específicas, como para RAG.

Por exemplo, uma grande empresa de serviços financeiros está implementando a GenAI para melhorar a gestão de riscos. Eles estão usando a Nexla para criar um tecido de dados unificado. A Nexla detecta automaticamente o esquema e gera conectores e produtos de dados. A empresa então define produtos de dados para métricas de risco específicas que agregam, limpam e transformam os dados no formato certo como entradas para implementar agentes RAG para relatórios regulamentares dinâmicos. A Nexla fornece os controles de governança de dados, incluindo linhagem de dados e controles de acesso, para garantir a conformidade regulamentar. Nossa plataforma de integração para análise, operações, B2B e GenAI é implementada em uma arquitetura de tecido de dados, onde a GenAI é usada para criar conectores, produtos de dados e fluxos de trabalho reutilizáveis. O suporte a padrões de dados abertos, como o Apache Iceberg, torna mais fácil acessar mais e mais dados.

Como Pilotar Seu Caminho em Direção à IA Agêntica

Então, como você deve se preparar para tornar a GenAI mainstream em sua empresa com base nessas previsões?
Primeiro, se você ainda não o fez, comece com seu primeiro assistente RAG da GenAI para seus clientes ou funcionários. Identifique um caso de uso importante e relativamente simples onde você já tem a base de conhecimento certa para ter sucesso.

Em segundo lugar, certifique-se de ter uma pequena equipe de especialistas em GenAI que possam ajudar a colocar a arquitetura RAG modular certa, com as ferramentas de integração certas no lugar para apoiar seus primeiros projetos. Não tenha medo de avaliar novos fornecedores com ferramentas de baixo código/sem código.

Terceiro, comece a identificar aquelas práticas de gerenciamento de dados que você precisará para ter sucesso. Isso não envolve apenas um tecido de dados e conceitos como produtos de dados. Você também precisa governar seus dados para a IA.

O momento é agora. 2025 é o ano em que a maioria terá sucesso. Não fique para trás.