A inteligência artificial já aparece em 21% das tarefas realizadas em um emprego típico, segundo o AI & Economy ATLAS, estudo contínuo do Google que analisa, de forma anonimizada, como as pessoas usam a tecnologia. À medida que os modelos de IA avançam e se aproximam em capacidade, empresas também passaram a disputar outro elemento: o acesso ao contexto necessário para executar tarefas.Na prática, esse contexto pode estar em planilhas, apresentações, contratos, e-mails e outros documentos usados no dia a dia.Imagine uma tarefa simples como resumir uma reunião e preparar o próximo contato com um cliente. Antes de fazer a pergunta à IA, o usuário pode precisar localizar a ata, encontrar informações sobre o cliente, procurar documentos relacionados e explicar novamente os padrões de comunicação da empresa.O tempo gasto nessas etapas não costuma aparecer em comparações entre modelos, que normalmente avaliam fatores como qualidade das respostas, capacidade de raciocínio e desempenho em benchmarks.Conheça o MBA em IA para Negócios e veja como se preparar para liderar projetos de inteligência artificial.O modelo continua importante, mas não é a única variávelA comparação entre modelos permanece relevante. Sistemas com maior capacidade de raciocínio ou melhor desempenho em determinadas tarefas podem produzir resultados diferentes.No trabalho cotidiano, porém, parte do resultado também depende das informações disponíveis para a ferramenta. Em tarefas como resumir uma ata, comparar fornecedores, preparar um follow-up ou analisar uma apresentação comercial, o modelo precisa não apenas processar a solicitação, mas também identificar quais informações devem ser consideradas.Esse contexto pode incluir o histórico de um cliente, documentos internos, padrões de linguagem e informações sobre processos da empresa.É nesse ponto que as integrações com serviços de armazenamento e ferramentas de trabalho ganham importância. Quanto menos etapas forem necessárias para localizar, exportar e enviar um documento, menor tende a ser o trabalho de preparação da tarefa.O efeito pode ser relevante sobretudo em atividades nas quais a preparação consome mais tempo do que a própria análise. Se uma tarefa exige dez minutos para reunir informações e dois minutos para analisá-las, reduzir as etapas de preparação pode ter impacto maior sobre o tempo total do que uma pequena melhora na qualidade da resposta.Isso não significa, porém, que uma ferramenta com mais integrações necessariamente produza resultados melhores. O acesso a documentos também envolve questões de segurança, permissões, políticas corporativas e custo.Internet e documentos internos são problemas diferentesO tipo de informação necessária também influencia a escolha da ferramenta.Para descobrir quanto um concorrente cobra, por exemplo, é necessário localizar informações públicas, comparar fontes e verificar a origem dos dados. Nesse tipo de tarefa, ferramentas voltadas à pesquisa na internet, como Perplexity e recursos de pesquisa aprofundada do ChatGPT, podem ser mais adequadas.Já uma análise sobre a queda da margem de um contrato pode depender de informações que estão em documentos internos, como contratos, planilhas, apresentações e e-mails. Nesse cenário, ferramentas capazes de trabalhar diretamente com esse material, como NotebookLM, ChatGPT e Claude, podem ser utilizadas de outra maneira.A diferença não está necessariamente apenas no modelo utilizado, mas também nas fontes às quais ele consegue ter acesso durante a execução da tarefa.O custo vai além da licençaPara empresas, a avaliação de uma ferramenta de IA envolve outros fatores além do preço da assinatura.Treinamento, integração com sistemas existentes, segurança, governança e tempo de trabalho são alguns dos componentes que podem entrar nessa conta. Uma ferramenta mais cara pode fazer sentido se reduzir uma quantidade significativa de trabalho manual. Da mesma forma, contratar várias plataformas pode limitar parte do ganho caso os funcionários precisem transferir informações entre sistemas.Por isso, além de comparar capacidades técnicas, empresas podem considerar métricas como tempo economizado, frequência de uso, custo de implementação e impacto sobre os processos internos.O efeito do acúmulo de contextoHá ainda uma consequência de longo prazo. À medida que uma equipe passa a utilizar uma determinada plataforma, documentos, históricos, instruções e fluxos de trabalho podem ficar associados àquele ambiente.Isso pode aumentar a utilidade da ferramenta para determinadas tarefas, mas também pode tornar uma eventual mudança de plataforma mais complexa. O custo dessa troca pode envolver migração de dados, adaptação dos funcionários e reconstrução de processos.Esse movimento ajuda a explicar por que o acesso a documentos e ferramentas de trabalho se tornou parte da competição entre empresas de IA. Além de desenvolver modelos mais capazes, as companhias têm ampliado as integrações com ambientes nos quais os usuários já trabalham.Felipe Matos, CEO da 10K Digital e especialista em IA, afirma que ainda existe uma distância entre ter acesso à tecnologia e incorporá-la aos processos de trabalho.Para ele, o uso dessas ferramentas não precisa se limitar à substituição de atividades humanas. “A tecnologia também pode abrir espaço para aquilo que depende essencialmente das pessoas: trocar ideias, tomar decisões em conjunto, construir relações, negociar, criar e resolver problemas mais complexos.”Nesse cenário, a discussão sobre qual é a melhor IA pode envolver mais do que a capacidade do modelo. O acesso ao contexto, a integração com as ferramentas usadas no trabalho e o tempo necessário para preparar cada tarefa também entram na avaliação.The post Na corrida da IA, o contexto dos arquivos ganha espaço na disputa entre ferramentas appeared first on InfoMoney.