Recentemente, Portugal deu um passo histórico na sua soberania tecnológica com o lançamento da versão de código aberto do Amália (Assistente Multimodal Automático de Linguagem com Inteligência Artificial). Termos um grande modelo de linguagem desenvolvido de raiz para o português de Portugal, que respeita a nossa matriz cultural, é um marco inegável. O entusiasmo inicial é justificado, mas, passada a euforia, impõe-se uma reflexão mais profunda: o que significa isto, na prática, para o nosso tecido empresarial?
Existe uma perceção perigosa de que a Inteligência Artificial é uma espécie de magia de "aceder/ligar e usar". É comum pensar que basta ter acesso a uma janela de chat para revolucionar uma organização. A realidade que enfrentamos na prática em algoritmos generativos é bem diferente, em que a IA, apesar de ser o core deste sistema, não é um produto final em si, mas sim insere-se dentro de uma infraestrutura complexa que exige competências profundas, rigor arquitetónico e escolhas difíceis. Isto traduz-se em sistemas complexos, exigentes computacionalmente, e múltiplas vezes impossíveis de serem desenvolvidos com a qualidade desejada face ao presente estado da arte dos algoritmos e técnicas existentes, a não ser que sejam investidos uma grande quantidade de recursos (monetários e tempo) na investigação e inovação.
Para além do "motor": onde a IA realmente transforma o negócio
Numa linguagem simples, um LLM (Grande Modelo de Linguagem) é apenas o motor cognitivo da IA, capaz de processar padrões matemáticos e prever estruturas linguísticas com elevada destreza. Mas um motor, por si só, não leva um carro a lado nenhum sem um chassi, uma direção e travões. O verdadeiro potencial desta tecnologia só é desbloqueado quando a integramos em fluxos de trabalho estratégicos. Esta integração pode ocorrer a diversos níveis através da aplicação de diversas técnicas, tais como:
1. RAG (Retrieval-Augmented Generation): Um LLM genérico, quando não sabe a resposta, tende a inventar (alucinar) com extrema convicção. Num contexto de negócio, isto é catastrófico.
Exemplo: Num departamento jurídico de uma empresa, se usarem um modelo genérico para analisar um contrato, correm o risco de obter uma interpretação jurídica inventada. Com uma arquitetura RAG, retiramos a "imaginação" à IA e ligamo-la exclusivamente à base de conhecimento interna da empresa (documentos legais, histórico de contratos), onde o modelo passa a atuar como um leitor que extrai a resposta dos documentos da própria organização, referenciando a fonte, e garantindo a integridade da informação.
2. Agentes Autónomos: A verdadeira revolução acontece quando deixamos de ter um assistente que apenas responde a perguntas (passivo) e passamos a ter agentes de IA (ativos) capacitados para interagir com o ambiente externo através do uso de ferramentas (ex.: capacidade de executar código Python).
Exemplo: Em vez de um gestor perguntar à IA "qual é o nível de stock do produto X?", um Agente de IA integrado no ambiente da empresa consegue entrar autonomamente no sistema ERP, verificar que o stock está baixo, cruzar essa informação com os prazos de entrega do fornecedor via API, e preparar uma nota de encomenda, ficando apenas a aguardar a aprovação final (o guardrail humano) para a enviar.
Nem sempre o maior é o melhor: a importância da especialização e da soberania
Com lançamentos quase semanais de novos modelos pelas gigantes tecnológicas, instalou-se a ideia de que "maior é sempre melhor". Muitas vezes, um modelo mais pequeno, mas altamente especializado num domínio (como o financeiro ou médico), resolve um problema de forma mais rápida e eficiente do que um modelo gigante generalista. Mais importante ainda: a adoção de modelos open-source permite às organizações executar a IA nos seus próprios servidores locais (on-premises). Para hospitais, bancos ou instituições governamentais, esta não é apenas uma opção; é a única via aceitável para garantir que dados confidenciais nunca sejam expostos a clouds de terceiros. O Amália é um modelo que se destaca nestas dimensões, sendo altamente especializado na língua portuguesa de Portugal e em pequena escala (9 mil milhões de parâmetros — por incrível que pareça, este número é relativamente pequeno no mundo dos modelos generativos). Em comparação, o modelo mais recente do deepseek open-source contém 862 mil milhões de parâmetros); e, por fim, em consequência do número relativamente pequeno de parâmetros do modelo, e pela sua disponibilização open-source deste modelo, ele pode correr nos servidores dos clientes garantindo a privacidade e segurança de dados sensíveis.
A ciência por detrás da prática
A aplicação destes ecossistemas traduz-se em engenharia e investigação rigorosa. O trabalho que temos vindo a desenvolver e contribuir cientificamente prova que o sucesso destas implementações exige uma orquestração cuidadosa (Figura 1):
.png)
Sistema Multi-Agente aplicado no estudo FILLM
- Identificação de Tarefas com o ARGUS [1]: Muitas vezes, o negócio sabe o que quer resolver, mas não sabe como e que direção seguir. Desenvolvemos um sistema em que a IA analisa o objetivo de negócio (ex.: Desenvolver um modelo preditivo para calcular a probabilidade de mortalidade de um passageiro no desastre do Titanic, quantificando o impacto direto de fatores socioeconómicos) e deduz automaticamente qual o problema de Machine Learning a aplicar (ex.: classificação binária). Isto poupa tempo crítico e alinha a tecnologia às expectativas reais da empresa.
- Otimização Automática de Prompts [2]: A forma como instruímos a IA pode mudar drasticamente o resultado. Através de algoritmos evolutivos (ex.: NSGA-II), criámos um framework que descobre a configuração perfeita de comunicação com o LLM, equilibrando a precisão máxima com o menor custo e tempo de computação.
- Agentes de Limpeza de Dados (FILLM): Os dados reais estão cheios de valores omissos. Em vez de limparmos bases de dados manualmente, construímos um ecossistema multi-agente que pesquisa autonomamente estratégias de resolução na web (ex.: substituir o valor em falta pela média da coluna), testa hipóteses, gera código e corrige os dados. É a prova de que a IA pode orquestrar fluxos complexos de tentativa-erro.
Nota importante: Estes sistemas não automatizam o trabalho de Ciência de Dados por si só. Estas são ferramentas complexas com um TRL baixo que visam extrair insights cruciais e estudar a viabilidade destes sistemas, mas exigem fluxos de trabalho complexos, desenvolvimento de ferramentas à medida, validação em ambientes mais complexos e multimodais e refinamento constante.
A engenharia invisível e o caminho a seguir
O Amália é um marco porque sinaliza o fim da dependência de caixas-negras globais e o início da era da IA soberana. No entanto, ter acesso a um modelo poderoso não garante o sucesso. A diferença entre uma "demo" engraçada e um sistema empresarial reside na engenharia invisível: na limpeza de dados, na arquitetura segura e nas salvaguardas rigorosas que impedem os modelos de agir de forma não alinhada com o expectável.
Olhando para o futuro, não teremos um único "supercérebro" a gerir uma empresa. O caminho passa por construir ecossistemas multi-agente: equipas de IA especializadas, a operar com segurança dentro das nossas infraestruturas, a colaborar connosco (com o humano dentro do processo). O desafio já não é provar que a tecnologia funciona, mas sim ter a coragem e as competências para a desenhar e implementar com rigor.
Artigo de Opinião por:
Carlos Gonçalves, Investigador CCG/ZGDV
