O número que resume a virada
A plataforma OpenRouter, que permite a empresas e desenvolvedores escolher e alternar entre diferentes modelos de IA para executar tarefas, publicou dados que ilustram a dimensão dessa mudança. Em aproximadamente um ano, os modelos abertos passaram de uma fração marginal do uso para um terço de todos os tokens processados na plataforma, com a tendência se acelerando no segundo semestre de 2025.
Não é uma curiosidade estatística. É um sinal de que a equação de valor dos modelos proprietários está sendo questionada em escala. Quando um número cresce nessa velocidade, não são os early adopters que estão movendo o ponteiro. São empresas com processos de aprovação, governança e compliance. São operações que precisam justificar cada dólar de infraestrutura para um CFO.
O movimento, em resumo, saiu dos labs e chegou às salas de decisão.
O que mudou nos modelos abertos
Para entender por que isso está acontecendo agora, é preciso olhar para o que aconteceu com os modelos abertos nos últimos dois anos. A família Llama da Meta, os modelos da Mistral, o DeepSeek e uma série de outros lançamentos transformaram o que era possível fazer fora dos ecossistemas fechados.
Até 2023, a diferença de desempenho entre um modelo aberto de ponta e os principais modelos proprietários era considerável. Tarefas complexas de raciocínio, geração de código e síntese de informações eram domínio quase exclusivo dos fechados. Esse gap foi se fechando com uma velocidade que surpreendeu até os mais otimistas do movimento open source.
O Llama 3.1, lançado pela Meta em 2024, competia diretamente com GPT-4 em vários benchmarks. Os modelos subsequentes da família, incluindo versões fine-tuned por terceiros, foram ainda mais longe. O DeepSeek R1, por sua vez, mostrou que laboratórios fora do eixo Silicon Valley conseguiam produzir modelos de raciocínio de altíssimo nível, com pesos abertos e custo de inferência significativamente menor.
Para as empresas, isso criou uma janela de oportunidade real: performance comparável, com controle total sobre o ambiente de execução.
AT&T: o caso que virou referência
Poucas empresas ilustram melhor essa transição do que a AT&T. A gigante americana de telecomunicações construiu ao longo dos últimos anos uma plataforma interna de IA generativa chamada Ask AT&T, inicialmente baseada em modelos da OpenAI via Microsoft Azure. O ponto de inflexão veio quando a AT&T começou a incorporar modelos abertos, incluindo o Llama 3.1, como parte de uma estratégia deliberada de redução de custos e aumento de controle.
O motivo é direto: telecom é um setor com volumes absurdos de interações, dados sensíveis de clientes e requisitos regulatórios rigorosos. Depender de um único fornecedor de modelo proprietário para processar esse volume cria um risco de custo, privacidade e concentração que não é aceitável no longo prazo.
A solução adotada pela AT&T foi um ecossistema híbrido: modelos proprietários para os casos que exigem o máximo de qualidade e raciocínio, modelos abertos rodando em infraestrutura privada para o volume operacional do dia a dia. Um case study publicado em parceria com a H2O.ai em 2025 mostrou a arquitetura e as comparações de custo, tornando o argumento público e replicável.
O resultado não é apenas financeiro. É estratégico: a AT&T construiu capacidade interna de fine-tuning, avaliação e deployment de modelos. Isso significa que a empresa não depende do roadmap de nenhum fornecedor externo para evoluir sua plataforma de IA. É soberania tecnológica aplicada em escala corporativa.
Airbnb: infraestrutura como vantagem competitiva
A história do Airbnb com IA aberta tem uma característica diferente. A empresa não anunciou grandes migrações de modelos ou cortes de custos espetaculares. O que o time de engenharia do Airbnb fez foi construir infraestrutura proprietária para que qualquer modelo, aberto ou fechado, pudesse ser avaliado, testado e colocado em produção com velocidade.
O projeto Chronon, plataforma open source de feature engineering para machine learning, é parte dessa estratégia. Mas o que chama mais atenção é a metodologia de avaliação de LLMs que o time publicou em 2025: um sistema que reduziu o ciclo de avaliação de semanas para um dia, tornando viável o que os engenheiros chamam de eval-driven development, ou seja, desenvolver e iterar sobre comportamento de modelos com a mesma velocidade que se itera sobre código.
Isso importa porque avaliação é o gargalo oculto de qualquer operação de IA em escala. Quando você consegue testar múltiplos modelos com rapidez, a comparação entre abertos e fechados se torna contínua e baseada em dados reais do seu ambiente de produção, não em benchmarks genéricos divulgados pelos próprios fabricantes.
A consequência prática é que o Airbnb pode escolher o modelo mais adequado para cada tarefa, atualizar conforme novos lançamentos chegam ao mercado e manter controle sobre os critérios de qualidade que definem o que é aceitável para o negócio.
Deloitte: o movimento que multiplica
Se a AT&T e o Airbnb são casos de adoção interna, a Deloitte representa algo com escala diferente: uma consultoria que levou a filosofia open source para dentro do portfólio de soluções que oferece a clientes corporativos.
Na GTC 2025 da NVIDIA, a Deloitte apresentou sua abordagem para GenAI empresarial. O ponto central era começar com modelos abertos, fazer fine-tuning com dados de domínio específico do cliente e construir camadas de agentes para funções de negócio. Não como uma alternativa barata ao modelo proprietário. Como a arquitetura recomendada para empresas que precisam de controle, governança e capacidade de evolução independente.
A Deloitte também está entre as organizações parceiras do programa de modelos de raciocínio abertos da NVIDIA, lançado em 2025, que colocou os pesos disponíveis para desenvolvedores e empresas. Quando uma das maiores firmas de consultoria do planeta começa a recomendar modelos abertos como ponto de partida, e não como opção secundária, o mercado presta atenção.
Por que o argumento do custo não é o único
É tentador reduzir esse movimento a uma questão de preço. Modelos abertos são mais baratos de usar, especialmente quando você tem infraestrutura própria ou usa nuvens que cobram por token de forma agressiva. A economia real é significativa: empresas com volumes altos de inferência relatam reduções de custo de 50% a 80% ao migrar cargas de trabalho adequadas para modelos abertos.
Mas o argumento mais robusto não é o do custo. É o do controle.
Quando uma empresa roda um modelo proprietário via API, ela depende da disponibilidade do serviço, das políticas de uso do fornecedor, das decisões de pricing que podem mudar com um comunicado, e das limitações de customização que o fornecedor decide impor. Nenhuma dessas variáveis está sob controle da empresa.
Com um modelo aberto rodando em infraestrutura própria ou em nuvem privada, isso muda. A empresa controla o ciclo de atualização, os dados que entram no fine-tuning, os parâmetros de segurança e filtragem, os custos de inferência por volume. E, crucialmente, os dados dos clientes não trafegam por servidores de terceiros.
Para setores regulados como saúde, finanças e telecomunicações, esse último ponto não é preferência. É requisito.
O papel da infraestrutura de suporte
A adoção acelerada de modelos abertos não seria possível sem um ecossistema de ferramentas que reduziu drasticamente a complexidade de rodar esses modelos em produção. Plataformas como HuggingFace, frameworks de inferência como vLLM e llama.cpp, e serviços de nuvem que oferecem modelos abertos com um clique transformaram o que antes exigia uma equipe de MLOps dedicada em algo acessível a times de engenharia convencionais.
Para profissionais e empresas que querem construir essa capacidade interna, entender como montar esse stack, avaliar modelos, estruturar pipelines de fine-tuning e construir agentes sobre modelos abertos é uma habilidade que separa quem apenas usa IA de quem a domina. É exatamente nesse gap que a Replitfy está atuando, trazendo para o contexto brasileiro o que há de mais avançado em desenvolvimento assistido por IA.
O Brasil nessa equação
O movimento que acontece nas grandes corporações americanas tem eco direto no mercado brasileiro. Empresas que dependem de APIs proprietárias para construir seus produtos de IA estão começando a questionar a sustentabilidade desse modelo, seja pelo câmbio, seja pela latência, seja pela falta de controle sobre dados sensíveis de consumidores brasileiros sob a LGPD.
A Associação Brasileira de Ciência de Dados e IA (ABRACD) tem levantado justamente essa questão: como construir uma agenda de IA no Brasil que não seja apenas consumo de infraestrutura estrangeira, mas desenvolvimento de capacidade técnica própria, ancorada em modelos que podem ser adaptados, auditados e controlados localmente.
O argumento não é contra os modelos proprietários. É por diversificação estratégica. Assim como nenhuma empresa séria depende de um único fornecedor de cloud, a maturidade em IA passa por construir a capacidade de escolher o modelo certo para cada tarefa, e isso inclui, cada vez mais, os modelos abertos. Uma consultoria de tecnologia com visão de CTO as a Service pode ser o ponto de partida para estruturar essa transição com governança e velocidade.
O próximo ciclo
A pergunta que fica para os executivos que ainda estão avaliando quando e como entrar nessa transição é simples: qual é o custo de esperar?
O gap de performance entre abertos e fechados continua diminuindo. O ecossistema de suporte continua amadurecendo. As empresas que estão construindo capacidade interna agora, como AT&T, Airbnb e Deloitte fizeram, estarão operando com uma vantagem estrutural que não é fácil de replicar depois.
Modelo aberto não é sinônimo de IA mais barata. É sinônimo de IA que você controla. E no longo prazo, controle é o ativo mais valioso de qualquer estratégia tecnológica.
A corrida não é para quem adota IA mais rápido. É para quem adota de um jeito que pode escalar, adaptar e evoluir sem depender de terceiros para tomar as decisões que definem o negócio. Para se aprofundar no tema na prática, vale assinar a newsletter gratuita sobre Vibe Coding e acompanhar semanalmente o avanço da IA aplicada ao desenvolvimento e aos negócios.
Na sua empresa, a IA já está rodando em infraestrutura que você controla, ou ainda depende inteiramente de decisões que um fornecedor externo pode mudar amanhã?
