O diretor de IA do Google Cloud destaca as principais áreas de avanço para o aprimoramento das capacidades dos modelos

Como vice-presidente de Produtos do Google Cloud, o foco principal de Michael Gerstenhaber é o Vertex, a plataforma abrangente da empresa para implantação de IA empresarial. Essa função lhe proporciona uma ampla perspectiva sobre como as empresas estão implementando modelos de IA na prática e sobre os principais obstáculos que ainda impedem o pleno potencial da IA autônoma.

Minha conversa com Michael trouxe uma visão particularmente original. Ele enquadra o avanço dos modelos de IA como um impulso simultâneo contra três fronteiras distintas: inteligência bruta, latência de resposta e um terceiro fator crucial — a eficiência de custo. Essa terceira fronteira diz menos respeito à capacidade pura e mais à acessibilidade financeira, determinando se um modelo pode ser implantado a um custo baixo o suficiente para operar em escala massiva e imprevisível. É uma estrutura valiosa para quem busca orientar o desenvolvimento de modelos de ponta em uma nova direção.

Esta entrevista foi condensada e editada para maior clareza.

Para começar, você poderia descrever sua trajetória em IA e sua função atual no Google?

Trabalho com IA há cerca de dois anos. Após um ano e meio na Anthropic, ingressei no Google há cerca de seis meses. Lidero a plataforma de desenvolvedores Vertex. Nossos principais usuários são engenheiros que criam aplicativos personalizados. Eles buscam acesso a fluxos de trabalho agenticos, uma plataforma agentica robusta e o poder de inferência dos modelos mais avançados do mundo. Minha equipe fornece essa plataforma básica, enquanto os aplicativos para o usuário final são desenvolvidos por nossos clientes — empresas como a Shopify e a Thomson Reuters — dentro de seus setores específicos.

O que motivou sua mudança para o Google?

A posição única do Google reside em sua integração vertical, que abrange desde a interface do usuário até a camada de infraestrutura. Nós projetamos nossos próprios data centers, gerenciamos a aquisição de energia, desenvolvemos chips personalizados (TPUs), treinamos nossos próprios modelos fundamentais e controlamos as camadas de inferência e orquestração de agentes. Oferecemos APIs para recursos como geração de memória e código. Além disso, criamos um mecanismo de agente para conformidade e governança, além de interfaces para consumidores e empresas, como o Gemini. Esse controle de ponta a ponta é um ponto forte significativo e um dos principais motivos pelos quais me juntei à equipe.

Economize até US$ 300 ou 30% no TechCrunch Founder Summit

Junte-se a mais de 1.000 fundadores e investidores no TechCrunch Founder Summit 2026 para um dia inteiro dedicado ao crescimento, execução e escalabilidade. Obtenha insights de fundadores e investidores que estão moldando o setor. Faça networking com colegas que estão em estágios de crescimento semelhantes. Saia com estratégias práticas que você pode implementar imediatamente.

A oferta termina em 13 de março.

Economize até US$ 300 ou 30% no TechCrunch Founder Summit

Junte-se a mais de 1.000 fundadores e investidores na TechCrunch Founder Summit 2026 para um dia inteiro dedicado ao crescimento, execução e expansão. Obtenha insights de fundadores e investidores que estão moldando o setor. Faça networking com colegas que estão em estágios de crescimento semelhantes. Saia com estratégias práticas que você pode implementar imediatamente.

A oferta termina em 13 de março.

É interessante — apesar de suas diferenças, os três principais laboratórios de IA parecem estar em pé de igualdade em termos de capacidades essenciais. Trata-se apenas de uma corrida por maior inteligência, ou o panorama é mais complexo?

Vejo três limites de desempenho distintos. Primeiro, modelos como o Gemini Pro são otimizados para inteligência bruta. Tarefas como geração de código complexo são um bom exemplo; você quer o resultado da mais alta qualidade possível, mesmo que demore mais, porque você vai manter e implantar esse código.

O segundo limite é a latência. Em um cenário de suporte ao cliente em tempo real, uma IA precisa tanto da inteligência para aplicar políticas (por exemplo, processar uma devolução ou um upgrade de assento) quanto da velocidade para fornecer uma resposta antes que o usuário desista. Aqui, você precisa do modelo mais inteligente, capaz de operar dentro de um prazo estrito.

O terceiro limite é o custo em escala. Uma empresa como o Reddit ou a Meta, que visa moderar vastos volumes de conteúdo, enfrenta uma demanda imprevisível. Elas não podem assumir riscos empresariais ilimitados sem saber como os custos serão escalonados. Precisam do modelo mais inteligente que possam pagar e que também seja suficientemente econômico para lidar com um número potencialmente infinito de tarefas.

Uma pergunta recorrente é por que os sistemas de IA agentiva não tiveram uma adoção mais ampla. As capacidades do modelo e as demonstrações impressionantes existem, mas a mudança transformacional que muitos anteciparam há um ano ainda não se concretizou totalmente. Quais são os principais gargalos?

A tecnologia subjacente tem apenas cerca de dois anos, e ainda faltam infraestruturas críticas. Carecemos de padrões estabelecidos para auditar as ações dos agentes ou autorizar o acesso a dados por parte deles. Implementar esses padrões prontos para produção requer um trabalho significativo. A adoção em produção sempre fica atrás da capacidade tecnológica. Dois anos simplesmente não são tempo suficiente para que todo o escopo da inteligência se reflita em sistemas maduros e implantados, e é aí que reside o desafio atual.

A adoção tem sido excepcionalmente rápida na engenharia de software porque se integra bem aos ciclos de desenvolvimento existentes. Os engenheiros dispõem de ambientes seguros de desenvolvimento e teste. No Google, o código precisa ser revisado e aprovado por dois engenheiros antes de receber a marca da empresa para os clientes. Esses processos com intervenção humana tornam a implementação de risco muito baixo. Precisamos desenvolver padrões equivalentes e seguros para outros domínios e profissões.