A oportunidade da IA para a Europa está a tornar-se mais clara no nível empresarial, onde a adoção depende menos do poder do modelo abstrato e mais da resolução dos problemas práticos que decidem se a IA pode realmente ser utilizada.
A IA empresarial está avançando para as partes difíceis
A versão fácil da IA empresarial é uma demonstração. A versão difícil é tudo o que acontece depois que a demonstração funciona.
É aí que as empresas se deparam com permissões, software legado, dados incompletos, interfaces de usuário, requisitos de conformidade, custos de integração, riscos de segurança e fluxos de trabalho que parecem simples vistos de fora, mas estão cheios de exceções. É também aqui que muitas das empresas de IA mais interessantes estão agora a posicionar-se.
Na HumanX, um dos sinais mais claros de IA empresarial veio das empresas que construíam em torno de gargalos práticos, em vez de exageros abstratos. Para as empresas e fundadores europeus com quem Elena conversou, o padrão era claro: eles não estavam tentando copiar os maiores laboratórios dos EUA. Eles estavam construindo em torno de problemas empresariais específicos.
H Company focada em agentes de uso de computador para fluxos de trabalho legados. Malt analisou talentos, permissões e supervisão humana. Neuralk AI focada em modelos de base tabular para dados empresariais. Os Twelve Labs focaram na inteligência de vídeo como uma camada que faltava na IA empresarial.
Juntos, eles apontam para uma versão mais fundamentada do mercado de IA. A próxima onda empresarial não será vencida apenas pelo maior modelo geral. Será vencido por empresas que entendam onde o trabalho realmente fica preso.
O mapa empresarial
O problema do software legado
A Empresa H ofereceu talvez o exemplo mais claro desse foco prático.
O seu argumento é que grande parte do mundo empresarial ainda funciona com software que não foi concebido para agentes, APIs ou automação limpa. As empresas têm sistemas antigos, ferramentas desconectadas, processos manuais e fluxos de trabalho que se estendem por Salesforce, SAP, e-mail, PDFs, portais internos e interfaces específicas do setor.
Gautier Cloix descreveu o problema sem rodeios: a humanidade ainda está trabalhando em software legado que não possui APIs e não possui dados limpos. A resposta tradicional tem sido a migração. Mas a migração é lenta, cara e muitas vezes desatualizada quando termina.
A resposta da Empresa H é o uso de computadores: agentes que operam software por meio das mesmas interfaces humanas que os funcionários já utilizam. Cloix descreveu fluxos de trabalho em que um vendedor, agente de atendimento ao cliente, comprador, enfermeiro ou funcionário administrativo completa 40 etapas em cinco ou 10 ferramentas diferentes. Em vez de reconstruir todos os sistemas subjacentes, o agente aprende a operar a interface acima deles.
É por isso que o uso do computador é importante. Não é uma pesquisa glamorosa. É o problema prático de clicar, digitar, rolar, ler telas e mover-se entre sistemas que nunca foram feitos para se comunicarem entre si.
Nas palavras de Cloix, o perfil comum do cliente não é um setor específico. É se uma empresa tem “uma pilha de software com mais de cinco ferramentas” e pelo menos uma dessas ferramentas não possui APIs.
O recente lançamento do Holo3.1 reforça essa direção, com a H Company posicionando a família de modelos em torno da automação de fluxo de trabalho para web, desktop, dispositivos móveis e negócios. O sinal mais amplo é que os agentes que usam computadores estão se tornando uma categoria empresarial séria, e não apenas uma demonstração de um modelo operando um navegador.
A camada humana do trabalho agente
Se a H Company está focada na interface de software, a Malt está focada na interface humana e organizacional.
Claire Lebarz, CTO da Malt, descreveu a empresa como a maior plataforma da Europa para especialistas independentes e freelancers. Isso dá a Malt uma visão específica de como o trabalho muda porque os freelancers geralmente reagem às novas tecnologias mais rapidamente do que as grandes empresas.
De acordo com Lebarz, o talento já falava em agentes antes que a demanda fosse totalmente alcançada. Agora a Malt está observando um aumento de 600% na demanda por habilidades de agente em apenas três ou quatro meses.
Isso é importante porque a adoção da IA empresarial não envolve apenas a compra de ferramentas. Trata-se de saber se as empresas têm pessoas que possam traduzir necessidades comerciais complicadas em fluxos de trabalho, supervisionar agentes e adaptar a automação ao contexto da empresa.
A frase mais interessante de Lebarz foi “humanos em alta”. Na sua opinião, o trabalho de amanhã envolverá os agentes realizando mais tarefas, mas ainda serão necessários humanos acima do processo: treinar, supervisionar, orquestrar e adaptar os agentes aos ambientes reais da empresa.
Essa é uma correção útil para a história usual da automação. A questão não é se os agentes substituem pessoas numa simples troca um-para-um. A questão é como o trabalho é empacotado: quais partes vão para os agentes, quais partes precisam de especialistas e quais partes requerem humanos que entendam o contexto bem o suficiente para supervisionar vários sistemas ao mesmo tempo.
A perspectiva de Malt também mostra por que a Europa pode ter uma oportunidade diferente de IA. A região tem clientes empresariais profundos, mercados de talentos, consciência regulatória e um problema de transição da força de trabalho que não pode ser resolvido apenas com entusiasmo. Se o trabalho agente precisar de confiança, permissões, identidade, avaliação e contexto, então a camada humana se tornará parte do produto.
Os dados que as empresas realmente usam
A Neuralk AI reduziu a conversa a uma das formas mais comuns, mas pouco discutidas, de dados corporativos: tabelas.
O discurso da empresa é simples e ambicioso. Seu fundador descreveu o Neuralk como fazendo para os dados tabulares o que os modelos básicos faziam para o texto. Em vez de exigir que cada cliente crie um pipeline de aprendizado de máquina separado, a empresa está construindo modelos básicos que podem fazer previsões a partir de linhas e colunas por meio de um endpoint de API.
Isso é importante porque a maioria das empresas não opera com texto limpo e em escala de Internet. Eles funcionam com base em dados estruturados: clientes, transações, estoque, registros financeiros, métricas operacionais, pontuações de risco e históricos internos. Essas tabelas costumam ser o núcleo do negócio, mas não são dados que possam ser simplesmente extraídos da web.
O fundador explicou que os dados tabulares são os dados centrais de cada empresa, e é precisamente por isso que as empresas não os distribuem gratuitamente. A abordagem da Neuralk usa tabelas sintéticas durante o treinamento para que o modelo possa aprender padrões estatísticos e, em seguida, usar amostras de contexto rotuladas no momento da inferência para fazer previsões nos dados do cliente.
Este é um problema de IA empresarial muito diferente do chat. Trata-se de inferência estatística, previsão, qualidade de dados e implantação, sem exigir que cada empresa mantenha todo o maquinário das operações clássicas de ML.
Se funcionar, aponta para uma tendência empresarial: a pilha de IA está a aproximar-se das estruturas de dados das quais as empresas já dependem.
A camada de vídeo ausente
Twelve Labs adicionou outra camada que faltava: vídeo.
A empresa partiu da visão de que compreender vídeo não é o mesmo que transcrever diálogos ou detectar objetos em frames. O vídeo requer compreensão temporal, som, diálogo, contexto da cena, movimento e a capacidade de decidir o que é importante e o que não é.
Seu modelo Marengo potencializa a pesquisa semântica em vídeo, imagem, áudio e idioma. Pegasus é um modelo de linguagem de vídeo que pode analisar cenas, resumir vídeos, gerar metadados e oferecer suporte a resultados estruturados.
Isto é importante porque as empresas já possuem enormes arquivos de vídeo: estúdios, ligas desportivas, emissoras de notícias, empresas de produção, organizações do sector público, equipas de segurança e fornecedores de dados. Muitos desses vídeos são valiosos, mas difíceis de pesquisar, selecionar, monetizar ou transformar em fluxos de trabalho.
A conversa dos Doze Laboratórios também conectou o vídeo a uma história mais ampla de IA física. Um representante descreveu o vídeo como fundamental para a robótica e os sistemas automotivos porque as máquinas precisam dar sentido ao mundo real. Eles descreveram a ambição como sendo uma espécie de “córtex visual para máquinas”.
Essa frase ajuda a conectar a empresa ao tema mais amplo da HumanX. A IA empresarial não consiste apenas em texto, código ou bancos de dados. É também visual, temporal, multimodal e, eventualmente, espacial.
A oportunidade da Europa é a especificidade
O padrão compartilhado por essas empresas é a especificidade.
A H Company não está tentando construir um chatbot universal. Ele está tentando operar software legado. Malt não está falando apenas sobre empregos de IA em abstrato. Está analisando como o talento, os agentes e a supervisão são agrupados para as empresas. A Neuralk não está tentando criar outro modelo de linguagem de uso geral. Ele está sendo construído em torno de dados tabulares. A Twelve Labs não trata o vídeo como um recurso secundário. Trata-se de tratar a compreensão do vídeo como uma camada fundamental.
Essa especificidade pode ser o local onde a Europa pode competir. O mercado empresarial de IA não precisa apenas de modelos maiores. Precisa de empresas que entendam os fluxos de trabalho, as restrições do setor, os dados confidenciais, os mercados de trabalho e a última etapa entre a capacidade e a adoção.
Esse foi o sinal mais interessante da HumanX. A história europeia da IA não é apenas sobre se a Europa pode produzir um laboratório de fronteira que rivalize com os EUA. É também sobre se as empresas europeias podem transformar a IA em sistemas implementáveis para o mundo confuso, regulamentado e operacional em que as empresas realmente vivem.
A resposta pode vir menos do espetáculo e mais dos lugares chatos onde o trabalho realmente acontece: software antigo, dados privados, fluxos de trabalho de recrutamento, arquivos de vídeo e humanos supervisionando agentes acima do circuito.
