Quatro equívocos que executivos têm sobre IA

Kunal AnandDiretor de Produto | F5

Nosso Relatório sobre o Estado da Estratégia de Aplicações de 2026 constatou que 78% das organizações agora executam a inferência de IA por conta própria, usando, em média, sete modelos. Um ano antes, nosso Índice de Prontidão para IA indicava que apenas 2% das organizações estavam realmente preparadas para operar IA em escala.

A diferença entre esses dois números é o aspecto mais interessante da tecnologia empresarial neste momento. As empresas não esperaram até estarem prontas. Elas internalizaram a inferência porque queriam ter controle sobre seus dados, custos e segurança. Agora, estão descobrindo o que esse controle exige. Chamamos isso de caminho da inferência: tudo o que acontece entre a intenção de um usuário e a saída de um modelo. Recuperação, roteamento, chamadas de ferramentas, identidade, montagem de contexto, aplicação de políticas e o caminho de volta. O modelo é um componente desse caminho. O caminho em si é o sistema — e é a parte que pertence a você.

Quatro equívocos com os quais me deparo repetidamente são variações do mesmo erro: tratar o modelo como o produto e o caminho como mera infraestrutura.

Equívoco nº 1: "O modelo é tudo."

Com qual modelo, fornecedor e caso de uso devo começar? Essa é a primeira pergunta em quase todas as conversas com executivos — e também a que se torna obsoleta mais rapidamente.

Os modelos são o componente substituível. Apenas 8% das organizações dependem exclusivamente de serviços públicos de IA. As demais mantêm portfólios diversificados justamente porque esperam poder trocar modelos, direcionar solicitações e recorrer a alternativas com base em custo, precisão e segurança. Se a sua arquitetura transforma a troca de um modelo em um projeto, em vez de uma simples alteração de configuração, você já fez a aposta errada.

O que não é intercambiável é o caminho de inferência. A camada de recuperação que decide qual contexto o modelo recebe. A lógica de roteamento que escolhe qual modelo processa cada solicitação. A identidade que acompanha a chamada. A política que determina o que o modelo pode fazer com a resposta. É daí que vem a precisão, onde o custo é definido e onde reside sua vantagem exclusiva. Um concorrente pode comprar o mesmo modelo amanhã. Mas não pode comprar o seu caminho.

Equívoco nº 2: "Se o projeto-piloto funcionou, será fácil colocá-lo em produção."

O problema não é que a produção seja mais difícil, mas sim que ela é complexa e que a extensão do caminho agrava essa complexidade. Segundo uma pesquisa da F5, a grande maioria das empresas (93%) opera em várias nuvens, enquanto 86% distribuem aplicações em ambientes híbridos de múltiplas nuvens. Seu caminho de inferência percorre toda essa infraestrutura, e a complexidade não para de crescer. À medida que as organizações adicionam mais modelos, aplicações e agentes, o número de caminhos de inferência possíveis se multiplica.

Nossa pesquisa também constatou que 52% das organizações já encadeiam ou orquestram vários modelos. Considere uma cadeia e suponha que cada etapa tenha 95% de confiabilidade — uma estimativa generosa para qualquer processo que envolva recuperação de informações, chamadas de ferramentas e um modelo probabilístico. Uma cadeia piloto de três etapas é bem-sucedida em 86% das vezes. Uma cadeia de produção de 20 etapas é bem-sucedida em 36% das vezes. A taxa por etapa não mudou. O sistema passou de funcionar bem na maioria das vezes para falhar na maioria delas simplesmente porque você adicionou etapas.

Agora, aplique o mesmo cálculo à segurança. Se cada agente em uma cadeia tiver 5% de chance de ser manipulado, ter seu escopo definido incorretamente ou receber uma credencial à qual não deveria ter acesso, um fluxo de trabalho com 20 agentes oferece a um invasor uma probabilidade muito alta de que pelo menos um elo seja explorável. É por isso que mais de nove em cada 10 entrevistados relatam novas categorias de problemas quando a IA agêntica chega aos níveis de produção: gerenciamento de credenciais, auditoria de ações e a questão fundamental sobre o que um agente fez e sob a autoridade de quem.

Equívoco nº 3: "Desempenho, segurança e governança são prioridades distintas."

Na arquitetura tradicional de aplicações, essa separação era justificável. A segurança era conduzida como uma frente de trabalho paralela. A governança era trimestral. O desempenho ficava a cargo de outra equipe, com um orçamento diferente.

A IA reúne os três em um único orçamento, medido em milissegundos e tokens. Cada mecanismo de proteção adicionado ao fluxo de inferência aumenta a latência. Cada requisito de governança consome a janela de contexto, o que gera custos em todas as chamadas. Inspeção de prompts, filtragem de resultados, ocultação de dados pessoais identificáveis (PII), roteamento de modelos e lógica de repetição: cada um desses elementos é, ao mesmo tempo, um controle de segurança, um custo de desempenho e uma rubrica orçamentária. Não é possível financiar um sem consumir recursos dos demais, nem cortar um sem deixar o restante vulnerável.

Isso é realmente novo. Antes, o custo adicional de segurança era amortizado de forma imperceptível. No caminho de inferência, ele aparece no p95 e na fatura, o que significa que essa escolha agora é explícita — e alguém precisa se responsabilizar por ela. Hoje, o controle mais comum é a autenticação para serviços de IA e acesso a APIs, adotada por 55% das organizações, enquanto 47% planejam migrar para uma infraestrutura sensível à identidade dos agentes. Ambas são decisões acertadas. Mas ambas também aumentam a latência do caminho. Reserve orçamento para elas de forma deliberada; caso contrário, suas equipes acabarão removendo-as discretamente para atingir uma meta de desempenho.

Equívoco nº 4: "Soluções pontuais aumentam a complexidade, mas podemos fazer com que funcionem."

Considere a empresa mediana em nossos dados, que utiliza sete modelos, opera em várias nuvens e tem aplicações distribuídas entre ambientes locais, de nuvem pública e de colocation. Adicione uma ferramenta separada para segurança de APIs, outra para funções de gateway de IA e outra para governança de saídas. Agora, cada política criada precisa ser expressa corretamente em cada linguagem, em todos os ambientes e para todos os modelos, além de ser verificada novamente sempre que qualquer um deles mudar. O número de pontos em que uma política pode se desviar silenciosamente é o produto dessas mudanças.

Quando algo dá errado às 2h da manhã, não há um único responsável capaz de responder à pergunta: "qual controle deveria ter detectado isso?". A alternativa não é ter menos recursos, mas sim um único ponto de aplicação de políticas no caminho, independentemente do modelo, ambiente ou protocolo que esteja do outro lado.

A consistência das políticas e a liberdade de escolha de modelos não são incompatíveis. Elas só entram em conflito quando a política fica dentro da integração do modelo, em vez de à frente dela. Unificar a entrega de aplicações e a segurança em uma única plataforma é o que permite trocar de modelo toda semana e, ainda assim, responder à pergunta de um auditor em um só lugar.

As perguntas que vale a pena fazer agora

Aqui estão quatro perguntas para sua equipe de liderança enquanto sua organização trabalha para gerenciar o caminho de inferência:

1. Quantos modelos estão em produção atualmente e quanto tempo leva para adicionar ou substituir um deles?
2. Qual é a cadeia de agentes mais longa em execução em produção e qual é a taxa de sucesso de ponta a ponta medida?
3. Onde a política de IA é aplicada e quantos locais distintos você precisaria alterar para atualizá-la?
4. Qual é o percentual da latência de inferência p95 que corresponde à sobrecarga de segurança e governança, e quem é responsável por esse indicador?

Se essas perguntas resultarem em estimativas em vez de respostas, isso já será uma informação útil — e é muito melhor descobrir isso agora do que durante um incidente. Minha sugestão para todos é auditar o fluxo de inferência neste trimestre. As organizações que liderarão esta era não serão as que utilizam mais IA, mas aquelas capazes de dizer exatamente o que acontece entre o prompt e a resposta, onde quer que ela seja executada.

Para se aprofundar nos dados, baixe o Relatório sobre o Estado da Estratégia de Aplicações de 2026. Para saber como a F5 está ampliando sua estratégia de plataforma de entrega e segurança de aplicações para a IA empresarial, acesse a página da F5 AI Security Platform. Não deixe também de conferir o comunicado à imprensa de hoje.

Sobre o autor

Kunal AnandDiretor de Produto | F5

Kunal Anand lidera a organização de produtos da F5 como Chief Product Officer. Responsável pela visão, estratégia e execução de produtos, ele garante o desenvolvimento de soluções inovadoras que resolvem desafios críticos e proporcionam experiências excepcionais aos clientes. Em sua função anterior como Chief Technology and AI Officer, Kunal definiu a estratégia e a visão de tecnologia e IA da empresa. Antes da F5, Kunal exerceu simultaneamente os cargos de Chief Technology Officer e Chief Information Security Officer na Imperva. Sua trajetória na Imperva começou em 2018, com a aquisição da Prevoty, uma startup de segurança de aplicações que ele cofundou em 2013. Antes de ingressar na Prevoty, foi Diretor de Tecnologia na BBC Worldwide. Kunal tem um amplo histórico de inovação e conhecimento técnico especializado, além de ter ocupado cargos de liderança em equipes de segurança, dados, tecnologia e engenharia na Gravity, MySpace e no Laboratório de Propulsão a Jato da NASA. Kunal tem mais de 15 anos de experiência em IA e aprendizado de máquina, abrangendo treinamento de modelos, uso de algoritmos baseados em IA para aprimorar produtos e projeto e implementação de arquiteturas de IA. Kunal é bacharel em Ciência da Computação pelo Babson College.

Mais publicações de Kunal Anand