Menos Conversa, Mais Dados: Os LDMs e a Nova Fronteira da IA nas Empresas
Os últimos anos foram dominados por uma única sigla: LLM. Os Large Language Models, que sustentam ferramentas como ChatGPT, Gemini e Claude, ensinaram o mercado a conversar com a Inteligência Artificial.
O problema é que conversar nem sempre se traduz em resultado financeiro.
Um relatório do MIT NANDA, ligado ao MIT Media Lab, estimou investimentos entre US$ 30 bilhões e US$ 40 bilhões em IA Generativa no ambiente corporativo, mas concluiu que cerca de 95% das organizações ainda não conseguem medir retorno com a tecnologia.
É nesse vácuo entre o investimento e o retorno que entra uma nova categoria de modelo: os LDMs, ou Large Data Models. Em vez de lidar com texto, eles foram desenhados para digerir grandes volumes de dados estruturados de uma empresa, encontrar padrões, prever comportamentos e apoiar decisões de negócio.
Menos conversa, mais dados.
Do Texto ao Comportamento: O Que Muda?
A melhor forma de entender um LDM é partir do que já conhecemos. Um LLM é treinado com uma tarefa simples e poderosa: prever a próxima palavra de uma sequência. Repetida em escala massiva, essa tarefa faz o modelo aprender gramática, contexto e até raciocínio.
O LDM aplica a mesma lógica, mas troca o objeto de estudo. Em vez de prever a próxima palavra, ele aprende a prever a próxima ação ou o próximo evento de um cliente.
Marcos Bonas, vice-presidente de engenharia da Zup, empresa de tecnologia do grupo Itaú Unibanco, resume a analogia: nos LLMs, o modelo tenta prever a próxima palavra; nos LDMs, a lógica é parecida, mas aplicada ao comportamento, buscando identificar a melhor oferta ou a melhor ação para aquela pessoa naquele momento.
A mudança parece técnica, mas redefine a estratégia. Durante anos, bancos, seguradoras e varejistas dividiram clientes em grandes grupos por idade, renda ou região. Quanto maior o grupo, mais genérica a comunicação. O LDM promete substituir o cluster pela trajetória individual, abrindo espaço para a hiperpersonalização.
O Que Existe Por Trás da Sigla?
Aqui vale uma precisão importante para quem trabalha com dados. Na imprensa, a sigla aparece às vezes como Large Data Models e, às vezes, como Large Database Models. O termo comercial é novo, mas a tecnologia que o sustenta tem raiz acadêmica clara: os modelos fundacionais para dados tabulares ou tabular foundation models. É essa família que transforma a ideia de prever comportamento em algo que de fato funciona em produção.
O exemplo mais influente dessa linha é o TabPFN, Tabular Prior-data Fitted Network, publicado na revista Nature em 2025. A ideia central rompe com o jeito tradicional de fazer Machine Learning. Em vez de treinar um modelo novo para cada tabela de dados, o TabPFN é um transformer pré-treinado em dezenas de milhões de conjuntos de dados sintéticos. Diante de uma base nova, ele faz a previsão em uma única passagem, sem precisar de novo treino, num processo chamado aprendizado em contexto ou in-context learning. É o mesmo princípio que torna os LLMs flexíveis, agora aplicado a linhas e colunas.
Por Que Isso Importa?
Por décadas, o reinado em dados tabulares foi das árvores de decisão com gradient boosting, como XGBoost e CatBoost. Os modelos fundacionais tabulares, como TabPFN, TabICL e sucessores, passaram a competir de igual para igual e, em alguns casos, a superar esses métodos consagrados, principalmente quando o objetivo é generalizar para bases novas sem treino dedicado. É uma mudança de paradigma comparável ao que os LLMs trouxeram para o texto.
Tecnicamente, o que dá poder a esses modelos é um mecanismo de atenção em duas direções: cada célula da tabela presta atenção tanto nas outras variáveis da mesma linha, atenção entre colunas, quanto no mesmo atributo ao longo de todas as linhas, atenção entre amostras. Isso torna o modelo invariante à ordem de linhas e colunas e permite capturar relações complexas que uma média simples jamais revelaria. Modelos mais recentes, como o TabICL, já estendem essa ideia para tabelas com centenas de milhares de registros, exatamente a escala que interessa a um banco ou a uma operadora de telecom.
O Detalhe Que a Média Esconde
A maior crítica aos modelos tradicionais é que muitos trabalham com dados agregados, médias e recortes simplificados. E a média é uma armadilha. Felipe Almeida, cofundador da NeoSpace, dá o exemplo perfeito: um cliente com dez compras no cartão pode ter nove transações de R$ 10 e uma de R$ 910. Olhando apenas a média de R$ 100, parte essencial da história desaparece.
O LDM trabalha com o dado bruto, não com o resumo. Em um banco, isso significa processar transações de cartão, Pix, simulações de crédito, uso do aplicativo, atrasos, contratação de produtos, cancelamentos e interações em canais digitais, tudo no nível do evento individual.
A NeoSpace descreve um método ilustrativo: o sistema recebe cerca de 24 meses de histórico, usa os primeiros 18 meses para aprender padrões de comportamento e testa a inteligência nos 6 meses seguintes, validando se as previsões se confirmam.
Onde os Ganhos Aparecem
Detecção de fraude: em vez de apenas sinalizar um valor alto, o modelo correlaciona variáveis geográficas, temporais e comportamentais em tempo real, avaliando se a transação faz sentido no histórico daquele cliente específico.
Risco de crédito: foi justamente um caso de crédito que rendeu à NeoSpace destaque global. Um grande banco latino-americano com mais de 60 milhões de clientes relatou ganhos expressivos de precisão frente a modelos tradicionais de Machine Learning.
Churn e retenção: prever quem está prestes a cancelar antes que o cancelamento aconteça.
Próxima melhor oferta: decidir qual produto, em qual canal e em qual momento tem maior chance de conversão para cada pessoa.
Em setores com milhões de clientes e bilhões de transações, pequenas melhorias de precisão viram ganhos relevantes de receita, retenção ou prevenção de perdas. É aí que mora a lógica comercial: enquanto o LLM aprende com a internet pública, o LDM captura o diferencial competitivo escondido nos dados internos de cada empresa. O modelo treinado para uma organização não se reaproveita em outra.
LDM e RAG: Concorrentes ou Complementares?
Para quem já trabalha com IA Generativa, surge a dúvida natural: e o RAG, Retrieval-Augmented Generation? A resposta é que eles resolvem problemas diferentes e se complementam.
O RAG é ideal para o conhecimento documental da empresa, como políticas, manuais e relatórios. O LDM é mais adequado para o conhecimento transacional, como vendas, operações e finanças. A arquitetura mais sofisticada combina os dois, com um Agente de IA decidindo qual consultar a cada pergunta.
As Barreiras: Custo, Dados e Pessoas
O entusiasmo não apaga os obstáculos. Bonas compara o estágio atual ao início da computação em nuvem, por volta de 2010 e 2011, quando as empresas ainda tentavam entender o conceito antes de adotá-lo em escala. Nas palavras dele, ainda estamos explicando para que serve.
1. Custo de infraestrutura. Treinar esses modelos exige GPUs, equipamentos caros, intensivos em energia e de rápida obsolescência, num mercado concentrado em poucos fornecedores, com a Nvidia à frente. Por isso, a NeoSpace, por exemplo, optou por contratar capacidade de processamento em nuvem em vez de montar um data center próprio.
2. Estratégia de dados. Um LDM depende, antes de tudo, de uma estratégia de dados. Isso significa pensar desde como a informação é gerada até como será integrada, tratada e usada no treinamento. Sem dado organizado, não há modelo.
3. Talento qualificado. Tiago de Almeida, coordenador de ciência da computação da UFSCar, aponta três gargalos para o Brasil avançar: capacidade computacional, acesso a grandes volumes de dados e formação de profissionais altamente qualificados. Os três ainda são limitados no país.
O Recado Para Quem Trabalha com Dados
Dos três gargalos, dois são de infraestrutura e estratégia. O terceiro, talento, é o único que depende diretamente de formação. Saber tratar dado bruto, entender arquiteturas de Deep Learning, dominar engenharia de dados e raciocinar sobre governança e privacidade deixou de ser diferencial e virou requisito. A fronteira dos LDMs não se abre sozinha: ela precisa de gente preparada para construí-la.
Para Onde Isso Caminha?
A adoção deve avançar de forma gradual e começar pelas grandes companhias, principalmente bancos, seguradoras, varejistas e operadoras de telecom, que concentram os maiores volumes de dados transacionais.
No caminho, há desafios reais de privacidade, direitos autorais, governança e uso ético dos dados, agravados pelo fato de muitas empresas ainda estarem amadurecendo suas estratégias digitais e priorizarem soluções de retorno mais imediato.
Na academia, porém, o debate corre mais rápido. Os modelos fundacionais para dados já aparecem em projetos de visão computacional, IA multimodal, saúde, indústria e cidades inteligentes.
Conclusão
Estamos diante de um movimento que reorganiza a fronteira da IA aplicada. Os LLMs ensinaram as máquinas a conversar; os LDMs querem ensiná-las a decidir. Para o profissional de dados, a mensagem é clara: o ciclo completo, da engenharia de dados que prepara o dado bruto, passando por Deep Learning que aprende os padrões, até a governança que garante uso responsável, volta ao centro do jogo. Quem dominar esse ciclo não vai apenas acompanhar a nova fronteira. Vai construí-la.
Equipe DSA
Referências:
TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second
Menos conversa, mais dados: LDMs despontam como nova fronteira da IA nas empresas
Welcome to Large Data Model (LDM)