Após fazer engenharia reversa de 200 startups de IA, descobriu-se que 73% não passam de simples engenharia de prompt

• Após fazer engenharia reversa de 200 startups de IA, constatou-se que muitas empresas afirmam ter tecnologia própria, mas na prática operam chamando APIs externas
• Entre as empresas analisadas, 73% usam OpenAI ou Claude API praticamente como estão, acrescentando apenas uma interface simples ou algumas funcionalidades por cima
• Uma parcela significativa das startups que promovem seu “LLM proprietário” era, na realidade, apenas um wrapper de GPT-4 que enviava requisições para api.openai.com; com uma estrutura baseada só em prompts de sistema simples, vendiam isso com margens de dezenas a centenas de vezes
• A maior parte dos serviços que enfatizava uma arquitetura RAG também estava empacotando como “infraestrutura proprietária” uma stack padrão de 40 linhas combinando OpenAI text-embedding-ada-002 · Pinecone/Weaviate · GPT-4; nesse cenário, com custo mensal de cerca de US$ 30 mil por 1M de consultas e receita de US$ 150 mil a US$ 500 mil, a estrutura de margem ficava entre 80% e 94%
• Por outro lado, 27% do total era composto por empresas wrapper que revelavam de forma transparente sua stack, com frases como “Built on GPT-4”, por builders que realmente treinavam modelos próprios e por equipes com diferenciais técnicos reais, como votação entre múltiplos modelos e frameworks de agentes
• A investigação mostrou que muitas startups de IA, embora sejam negócios de serviços baseados em API, se apresentam como se tivessem “infraestrutura proprietária de IA”; o texto destaca que investidores, clientes e desenvolvedores podem verificar isso apenas abrindo a aba de rede no DevTools e reforça a necessidade de uma divulgação técnica honesta no ecossistema de IA

---

Visão geral

• Tomando como alvo as aplicações web de 200 startups de IA que receberam investimento externo, a análise rastreou tráfego de rede, código e chamadas de API para comparar o discurso de marketing com a stack tecnológica real
  • O ponto de partida foi a suspeita de que uma empresa que alegava ter uma “infraestrutura proprietária de deep learning” na verdade apenas fazia chamadas para a OpenAI API
  • Essa empresa havia recebido US$ 4,3 milhões em investimento e levantado recursos com a narrativa de que havia “construído uma infraestrutura fundamentalmente diferente”
• Como resultado, foi encontrada uma discrepância significativa entre a tecnologia alegada e a implementação real em 73% das empresas, sendo que muitas delas tinham apenas uma estrutura de wrapper simples sobre APIs de modelos de terceiros
  • O universo analisado reuniu 200 startups de IA coletadas de fontes como YC, Product Hunt e posts de “We’re hiring” no LinkedIn; empresas com menos de 6 meses de fundação foram excluídas, e o foco ficou nas que tinham captação externa e alegações técnicas concretas
  • A investigação foi conduzida de forma passiva, em nível de ferramentas de desenvolvedor do navegador, sem acesso a sistemas privados, sem burlar autenticação e sem violar TOS

Metodologia da investigação

• Foi montado um pipeline automatizado de análise com Playwright, aiohttp e outras ferramentas, coletando três itens em comum para cada site de startup
  • Com capture_network_traffic(url), foram capturados cabeçalhos de rede e padrões de requisição
  • Com extract_javascript(url), foi feita a decompilação e análise de bundles JS
  • Com monitor_requests(url, duration=60), foram rastreados os padrões de chamadas de API por 60 segundos
• Para cada site, as informações a seguir foram estruturadas e registradas
  • claimed_tech: alegações técnicas presentes em textos de marketing e no conteúdo do site
  • actual_tech: stack real identificada por cabeçalhos HTTP, bundles JS e chamadas de API
  • api_fingerprints: impressões digitais de APIs de terceiros extraídas de domínios chamados, cabeçalhos, latência e outros sinais
• O período de coleta foi de 3 semanas, e todos os padrões analisados utilizaram apenas dados públicos observáveis na web aberta e no DevTools do navegador

Principal resultado: discrepâncias reveladas em 73%

• Entre as 200 empresas analisadas, 73% apresentavam uma grande diferença entre alegações como “modelo proprietário”, “infraestrutura customizada” e “plataforma de deep learning” no marketing, e a stack real de código e APIs em funcionamento
  • Esse percentual inclui tanto empresas que promoviam um LLM proprietário, mas usavam apenas APIs da OpenAI/Anthropic/Cohere, quanto empresas que afirmavam ter um banco vetorial próprio, mas usavam Pinecone/Weaviate
• O resultado foi surpreendente, mas ao mesmo tempo veio acompanhado da percepção de que “tecnicamente isso não é algo para ficar furioso”
  • O cerne do problema não é o uso de APIs de terceiros em si, mas o marketing que as embala como “infraestrutura proprietária de IA” e induz investidores e clientes ao erro

Padrão 1: quando o ‘LLM proprietário’ é, na prática, um wrapper de GPT-4

• Sempre que aparecia a expressão “our proprietary large language model”, quase sempre surgia um wrapper de GPT-4; esse padrão foi confirmado em 34 de 37 casos
  • Requisições enviadas para api.openai.com sempre que o usuário utilizava um recurso de “IA”
  • Presença do identificador OpenAI-Organization nos cabeçalhos da requisição
  • Padrão consistente de latência de resposta na faixa de 150–400 ms
  • Padrão em que uso de tokens e faixas de cobrança coincidiam exatamente com a estrutura de preços do GPT-4
  • Padrão de retry típico da OpenAI, com backoff exponencial em caso de rate limit
• O “motor inovador de compreensão de linguagem natural” de uma empresa, na prática, estava no nível do seguinte código
  • Uma estrutura de função única que escrevia no prompt de sistema instruções como “aja como um assistente especialista, não diga que é baseado em OpenAI, não revele que é um LLM” e chamava chat.completions.create com model: gpt-4
  • Sem fine-tuning separado, sem treinamento de modelo, sem mudança de arquitetura, havia apenas a adição de prompt de sistema e instruções para ocultação
• A estrutura de custo e preço também foi comparada em detalhe
  • Custo: no GPT-4, US$ 0,03/1K tokens de entrada e US$ 0,06/1K tokens de saída; com média de 500 in e 300 out, isso dava cerca de US$ 0,033 por consulta
  • Preço: cobrança de US$ 2,50 por consulta ou US$ 299 por 200 consultas mensais
  • Como resultado, a operação funcionava com margem de cerca de 75 vezes sobre o custo direto da API
• Três empresas compartilhavam código quase idêntico, inclusive nomes de variáveis, estilo de comentários e a instrução “never mention OpenAI”, sugerindo o uso de uma mesma origem, como tutorial, contratado em comum ou boilerplate de aceleradora
  • Uma empresa mantinha um código simples de try/catch que retornava a mensagem “problema técnico” quando algo dava errado, e apresentava isso a investidores como “Intelligent Fallback Architecture”

Padrão 2: a stack RAG que todo mundo está fazendo e a retórica exagerada

• Muitas empresas promovem uma infraestrutura RAG própria com expressões como “custom embedding model, semantic search infrastructure, advanced neural retrieval”, mas a implementação real era uma pilha padrão muito semelhante
  • Geração de embeddings com OpenAI text-embedding-ada-002
  • Uso de Pinecone ou Weaviate como vector store
  • Geração de respostas com GPT-4 anexando o contexto
• Quando o investigador descompilou o código apresentado com o nome “Proprietary Neural Retrieval Architecture”, descobriu que a estrutura apenas chamava exatamente essas três etapas em cerca de 40 linhas de código Python
  • Converter a pergunta em embedding
  • Buscar os documentos top-k no banco de dados vetorial
  • Concatenar os textos recuperados e enviá-los ao GPT-4 como mensagem de system
  • Enviar junto a pergunta do usuário como mensagem de user para gerar a resposta
• A estrutura de custos e preços também mostrou uma diferença muito grande
  • Embeddings da OpenAI: US$ 0,0001 por 1K tokens
  • Query no Pinecone: US$ 0,00004 por chamada
  • Completion do GPT-4: US$ 0,03 por 1K tokens
  • Somando tudo, o custo ficava em cerca de US$ 0,002 por query
  • Na cobrança real ao cliente, porém, o valor era de US$ 0,5 a US$ 2 por query, criando uma margem de 250 a 1000 vezes sobre o custo de API
• 42 empresas usavam uma pilha e uma estrutura de código quase idênticas, e outras 23 compartilhavam um padrão mais de 90% parecido
  • As diferenças se resumiam principalmente à escolha entre Pinecone vs Weaviate, nomes de variáveis e adição ou não de cache com Redis
  • Também apareceram casos de marketing em que adicionavam cache com Redis e chamavam isso de “optimization engine”, ou colocavam lógica de retry e vendiam isso como “Intelligent Failure Recovery System”
• Também foi calculada a viabilidade econômica de uma startup com cerca de 1 milhão de queries por mês
  • Custos: cerca de US$ 100 em embeddings, cerca de US$ 40 em hospedagem do Pinecone, cerca de US$ 30 mil em completion no GPT-4, totalizando aproximadamente US$ 30.140/mês
  • Receita: US$ 150 mil a US$ 500 mil/mês
  • Estrutura de negócio com margem bruta muito alta, na faixa de 80% a 94%

Padrão 3: o que “nós mesmos fizemos o fine-tuning” realmente significa

• Ao rastrear a infraestrutura das empresas que usavam a expressão “nós mesmos fizemos o fine-tuning do modelo”, elas se dividiram em dois grandes grupos
  • Uma minoria (cerca de 7%) realmente executava jobs de treinamento próprios via AWS SageMaker, Google Vertex AI etc., armazenava os artefatos do modelo em buckets S3 e operava endpoints de inferência separados com monitoramento de instâncias GPU
  • A maioria usava a API de fine-tuning da OpenAI e, na prática, a estrutura era mais próxima de “enviar dados de exemplo e prompts para a OpenAI e armazená-los”
• O primeiro caso (treinamento próprio de verdade) deixa a infraestrutura de treinamento e o pipeline de deploy relativamente visíveis até no que pode ser observado pelo navegador, enquanto o segundo na maior parte das vezes aparece apenas como uma única chamada a endpoint da OpenAI

Como distinguir rapidamente empresas wrapper

• Padrões de tráfego de rede

  • Basta abrir DevTools(F12) → aba Network no navegador e observar as requisições feitas enquanto usa a funcionalidade de IA do serviço para fazer uma distinção simples
    • api.openai.com
    • api.anthropic.com
    • api.cohere.ai
    • se domínios como esses aparecerem diretamente, em princípio o serviço pode ser visto como um wrapper de API de modelo de terceiros
  • A latência de resposta também funciona como uma impressão digital
    • No caso da API da OpenAI, em especial, existe um padrão característico de latência com respostas concentradas na faixa de 200~350ms, o que permite inferir qual modelo está no backend

• Bundles JavaScript e exposição de chaves

  • Outra forma simples é procurar as seguintes palavras-chave no código-fonte da página e nos bundles JS
    • openai, anthropic, claude, cohere, sk-proj- (prefixo de chave de projeto da OpenAI) etc.
  • Durante a investigação, 12 empresas estavam publicando o código frontend com chaves de API incluídas diretamente, e mesmo após o envio de e-mails avisando sobre isso, nenhuma respondeu

• Matriz de linguagem de marketing

  • O texto organiza em formato de tabela os padrões entre a linguagem presente nas peças de marketing e a implementação técnica real, chamando isso de “Marketing Language Matrix”
    • Quando apareciam termos técnicos concretos como “tipo de instância GPU, arquitetura de serving, tamanho do modelo”, a probabilidade de a empresa ter de fato alguma infraestrutura própria era maior
    • Em contrapartida, quanto mais se repetiam apenas buzzwords abstratas como “advanced AI”, “next-gen intelligence” e “proprietary neural engine”, maior era a chance de por dentro ser só um wrapper de API de terceiros

Mapa da realidade da infraestrutura e cenário das startups de IA

• O texto organiza, por meio de vários diagramas, um mapa da realidade da infraestrutura atual das startups de IA
  • Muitas startups existem na forma de uma fina camada de aplicação sobre provedores de modelo como OpenAI, Anthropic e Cohere
  • Sobre cada camada, acumulam-se serviços que tentam se diferenciar em elementos como workflow, UX, dados de domínio e pipelines
• Com base nessa estrutura, grande parte das startups de IA é, na prática, um negócio de serviço/plataforma, em desacordo com a autoimagem de “empresa de infraestrutura de IA própria”

Por que devemos nos importar com isso

• Diante da pergunta “se funciona bem, isso não basta?”, o investigador organiza os motivos sob a ótica de quatro partes interessadas
  • Investidores: boa parte do capital investido hoje nessas empresas está indo não para pesquisa em IA ou desenvolvimento de modelos, mas, na prática, para engenharia de prompt e camadas de workflow
  • Clientes: estão pagando preços com prêmio de mais de 10 vezes sobre o custo real de API, e em muitos casos funções semelhantes poderiam ser implementadas diretamente como um projeto de fim de semana
  • Desenvolvedores: em comparação com o brilho externo das “startups de IA”, muitas na realidade são serviços wrapper de baixa barreira de entrada, e é preciso reconhecer que eles próprios poderiam construir algo parecido em pouco tempo
  • Ecossistema: o fato de 73% das “empresas de IA” exagerarem ou induzirem ao erro sobre sua tecnologia indica um estado próximo de uma bolha e cria incentivos pouco saudáveis

Espectro dos wrappers: nem todo wrapper é ruim

• Por meio de um gráfico chamado “Wrapper Spectrum”, o texto explica que mesmo entre empresas wrapper existem camadas qualitativamente diferentes
  • Em uma ponta, estão wrappers que basicamente apenas colocam uma UI fina sobre uma API de terceiros
  • Na outra, estão wrappers mais avançados que oferecem workflows especializados por domínio, UX de alto nível, orquestração de modelos e pipelines de dados valiosos
• A mensagem central não está em “ser ou não ser wrapper”, mas em honestidade e forma de entrega de valor
  • Empresas que usam APIs de terceiros, mas deixam isso claro de forma transparente e constroem diferenciação em resolução de problemas, experiência e dados, são avaliadas positivamente

Os 27% que estão fazendo direito

• Categoria 1: Wrappers transparentes (Transparent Wrappers)

  • As empresas desse grupo deixam explícitas em seus sites frases como “Built on GPT-4” e deixam claro que o que vendem é workflow, UX e conhecimento de domínio
    • Ex.: serviço que oferece automação de documentos jurídicos com a combinação de GPT-4 + templates jurídicos
    • Ex.: serviço baseado em Claude especializado em roteamento de tickets de suporte ao cliente
    • Ex.: serviço de workflow de conteúdo que combina vários modelos com um processo de revisão humana

• Categoria 2: Construtores de verdade (Real Builders)

  • Esse grupo é formado por empresas que realmente treinam modelos próprios
    • IA para saúde que opera modelos self-hosted para conformidade com a HIPAA na área médica
    • Serviço que treina e opera modelos de risco customizados para análise financeira
    • Serviço que desenvolve e implanta modelos especializados de visão computacional em automação industrial

• Categoria 3: Combinações inovadoras (Innovators)

  • Aqui entram empresas que usam modelos de terceiros, mas constroem por cima deles uma estrutura realmente nova
    • Sistema que combina saídas de vários modelos para implementar melhoria de acurácia baseada em votação
    • Sistema que executa tarefas complexas com um framework de memória e agentes
    • Casos que introduzem uma nova forma de arquitetura de retrieval, entre outros
  • Essas empresas conseguem explicar em detalhe sua arquitetura e têm em comum o fato de possuírem uma estrutura construída por elas mesmas

Lição aprendida: mais importante que a stack é o problema, e também a honestidade

• O resultado de 3 semanas de investigação pode ser resumido assim
  • O problema que se quer resolver importa mais do que a stack tecnológica em si, e muitos dos melhores produtos eram, na prática, estruturas que poderiam ser chamadas de “apenas wrappers”
  • Ainda assim, honestidade é uma dimensão importante à parte, e a diferença entre um wrapper inteligente e um wrapper enganoso está na transparência
  • A corrida do ouro da IA está criando incentivos que pressionam empresas a fazer alegações falsas, por causa das expectativas de investidores e clientes por uma “IA proprietária”
  • E não há nada de vergonhoso em construir sobre APIs; o problema é esconder isso e vender a solução como uma “arquitetura proprietária de rede neural”

Framework de avaliação e conselhos práticos

• Teste de replicabilidade em 48 horas

  • É proposto um critério simples para avaliar qualquer “startup de IA”
    • “É possível replicar a tecnologia central deles em 48 horas?”
    • Se a resposta for sim, então tecnicamente ela se encaixa como wrapper e,
      • se revelar sua stack com honestidade, pode ser uma boa empresa
      • se esconder isso enquanto alega ter uma “infraestrutura proprietária de IA”, deve ser vista como uma empresa a evitar

• Conselho para fundadores

  • Para fundadores, são propostos os seguintes princípios
    • Divulgar com honestidade a própria stack
    • Competir por UX, dados e expertise de domínio
    • Não afirmar ter construído algo que não foi construído
    • Aceitar que “Built with GPT-4” não é uma fraqueza, e sim uma explicação honesta

• Conselho para investidores

  • Para investidores, são apresentados os seguintes pontos de verificação
    • Exigir um diagrama de arquitetura
    • Solicitar faturas de APIs como OpenAI e Anthropic para verificar o nível real de dependência
    • Avaliar empresas wrapper com a precificação adequada para empresas wrapper
    • Recompensar com incentivos equipes que divulgam a stack com honestidade

• Conselho para clientes

  • Para clientes, são sugeridas as seguintes ações práticas
    • Abrir a aba Network no navegador e verificar as requisições de saída
    • Fazer perguntas diretas sobre a infraestrutura e a forma de uso dos modelos
    • Verificar se não estão pagando um markup desnecessário de mais de 10x sobre chamadas de API
    • Avaliar com base em resultados reais e capacidade de resolver problemas, e não em alegações técnicas

Resumo em uma linha da realidade das ‘startups de IA’

• “A maioria das ‘startups de IA’ está mais próxima de um negócio de serviços que troca custo de funcionários por custo de API”
  • Isso não é um modelo de negócio errado, mas uma realidade que precisa ser reconhecida e explicada com honestidade

Desdobramentos e reações após a investigação

• Semana 1: menciona-se que a expectativa inicial era de que algo em torno de 20% a 30% usasse APIs de terceiros, mas o resultado foi muito maior
• Semana 2: um fundador perguntou ao investigador “como você entrou no nosso ambiente de produção?”, e ele explicou que apenas olhou a aba Network do navegador
• Semana 3: duas empresas pediram que os resultados da investigação fossem retirados do ar, mas o artigo informa que os nomes de empresas específicas não foram revelados e continuam assim até agora
• Ontem: um VC pediu que suas empresas de portfólio fossem auditadas antes da próxima reunião de conselho, e o investigador menciona que aceitou

Plano de divulgação de dados e ferramentas

• Com base neste estudo, há planos de divulgar a metodologia e as ferramentas

• O que será publicado no GitHub (gratuito)

  • Código completo da infraestrutura de scraping
  • Técnicas para extrair fingerprints de API
  • Scripts de detecção que qualquer um poderá executar
  • Coleção de padrões de tempo de resposta por principais APIs de IA

• Análise aprofundada (exclusiva para membros)

  • Caso de um “unicórnio de IA” avaliado em US$ 33 milhões por mês que, na prática, usa apenas US$ 1.200 por mês em custos com OpenAI
  • Estrutura apresentada como um “modelo de 100 milhões de parâmetros”, mas que na prática era composta por 3 system prompts
  • Código de produção servido publicamente (lado do cliente, snippets anonimizados)
  • Framework de 5 perguntas que revela um wrapper imediatamente
  • Estudos de caso comparando apresentações para investidores com a infraestrutura real

Mensagem final e a necessidade de uma ‘era da IA honesta’

• A investigação foi conduzida sem divulgar nomes de empresas, compartilhando apenas padrões, e enfatiza a crença de que o mercado acabará recompensando a transparência
• Foi confirmado que 18 empresas estão realmente criando tecnologia nova no sentido mais estrito, e
  • para elas, é enviada a mensagem de incentivo: “vocês sabem quem são, continuem construindo”
• Depois da investigação, 7 fundadores entraram em contato em particular, e
  • alguns ficaram na defensiva, alguns agradeceram, e três pediram ajuda sobre como fazer a transição do marketing de “proprietary AI” para “construído sobre as melhores APIs da categoria”
  • um fundador teria confessado: “sabíamos que estávamos mentindo, os investidores esperavam isso, todo mundo faz isso, então como paramos agora?”
• No fim do artigo, reforça-se mais uma vez a mensagem de que a corrida do ouro da IA não vai acabar, mas a era da honestidade precisa começar, concluindo que qualquer pessoa pode verificar a verdade por conta própria apenas abrindo a aba Network do DevTools (F12)

[geekygeek]

Nos comentários há um dizendo: "A própria existência do autor é suspeita. A fonte dos dados também é obscura, e também não seria possível capturar o tráfego de rede de forma arbitrária. É preciso uma verificação básica", e concordo.
O link do LinkedIn que aparece no perfil do Medium também leva para uma página inexistente, e parece que a pessoa nem existe de fato. Também é estranho ficar mencionando GPT-4, e não GPT-4o, em pleno 25 de novembro.

Também é difícil acreditar que um desenvolvedor a ponto de até colocar um sistema de pagamento por assinatura para monetizar implementaria a comunicação com a API de IA no cliente, e não no servidor, de um jeito tão fácil de detectar assim...

[mhj5730]

Quando você tenta criar agentes, passa a ver a engenharia de prompts como uma aplicação com excelente produtividade no uso de IA.

[GN⁺]

Comentários do Hacker News

• 2023 foi o ano de mostrar uma demo de prompt toda semana
  Até em evento da AWS teve apresentador que passou uma hora abrindo o Claude e digitando prompts aleatórios
  Nosso time também passou 6 meses dizendo que estava construindo um “agente”, acoplando ferramentas, conectores e sistema de avaliação, para no fim voltar de novo à engenharia de prompts

  • Ouvi a piada de que “o próximo passo não seria terceirização offshore?”
  • Tenho dificuldade de levar a sério quem usa engenharia de prompts de forma séria. Quando vejo esse termo em e-mail corporativo, simplesmente ignoro
  • Mas fiquei curioso se esse projeto realmente funcionou. Várias empresas dizem que fazem AI Agent, mas nunca vi um rodando direito. Quando tentávamos fechar o loop, o LLM só ficava se debatendo
  • No fim, acaba sendo uma nova solução envolvendo de novo a solução antiga, então parece que o desenvolvimento de software vai continuar para sempre

• Um mentor me disse certa vez que “em tecnologia, especialista é alguém que sabe uma ou duas coisas a mais do que os outros”
  Por isso acho natural a febre atual de engenharia de prompts. Quanto mais nova a tecnologia, mais ela evolui empilhando uma ou duas coisas sobre a stack existente

  • Já ouvi que o segredo de um bom consultor é saber o que ler no caminho para a reunião
  • Mesmo um ajuste simples de prompt exige um tempo enorme de teste e tuning. O ponto central é encontrar a melhor variação para cada modelo
  • Eu, na verdade, acho mais interessante a abordagem de reduzir stacks complexas e obter o mesmo efeito com uma estratégia de simplificação

• Dizer que “é só engenharia de prompts” subestima a real dificuldade de construir sistemas de alto desempenho
  Projetar métricas de avaliação, chamadas de ferramentas, caching e afins não é algo do nível de um simples prompt. Se você consegue mostrar resultado, levantar investimento fica fácil

  • Na prática, muito do que existe está no nível de prompt + CRUD, e a maioria das empresas é basicamente uma empresa de CRUD
  • O motivo de tanto investimento não é desempenho, mas a bolha de IA e a obsessão dos investidores por retorno. Na prática, estão vendendo pás em vez de achar ouro
  • Só quem já construiu um processo de avaliação decente entende o quanto isso é difícil
  • Mas a maioria dos projetos internos de IA nem faz avaliação. Mesmo em FAANG, isso não chega a 5%

• É suspeito ver um texto em novembro de 2025 mencionando GPT-4
  A metodologia de identificar o provedor de IA pelo tráfego de rede também é estranha. Se o frontend chama a API diretamente, há um grande risco de exposição da chave de segurança
  Parece um método de investigação meio duvidoso

  • A OpenAI oferece chaves de cliente para chamadas diretas. Veja a documentação oficial
  • Mencionar nomes antigos de modelos também parece rastro de texto gerado por LLM

• Surge então a pergunta: “então afinal, o que se deve fazer?”
  Nos anos 90, colocar uma UI sobre um sistema de console já era uma ótima ideia de startup

  • O problema é se chamar de empresa de IA enquanto na prática se está construindo um app CRUD. Para quem não é técnico, é difícil perceber a diferença
  • Quando a OpenAI parar de vender barato, será preciso fazer modelos pequenos especializados em domínio
  • Basta deixar a lógica de mercado agir. Só que o superaquecimento de IA está cansando toda a indústria de software
  • É arriscado embalar uma plataforma wrapper simples como se fosse “IA”. É uma estrutura desprotegida parecida com a da bolha ponto-com
  • Não estão criando IA de verdade, só usando LLM

• Na verdade, esse fenômeno já era comum em startups anteriores à IA
  Bastava melhorar a UX envolvendo tecnologia existente para ganhar muito dinheiro. Por dentro era uma combinação de ferramentas open source, mas a margem era tão alta que desenvolver algo próprio não fazia sentido

• Penso nisso desde logo depois do lançamento do ChatGPT
  Se alguma empresa realmente tivesse uma AGI, não haveria motivo para vendê-la. Bastaria criar seus próprios serviços e esmagar a concorrência

  • Na verdade, mesmo sem AGI acontece o mesmo ciclo
    1. Uma startup envolve GPT/Claude e cria um novo caso de uso
    2. A OpenAI ou a Anthropic implementa aquilo diretamente e lança
    3. O wrapper não tem moat (barreira de entrada), e para as empresas de modelo base também é fácil competir

• Há poucas empresas que fazem LLM, e as funcionalidades são parecidas
  No fim, o núcleo da automação é a engenharia de prompts
  Como em apps mobile, se a Big Tech quiser, consegue copiar facilmente. Perplexity e Cursor também estão em risco

  • Ainda assim, ideias com ROI baixo não interessam à Big Tech. Em nichos que não rendem centenas de milhões, ainda existem oportunidades

• O próprio artigo em questão parece conteúdo gerado por IA
  É difícil confiar que o autor realmente analisou os dados

  • Até a existência do autor é suspeita. A origem dos dados também é obscura, e não dá para capturar tráfego de rede arbitrariamente. É preciso verificação básica

• Fica uma grande dúvida: “como essa pessoa coletou esses dados?”
  Se fosse a minha empresa, eu não poderia divulgar dados de clientes desse jeito

  • O link do LinkedIn no fim do artigo também não existe. Nem está claro se Teja Kusireddy é uma pessoa real
  • Parece que algumas empresas chamam a API da OpenAI diretamente do frontend, mas também pode ser informação vazada do backend
  • É estranho dizer que isso foi visto em chamadas diretas no navegador. Também fica a dúvida se pedidos sem OAuth ou autenticação seriam possíveis
  • Colocar chave de API no frontend é um buraco de segurança, então a maioria faz a chamada pelo backend. Sem explicação detalhada, fica difícil confiar
  • O artigo completo pode ser lido no link do Medium. Parece que, por causa de NDA, os nomes específicos das empresas não foram revelados

[cgl00]

Por que isso seria desonesto? kkk