Visito uma empresa com 47 modelos em produção. Empolgante, não? Exceto que 38 deles? Mal mantidos, pouco usados, redundantes. É desperdício massivo - infraestrutura, manutenção, expertise - para um valor de negócio quase nulo.
Algorithmia (2025) confirma: 90% dos modelos de ML não geram valor mensurável. É a urgência escondida do Machine Learning em 2026 - menos falar de novos modelos, mais pensar em implantar apenas os que realmente importam.
A armadilha da dispersão
Muitas equipes de ML sofrem da síndrome idêntica: dezenas de modelos, metade não produzindo nada. Qual é o custo? Infraestrutura para manter. Dependências complexas. Expertise fragmentada. Enquanto vocês poderiam concentrar 80% da sua força nos 3 ou 4 modelos que realmente movem os ponteiros - receita, retenção, custo, satisfação.
A refocalização significa: identificar as verdadeiras estrelas, dar-lhes recursos generosos, descomissionar o restante. Não brutal. Estratégico.
Identificar o core: três critérios
Um modelo de ML "core product" passa por três filtros. Um: usado diariamente pelos usuários finais. Não um batch que roda uma vez por mês. Dois: impacto mensurável em uma métrica de negócio-chave. Três: necessidade de melhoria contínua. Os dados e padrões mudam, é preciso adaptar.
Exemplos concretos: motor de recomendação, scoring de risco em tempo real, previsão de demanda, detecção de fraude, pricing dinâmico. Esses modelos rodam 24/7. Cada ponto percentual de precisão se traduz em milhões de euros.
A excelência no core
Concentrar os recursos permite o impossível de outra forma. Feature engineering avançado - explorar os dados comportamentais e contextuais. Otimização de hiperparâmetros via search automatizado. Monitoramento de drift contínuo com retreinamento automatizado. A/B testing sistemático de cada versão.
Essa profundidade produz ganhos incrementais altamente significativos. Melhorar a precisão em 1% em um motor de recomendação? Potencialmente milhões de receita adicional.
A racionalização desconfortável
O exercício de racionalização é brutal mas indispensável. Para cada modelo em produção, três perguntas.
É utilizado? Mais de X requisições/dia?
Gera valor mensurável? Impacto quantificado em um KPI?
É mantido? Última atualização <6 meses?
Se a resposta é não a uma pergunta, o modelo deve sair ou ser substituído por uma heurística simples. Essa limpeza libera recursos de infraestrutura, tempo de equipe, reduz a dívida técnica.
O objetivo: um portfólio lean de modelos de alto impacto. Sem vaidade, apenas operacional.
ML e GenAI: complementares
GenAI não substitui o ML clássico. Ela o complementa.
O ML se destaca em tarefas estruturadas, quantitativas, de alta performance - scoring, previsão, classificação com milhões de exemplos. GenAI se destaca em tarefas não estruturadas, qualitativas, flexíveis - texto, geração, raciocínio.
Seu motor de recomendação continua sendo um modelo de ML clássico. Mas GenAI pode enriquecer as features - embeddings de descrições de produto - melhorar a explicabilidade - gerar explicações em linguagem natural - personalizar a apresentação das recomendações.
Os dois mundos trabalham juntos.
Governança do portfólio
A governança deve ser formalizada. Review board trimestral - data lead, produto, negócio - avalia cada modelo em uso, valor, manutenção. Um orçamento de inovação de 15-20% para experimentações, com processo claro de promoção ao core se o modelo provar seu valor.
Um processo de descomissionamento documentado garante que retirar um modelo não impacte os usuários. A transparência na alocação de recursos constrói a confiança entre data e negócio.
Resultados mensuráveis, sempre
Em produção, na Bomzai, falamos de resultados mensuráveis. Não "temos um super modelo" mas "este modelo gera 3M de euros adicionais por ano". É isso que justifica o investimento. É isso que guia a priorização.
Fazer menos, mas muito melhor: é a filosofia do ML de impacto. Concentrar os recursos nos projetos core transforma a equipe de ML de um centro de custo em motor de criação de valor mensurável e duradouro.
Não é sexy. É operacional. E é isso que importa.
