OpenAI, Qwen e GigaChat: por que fica cada vez mais difícil para as empresas russas escolher modelos de IA

O mercado russo de IA entra em uma fase em que escolher um modelo deixa de ser apenas questão de qualidade das respostas. Para as empresas, trata-se agora de uma combinação de três fatores: a disponibilidade dos serviços ocidentais, os requisitos sobre dados e o custo da infraestrutura local.

Como a escolha está se estreitando

O autor descreve um cenário em que modelos ocidentais, como os da OpenAI e da Anthropic, ficam cada vez menos acessíveis para as empresas russas, não só do ponto de vista técnico, mas também jurídico. Alguns fornecedores já aplicam bloqueios por país e IP e, em setores regulados, mesmo o acesso formalmente permitido via proxy resolve pouco. Se a requisição a uma API externa contém nome, telefone ou voz de um cliente, isso passa a se parecer com uma transferência internacional de dados pessoais e esbarra nas exigências da lei 152-FZ.

Por isso, agentes de IA para suporte, vendas e call centers entram em uma zona de maior risco: o que passa pelo modelo não é texto abstrato, mas dados reais de usuários.

Nesse contexto, cresce dentro da Rússia a demanda por soluções "soberanas", mas a palavra costuma esconder não modelos próprios, e sim versões adaptadas de sistemas open source estrangeiros. É aí que começa o principal compromisso: quanto maior a independência formal, mais pesada a economia.

Três cenários viáveis

No mercado, três abordagens se consolidaram. A primeira é construir um modelo base do zero, como a Sber faz com a família GigaChat. A segunda é pegar um modelo aberto forte, na maioria das vezes da família Qwen, e ajustá-lo com um corpus em russo e dados de domínio, como fazem Yandex, T-Bank e Avito. A terceira é continuar usando APIs ocidentais por uma zona cinzenta, se o negócio estiver disposto a aceitar o risco jurídico.

• GigaChat: máximo de controle e localidade, mas treinamento e inferência muito caros.
• Qwen após ajuste fino: visivelmente mais barato e rápido de colocar no ar, mas a soberania é relativa.
• OpenAI e Anthropic: qualidade forte e economia clara, mas o acesso está cada vez menos estável.
• Arranjos híbridos: um meio-termo para empresas de médio porte, começando na nuvem e migrando depois para um ambiente próprio.

O problema é que cada caminho tem um custo que não pode ser ignorado. Treinar do zero exige dezenas ou até centenas de milhões de dólares, grande volume de dados e GPUs escassas da classe H100 ou H200. Ajustar o Qwen parece mais realista, mas a arquitetura base e os pesos continuam sendo chineses. Pela lógica regulatória rígida, isso já não é independência plena, e sim um compromisso cuidadosamente localizado.

Onde o dinheiro se perde

O argumento mais doloroso do artigo não é a qualidade dos modelos, mas o preço da inferência. Pelos cálculos do autor na sua própria plataforma de agentes, um minuto de trabalho de um modelo comparável da OpenAI custa menos de 1 rublo, enquanto um minuto no GigaChat-Max custa cerca de 80 rublos. Para agentes de voz e call centers, a diferença não é de porcentagens, mas de quase duas ordens de grandeza. Com essa estrutura de custos, dá para fazer um bom produto tecnicamente, mas não sustentá-lo do ponto de vista econômico.

"Uma solução totalmente russa é caríssima"

A infraestrutura é outro golpe. O autor estima em cerca de 55 milhões de rublos um servidor capaz de atender aproximadamente mil sessões simultâneas de agentes. Depois surge mais uma armadilha: para que o token continue relativamente barato, as GPUs precisam operar com 80-90% de carga. Com demanda pequena e irregular, isso é difícil. O equipamento fica ocioso, enquanto os custos de energia, manutenção e depreciação não desaparecem. Por isso a IA se paga principalmente onde há trabalho humano caro e carga constante: suporte, call centers e funções jurídicas.

O que isso significa

Para as equipes de produto, a conclusão é bastante dura: apoiar toda a arquitetura em um único provedor já é perigoso. Se a empresa trabalha com LLMs em russo, precisa de um esquema agnóstico de modelo, com troca rápida entre OpenAI, GigaChat, soluções do tipo Qwen e um ambiente local. Caso contrário, qualquer nova onda de bloqueios, mudanças de preço ou exigências sobre dados transforma rapidamente uma escolha técnica em um problema de negócio.