Em muitas empresas, os investimentos em IA estão diretamente ligados a resultados, como aprimorar a tomada de decisões, acelerar o desenvolvimento de produtos e oferecer experiências de usuário mais personalizadas.
Pense em como as empresas desenvolvem produtos em plataformas e serviços baseados em nuvem. Mais do que uma única ideia brilhante, a vantagem competitiva surge da acumulação de conhecimento ao longo de anos de interações com clientes, testes, falhas, feedback e melhorias. Quanto mais conhecimento institucional uma empresa conseguir reter e aplicar, mais rápido ela poderá melhorar.
Os sistemas de IA estão começando a operar da mesma maneira. Inicialmente, o desafio era treinar o modelo. À medida que as implementações amadurecem, seu valor depende cada vez mais da eficácia com que conseguem reter, acessar e reutilizar os dados acumulados por meio de interações e resultados anteriores. Inicialmente, o trabalho parece administrável, mas as expectativas aumentam à medida que as implementações amadurecem. Já não basta que os sistemas analisem apenas o que já aconteceu. Espera-se que continuem aprendendo, refinando recomendações e adaptando experiências à medida que novos dados chegam. O modelo ainda importa, mas a capacidade do sistema de reter o que já viu e reutilizar quando necessário também é fundamental.
O comportamento do cliente, os resultados anteriores e os padrões em evolução precisam persistir e permanecer acessíveis, e isso muda a conversa. O desempenho do modelo ainda importa, mas já não é tudo. A questão mais ampla é se o próprio sistema consegue sustentar esse contexto à medida que ele evolui.
Durante anos, as discussões sobre IA se concentraram em modelos e computação. As organizações investiram em GPUs, contrataram cientistas de dados e focaram no treinamento. O armazenamento deu suporte ao processo, guardando conjuntos de dados e permanecendo em grande parte em segundo plano.
Agora que esses sistemas estão amplamente implantados, algo mais está surgindo. Os modelos são executados continuamente e o trabalho evoluiu da criação de inteligência para a sua ampliação. Isso é frequentemente descrito como IA agente — sistemas que não apenas respondem a solicitações, mas também carregam o contexto adiante e constroem sobre o que já fizeram.
Eles geram resultados, extraem dados armazenados e se baseiam em interações anteriores. O que parece ser uma única solicitação é, muitas vezes, apenas uma etapa em um ciclo contínuo de recuperação de contexto, refinamento de respostas e inserção de novas informações no sistema.
Cada vez mais, a melhoria do sistema depende da eficácia com que esses dados são retidos, acessados e reutilizados em todos os fluxos de trabalho. Em ambientes de hiperescala — infraestrutura de nuvem massiva e distribuída globalmente onde esses sistemas operam — o armazenamento de objetos se torna o sistema de registro para esses dados acumulados. Construída em larga escala em discos rígidos, ela fornece a base durável e econômica que permite aos sistemas de IA preservar o contexto, estendê-lo ao longo do tempo e aprimorá-lo continuamente.
Do arquivo ao sistema de registro
Quando os sistemas começam a operar dessa forma, o papel do armazenamento começa a mudar. No desenvolvimento de produtos, o feedback dos clientes, os resultados anteriores, os dados de testes e as interações prévias continuam a orientar o que será aprimorado em seguida. O mesmo padrão se repete em todos os setores onde os sistemas de IA dependem da retenção e reutilização de dados.
O armazenamento de objetos tem sido tratado há muito tempo como um destino para onde os dados vão depois de não estarem mais em uso ativo. Esse modelo funcionava quando as cargas de trabalho eram episódicas. Mas os sistemas de IA que aprendem e evoluem continuamente não têm um ponto final definido.
Cada interação deixa algo para trás. Os resultados se acumulam e, quando retidos, tornam-se parte do contexto de funcionamento do sistema. Em vez de desaparecerem, esses resultados permanecem disponíveis ao lado de tudo o que veio antes e moldam o que acontecerá a seguir. À medida que esses sistemas se desenvolvem ao longo do tempo, o armazenamento de objetos assume um papel mais central — não apenas como um repositório, mas como a camada onde os dados acumulados persistem, permanecem acessíveis e podem ser reintegrados aos fluxos de trabalho ativos para orientar resultados futuros.
Os dados continuam a se mover entre outros níveis. É armazenado na memória, inserido nas camadas de processamento e usado em tempo real — frequentemente mais de uma vez em um único fluxo de trabalho. Mas, em última análise, precisa persistir em algum lugar. Ele precisa permanecer acessível, durável e pronto para ser usado novamente.
Essa função recai cada vez mais sobre o armazenamento de objetos, que em nuvens hiperescaláveis é baseado em discos rígidos. Na verdade, mais de 90% da capacidade dos data centers em nuvem reside em discos rígidos, refletindo não apenas onde os dados são colocados, mas onde eles devem residir em escala.¹ O armazenamento é como a IA retém o contexto. Em grande escala, deixa de ser uma consideração secundária e passa a fazer parte da definição do que o sistema pode fazer.
A questão dos dados mudou.
Na era do treinamento, a questão dos dados era simples: temos dados suficientes para construir um modelo útil?
Em sistemas como esses, começa a surgir uma questão diferente: o sistema consegue obter os dados corretos, no momento correto, muitas vezes repetidamente durante sua execução?
É aqui que a coisa deixa de ser teórica. Você vê sistemas consultando dados armazenados repetidamente, refinando os resultados à medida que mais contexto é adicionado. O que parece ser uma única consulta é, muitas vezes, uma série de pesquisas nos bastidores, cada uma dependendo do que já foi armazenado. À medida que esses sistemas amadurecem, os dados assumem um novo papel. O que fica armazenado entre os períodos de uso ativo não está ocioso. Faz parte do conhecimento do sistema — resultados, interações e sinais anteriores que moldam o que acontece a seguir. Esse contexto acumulado começa a importar tanto quanto o próprio modelo. Em grande escala, as cargas de trabalho de IA continuam a gerar volumes enormes de dados, mas grande parte deles ainda é tratada como transitória — usada uma vez e descartada — em vez de ser retida como algo que o sistema possa aproveitar.
É aí que surge uma nova restrição. À medida que os dados se tornam um ativo de longo prazo, o desafio não é mais simplesmente quanto pode ser armazenado, mas sim quanto deles pode permanecer acessível, durável e reutilizável à medida que os sistemas continuam a crescer.
O mercado já está se ajustando a essa realidade. A IDC prevê que a capacidade de armazenamento de objetos crescerá a uma taxa composta de crescimento anual de 25,6%, refletindo a crescente demanda por dados persistentes e acessíveis em grande escala.²
Quando o armazenamento e o poder de processamento ficam dessincronizados
Em teoria, os sistemas de IA são projetados para serem eficientes. Na prática, essa eficiência torna-se mais difícil de manter à medida que as empresas crescem. A computação continua a avançar com modelos cada vez mais capazes e sofisticados. À medida que as implementações amadurecem, a quantidade de dados que esses sistemas retêm e dos quais dependem cresce ainda mais rapidamente.
As organizações estão aprimorando a capacidade de recuperar e usar informações, integrando os dados corretos aos fluxos de trabalho no momento certo. Mas, ao mesmo tempo, o volume daquilo que eles querem reter continua a aumentar. Dados históricos de negócios, resultados anteriores, interações com clientes e conhecimento organizacional acumulado tornam-se mais valiosos à medida que os sistemas amadurecem. Cada vez mais, a qualidade dos resultados de um sistema de IA reflete a profundidade e a amplitude das informações às quais ele tem acesso.
Quando o desempenho fica aquém do esperado, o instinto ainda é adicionar mais poder computacional. Mas isso nem sempre resolve o problema subjacente. Além do processamento de dados, o problema mais complexo é manter o acesso aos dados acumulados que dão contexto aos sistemas e garantir que eles possam ser retidos, recuperados e reutilizados à medida que os sistemas evoluem.
Esse desequilíbrio também começa a aparecer no planejamento de infraestrutura. À medida que os sistemas de IA retêm e reutilizam mais dados, a camada de dados torna-se uma parte cada vez maior das decisões de arquitetura que determinam a eficácia com que esses sistemas podem ser escalados.
Com o tempo, os sistemas passam a ser limitados não pela velocidade com que podem ser executados, mas pela quantidade de seu histórico que podem preservar como estado utilizável.
O hardware por trás do software
As decisões de infraestrutura que as organizações tomarem agora determinarão o quão longe seus sistemas de IA realmente poderão chegar.
Grande parte disso é descrito como definido por software, e uma parcela considerável do comportamento do sistema é moldada pela forma como os dados são distribuídos e acessados. Mas, à medida que a implantação aumenta, outra realidade se torna mais difícil de ignorar: o potencial de crescimento desses sistemas é determinado, em última análise, pelo hardware subjacente.
A infraestrutura de IA opera em múltiplas camadas. A memória corrobora o que está acontecendo agora. A tecnologia Flash permite acesso de alta velocidade em situações onde a latência é importante. Em ambas as camadas, o armazenamento de objetos construído em grande escala em discos rígidos fornece a base duradoura onde os dados permanecem disponíveis para uso a longo prazo.
À medida que os sistemas se tornam mais contínuos, essa distinção se torna mais nítida. As camadas de desempenho lidam com o processamento imediato, enquanto o armazenamento de objetos garante que o que já ocorreu permaneça disponível. Como esses sistemas geram e reutilizam continuamente grandes volumes de dados não estruturados, eles não podem ser sustentados apenas por níveis de desempenho. À medida que a densidade, a durabilidade e a escala deixam de ser considerações secundárias para se tornarem restrições centrais, os discos rígidos continuam sendo essenciais.
O software define o comportamento do sistema. O hardware determina o que ele pode saber.
Por que a densidade se torna o fator decisivo
Em algum momento, todo investimento em IA se depara com a mesma questão: como o sistema continua crescendo sem ultrapassar a infraestrutura que o sustenta? A densidade de armazenamento é onde essa questão será respondida. A verdadeira limitação na IA empresarial é a continuidade, não a capacidade computacional. A capacidade de armazenar mais dados sem expandir a infraestrutura necessária afeta diretamente o potencial de escalabilidade de um sistema.
Em grande escala, o efeito se multiplica. Em uma implementação de um exabyte, a plataforma Mozaic™ 4+ da Seagate melhora a eficiência da infraestrutura em aproximadamente 47% em comparação com implementações padrão de 30 TB, ao mesmo tempo que reduz a área ocupada no data center e o consumo de energia.3
A decisão sobre infraestrutura e a decisão de negócios acabam sendo a mesma. Sistemas que retêm o que aprenderam, recuperam esse conhecimento de forma eficiente e o reutilizam em milhões de interações terão seu valor multiplicado. Sistemas construídos sobre infraestrutura que trata os dados como transitórios eventualmente atingirão um patamar estável. Não porque os modelos estejam errados, mas porque a base que os sustenta não consegue suportar o peso.
O armazenamento é a forma como a IA acumula conhecimento — e, em grande escala, esse contexto retido molda o quanto o sistema pode aprender com seu próprio passado, adaptar-se e agregar valor ao negócio.
Saiba como as arquiteturas de armazenamento de várias camadas — alimentadas por HDDs — suportam o armazenamento de objetos em escala.
Referências
- Seagate Technology, “Cargas de trabalho de data center da Seagate totalmente atendidas por sistemas de armazenamento híbrido e de disco rígido”, Seagate U.S.,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC, Previsão de armazenamento de objetos, 2024–2028: Atualização e previsão do mercado global de armazenamento baseado em arquivos e objetos até 2024.
- Seagate Technology, “Seagate oferece os discos rígidos de maior capacidade do setor com a próxima geração Mozaic 4+”, 3 de março de 2026.
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
