À medida que a IA se torna mais integrada às operações comerciais, as organizações estão olhando além das capacidades dos modelos e das pontuações de referência para novas questões sobre economia e o valor de seus dados. Em larga escala, o consumo de tokens, a utilização da infraestrutura e o custo de manutenção do contexto determinam cada vez mais se as iniciativas de IA podem gerar valor comercial sustentável.
Atualmente, as organizações que geram mais valor com IA podem não ser aquelas que executam os maiores modelos. São eles que possuem o conhecimento operacional mais profundo e a capacidade de disponibilizá-lo quando e onde for necessário. Isso porque um contexto melhor geralmente significa que é necessário menos esforço para chegar a uma resposta útil. Há menos falsos começos e menos computação redundante, permitindo que os sistemas de IA alcancem resultados úteis com mais eficiência.
A OpenAI1 argumentou que os investimentos em IA devem ser avaliados com base nos resultados de negócios, em vez de apenas no consumo de tokens. Essa perspectiva sugere um ponto mais amplo: o contexto é cada vez mais o que determina esses resultados. Quanto mais contexto relevante um sistema de IA tiver disponível, menos trabalho ele precisará fazer para atingir seu objetivo.
Seja um agente de suporte ao cliente ou um assistente de programação, o contexto limitado geralmente significa mais ciclos de recuperação de informações, mais iterações de raciocínio e maior consumo de tokens antes de se obter um resultado útil. Um contexto rico ajuda a IA a alcançar o mesmo resultado de forma mais eficiente, melhorando tanto o desempenho quanto a economia.
Essa perspectiva econômica permite um foco mais preciso em como os dados são utilizados. Muitas das aplicações de IA de maior valor dependem do acesso a informações contextuais. Enquanto os sistemas analíticos tradicionais foram projetados para responder a perguntas já conhecidas, os sistemas de IA podem reutilizar dados, conhecimento e trabalhos anteriores em diferentes fluxos de trabalho, equipes e aplicações futuras. O resultado é que o conhecimento retido continua a gerar valor muito tempo depois de ter cumprido seu propósito original.
A crescente importância do conhecimento retido
Historicamente, grande parte dos dados coletados estava vinculada a uma tarefa específica. Os chamados de suporte ajudaram a resolver problemas dos clientes, os documentos de engenharia deram suporte a projetos já em andamento e os relatórios responderam a perguntas comerciais imediatas. Uma vez atendidas essas necessidades, o valor a longo prazo desses dados frequentemente recebia muito menos atenção.
Essa lógica não se aplica exatamente aos sistemas de IA. O conhecimento criado para um propósito pode se tornar valioso em contextos completamente diferentes. Um documento de projeto elaborado para justificar uma decisão técnica em um projeto pode, posteriormente, ajudar outra equipe a entender as vantagens e desvantagens, evitar erros repetidos ou acelerar trabalhos relacionados. O que começou como documentação de projeto se transforma em memória institucional.
A tarefa original pode nem ser o uso mais valioso dos dados — aplicações futuras podem descobrir que eles têm uma finalidade ainda maior.
Decidir o que guardar
Essa realidade está forçando as organizações a repensarem não apenas quais dados armazenar, mas também qual conhecimento, histórico e contexto devem permanecer disponíveis para futuros funcionários, aplicativos e sistemas de IA.
Os custos de armazenamento, a governança e os requisitos regulamentares ainda influenciam o que deve ser retido, arquivado ou descartado. A IA reformula essas decisões à medida que o valor dos dados continua a aumentar. As decisões sobre infraestrutura de armazenamento, que antes eram baseadas principalmente em custo, conformidade ou valor comercial imediato, agora precisam levar em conta também as oportunidades futuras desconhecidas.
A maior parte dos dados empresariais já abrange ambientes multicloud, locais e de borda. E a gravidade dos dados muitas vezes torna a movimentação dessas informações impraticável ou antieconômica, o que é um dos motivos pelos quais os modelos de implantação híbridos se tornaram a norma para muitas organizações que adotam IA.
Mas a gestão de dados em ambientes híbridos também expõe um desafio mais profundo: decidir quais dados valem a pena manter e a que lugar devem ser guardados. É aqui que muitas organizações se deparam com uma lacuna crescente entre o valor de seus dados e a forma como as decisões de retenção ainda são tomadas. Os dados são frequentemente tratados principalmente como um custo a ser gerenciado, enquanto a IA os transforma em um ativo para aplicações e oportunidades futuras.
É um dos principais motivos pelos quais um sistema de registro escalável e durável é mais importante do que nunca. As empresas precisam de arquiteturas de dados que preservem um registro do conhecimento institucional, do histórico operacional e das informações geradas por IA. Para muitos, isso significa adotar abordagens híbridas que permitam que os dados permaneçam onde a governança, o desempenho, a soberania ou a economia exigem, ao mesmo tempo que disponibilizam essas informações para sistemas de IA.
Economia dos discos rígidos
À medida que os agentes de IA se tornam mais autônomos, eles irão gerar e consumir muito mais contexto do que as aplicações tradicionais. Nesse ambiente, cada interação, fluxo de trabalho, decisão e resultado pode se tornar parte do crescente corpo de conhecimento reutilizável de uma organização.
De fato, a IDC prevê que a geração anual de dados mais que triplicará entre 2025 e 2030, passando de 218 zettabytes em 2025 para mais de 718 zettabytes em 2030, com a IA agente identificada como uma fonte crescente de dados gerados por máquinas.²
Mesmo que as organizações retenham apenas uma fração dessas informações, a escala rapidamente se torna enorme. O desafio não é mais simplesmente coletar dados. As organizações devem determinar que conhecimento deve ser preservado e garantir que ele permaneça acessível no momento e local adequados. À medida que as organizações armazenam volumes cada vez maiores de dados contextuais de funcionários, aplicativos e sistemas de IA, a economia do armazenamento torna-se cada vez mais importante.
Além de reduzir custos, a economia de armazenamento torna viável preservar e acessar conhecimento na escala exigida pelos sistemas de IA. As arquiteturas de armazenamento de objetos que alimentam as plataformas de nuvem modernas foram construídas em torno dessa realidade, combinando software para gerenciamento de dados com infraestrutura de armazenamento capaz de reter dados de forma durável e em grande escala. Essa abordagem arquitetônica permite que as organizações retenham e reutilizem o conhecimento entre funcionários, aplicativos e sistemas de IA.
O valor dos dados deixa de existir quando a tarefa original é concluída. Informações que permanecem acessíveis podem contribuir para perguntas, fluxos de trabalho e oportunidades futuras. À medida que os sistemas de IA dependem cada vez mais do conhecimento e contexto acumulados, o que as organizações armazenam pode se tornar tão importante quanto o que elas criam. Determinar quais informações serão relevantes no futuro — e garantir que elas permaneçam acessíveis — é a única maneira de continuar gerando valor. Informação que desaparece sequer tem uma chance.
Leia mais: Explore como o contexto persistente está remodelando os sistemas de IA.
Notas de rodapé
- https://openai.com/index/managing-ai-investments-in-agentic-era
- IDC, Previsão de Mercado: Previsão do IDC Global DataSphere, 2026–2030, junho de 2026
-v4.png/_jcr_content/renditions/4-3-medium-688x516.png)
