Um código de falha de camada física em um switch óptico não parece, à primeira vista, uma questão de arquitetura de inteligência artificial. Quando esse alerta se multiplica por milhares de nós de distribuição simultâneos durante uma oscilação de tráfego, o diagnóstico precisa ser imediato, contextual e restrito ao perímetro da rede. Enviar essa carga de telemetria bruta para um modelo proprietário hospedado em nuvens públicas de terceiros expõe topologias confidenciais, adiciona latência de rede inaceitável e gera custos inviáveis de inferência por token.
Esse atrito operacional explica uma mudança estrutural na infraestrutura das empresas de conectividade. Na quarta edição da pesquisa State of AI in Telecommunications (abre em nova aba), conduzida pela NVIDIA (abre em nova aba), 89% dos profissionais do setor afirmaram que modelos abertos e softwares de código aberto são essenciais para a estratégia corporativa de IA. A transição não é impulsionada apenas por economia de licenciamento, mas pela necessidade de controle sobre pesos sinápticos, parâmetros treináveis e auditoria de comportamento em cargas de trabalho críticas.
Ao mesmo tempo em que a inteligência artificial generativa se consolidou nas operações (60% das operadoras declaram utilizar ou avaliar a tecnologia), os orçamentos acompanharam o ritmo. Exatos 89% dos entrevistados planejam expandir os investimentos em IA durante o ciclo, com 35% projetando elevações orçamentárias superiores a 10%. O retorno financeiro dá respaldo a esse movimento: 90% das companhias apontam impacto positivo direto no aumento de receita e na redução de custos.
A automação de rede ultrapassou a experiência do cliente como a principal aplicação em termos de retorno sobre investimento, citada por 50% dos entrevistados, à frente do atendimento ao consumidor (41%) e da otimização de processos internos (33%).
O objetivo de longo prazo é a autonomia sistêmica. Segundo os parâmetros da TM Forum (associação global de provedores e integradores de telecomunicações), 88% das organizações ainda se encontram entre os níveis 1 e 3 de autonomia, faixas nas quais a intervenção humana governa boa parte da resolução de incidentes. O uso de agentes de IA visa alcançar o nível 5, caracterizado por ambientes autoconfiguráveis, autorreparáveis e capazes de se auto-otimizar. Não surpreende que 77% dos operadores consultados projetem a estreia de redes nativas de IA antes mesmo da implantação comercial do padrão 6G.
A arquitetura proprietária de caixa-preta falha em entregar o determinismo exigido por tais sistemas.
Uma rede de telecomunicações depende de vocabulário hiperespecializado. Protocolos como BGP (Border Gateway Protocol, responsável pelo roteamento entre sistemas autônomos na internet), sinalização de controle em 3GPP e termos de engenharia de rádio não são cobertos com profundidade em conjuntos genéricos de pré-treino. Modelos com pesos disponíveis permitem a execução de ajuste fino supervisionado (fine-tuning, processo de recalibração de pesos em tarefas específicas) utilizando dados reais de chamadas, ordens de serviço e topologias de rede.
SoftBank Corp. colocou essa prerrogativa em produção ao construir o SoftBank Large Telecom Model. A companhia japonesa emprega bases abertas, incluindo arquiteturas da linha Nemotron, adaptando o conhecimento operacional acumulado ao longo de décadas para tarefas de projeto, diagnóstico e governança de infraestrutura. Rajeev Koodli, pesquisador principal da operadora, apontou que fundações abertas viabilizam a incorporação direta de expertise de rede acumulada, algo impraticável caso a inteligência ficasse isolada atrás de uma interface de programação fechada.
A própria NVIDIA estruturou parte de sua oferta corporativa para atender a essa demanda. O anúncio do Nemotron 3 Large Telco Model (LTM), um modelo com 30 bilhões de parâmetros ajustado pela empresa de engenharia de software AdaptKey em conjuntos de dados do setor de telecomunicações, busca suprir a lacuna entre modelos generalistas e os fluxos de triagem de incidentes. Juntamente com o modelo, foram disponibilizadas receitas completas de orquestração via bibliotecas abertas do ecossistema NVIDIA NeMo, permitindo que times internos de engenharia executem adaptações contínuas em seus próprios centros de processamento.
| Dimensão Técnica | Modelos Proprietários Fechados | Modelos Abertos Customizáveis |
|---|---|---|
| Local de Execução | Nuvem do provedor comercial | Edge, nuvem privada ou bare metal local |
| Ajuste de Pesos | Bloqueado ou restrito a adaptadores leves | Acesso total a pesos e receitas de treino |
| Soberania de Dados | Payload transmitido via API pública | Dados de telemetria retidos no perímetro |
| Domínio Lexical | Genérico, com alucinações em protocolos raros | Especializado via ajuste supervisionado |
| Custos em Escala | Taxação linear por volume de tokens | Custo amortizado de infraestrutura de inferência |
Andy Markus, diretor de dados e IA da AT&T, define a questão a partir da orquestração de cargas. Na visão da operadora norte-americana, a infraestrutura contemporânea não deve ser desenhada ao redor de um único modelo monolítico. O foco reside em direcionar cada tarefa para o modelo que equilibre desempenho de inferência, custo computacional e governança estrita. A flexibilidade dos artefatos abertos permite reservar modelos fechados de fronteira para contextos pontuais de altíssima complexidade cognitiva, mantendo o grosso da operação em infraestrutura interna otimizada.
A questão da soberania cultural e de dados também entra no cálculo. Em mercados como o Sudeste Asiático, a dependência de plataformas globais esbarra em limitações de linguagem e regulação de proteção de dados. Na Indonésia, a operadora Indosat Ooredoo Hutchison desenvolveu a família de modelos Sahabat-AI para atender às necessidades linguísticas regionais. Como destacou Chirag Sukhadia, diretor de dados da organização, a aposta em modelos abertos não decorre unicamente da disponibilidade computacional, mas da necessidade de espelhar o idioma, a cultura e a realidade regulatória local sem transferir o controle de ativos estratégicos para agentes externos.
Qualquer implementação dessa natureza depende do ecossistema de avaliação. Benchmarks independentes, como o Artificial Analysis Intelligence Index (índice padronizado que mede velocidade, latência e acurácia de raciocínio lógico em modelos de linguagem), mostram que pesos abertos atingiram paridade com modelos fechados em tarefas de programação, encadeamento lógico e execução de fluxos agênticos. Para os desenvolvedores que trabalham em operadoras, essa paridade elimina o argumento de que modelos acessíveis entregam menor competência técnica.
Essa flexibilidade arquitetural permite redimensionar checkpoints para execução em Multi-access Edge Computing (MEC, modelo que aproxima a capacidade de computação do usuário final na borda da rede). Em cenários de desastre ou rompimento de cabos submarinos, um agente de diagnóstico local em uma estação rádio-base precisa continuar operando sem dependência de conectividade externa.
A customização profunda de modelos abertos, no entanto, introduz um custo oculto que costuma ser negligenciado nos cálculos preliminares: manter bases de pesos modificadas exige equipes altamente capacitadas para gerenciar pipelines contínuos de avaliação, mitigar o esquecimento catastrófico de conceitos fundamentais da rede e amortizar a depreciação de aceleradores dedicados em centros de dados privados.