greenai.guide

Início › Boas práticas › Escolha o modelo certo para a tarefa

Boas práticas

Escolha o modelo certo para a tarefa

Atualizado · 5 min de leitura

Em resumo

Use o menor modelo, ou o método mais simples sem IA, que atinja o seu padrão de qualidade, e reserve os grandes modelos gerais para os casos que precisam deles. Modelos específicos para uma tarefa podem usar uma pequena fração da energia dos modelos generativos de uso geral, e o roteamento permite obter a maior parte das vantagens dos dois.

Pontos-chave

  • Comece perguntando se a tarefa precisa mesmo de IA; regras, busca ou um algoritmo clássico muitas vezes resolvem.
  • Modelos específicos para uma tarefa se mostraram ordens de grandeza mais baratos de executar do que modelos generativos multiuso para as mesmas tarefas.
  • A UNESCO e a UCL relatam que modelos pequenos e específicos podem reduzir o consumo de energia em até 90%.
  • O roteamento envia pedidos fáceis a modelos pequenos e difíceis a modelos grandes; defina os limiares com cuidado, porque uma tentativa pequena que falha mais uma nova tentativa pode custar mais.
  • Pipelines híbridos usam métodos clássicos ou baseados em física na maioria das etapas e uma rede pequena só onde ela agrega valor.

Por que a escolha do modelo importa tanto?

A escolha do modelo costuma ser a maior alavanca isolada sobre a energia de um recurso de IA. A mesma tarefa pode ser feita por modelos cujos custos de execução diferem em ordens de grandeza.

Numa comparação sistemática publicada na ACM FAccT 2024, Luccioni, Jernite e Strubell mediram a energia de 1.000 inferências em muitas tarefas e modelos. Eles constataram que os modelos generativos multiuso eram ordens de grandeza mais caros do que sistemas específicos para as mesmas tarefas, mesmo controlando o tamanho do modelo. Um relatório de 2025 da UNESCO e da UCL constatou que modelos pequenos, adaptados a tarefas específicas, podem reduzir o consumo de energia em até 90%.

O padrão é simples: um modelo geral paga, a cada pedido, por conhecimentos e capacidades que a sua tarefa nunca usa.

Esta tarefa precisa mesmo de IA?

Verifique primeiro se um método sem IA já resolve. A inferência mais barata é aquela que você nunca executa.

Um sandpit de IA verde realizado no Reino Unido em 2026, com matemáticos, cientistas da computação e representantes da indústria, voltou a esse ponto várias vezes: as pessoas muitas vezes recorrem à IA quando já existe um algoritmo bem compreendido, e a computação mais verde costuma ser a que você evita. As Web Sustainability Guidelines do W3C também pedem que as equipes avaliem a necessidade de IA antes de implementá-la.

Pergunte:

  • Uma regra, tabela de consulta ou expressão regular daria conta?
  • Uma busca no seu próprio conteúdo responderia à pergunta?
  • Existe um método numérico ou estatístico consolidado (um otimizador, uma regressão, um solver)?
  • A resposta precisa ser exatamente reproduzível ou auditável? Métodos determinísticos são mais fáceis de verificar.
  • Com que frequência isto vai rodar? Um recurso usado milhões de vezes merece mais esforço de projeto do que algo pontual.

A IA não é gratuita, mesmo quando economiza tempo. Um estudo de 2025 que comparou programação manual e assistida por IA em 12 tarefas constatou que a abordagem assistida por IA teve, em média, cerca de 33 vezes a pegada de carbono da abordagem manual, e a diferença aumentava à medida que as tarefas ficavam mais difíceis. Isso não significa nunca usar assistentes; significa usá-los onde eles claramente compensam.

Pequeno, especializado ou de fronteira?

Ajuste o modelo à tarefa, não à coisa mais capaz disponível.

Tipo de tarefa Em geral basta Quando usar algo maior
Classificar, etiquetar, rotear, spam ou sentimento Um classificador pequeno e específico Raramente
Extrair campos de documentos Um modelo pequeno ou com ajuste fino, ou regras Layouts confusos e variados
Busca e resposta a perguntas sobre o seu próprio conteúdo Recuperação mais um modelo pequeno ou médio Raciocínio complexo sobre vários documentos
Tradução, resumo Um modelo médio ou especializado Textos delicados ou de alto risco
Raciocínio aberto, planejamento, código difícil Um modelo geral grande É aqui que ele compensa o custo

Modelos pequenos especializados podem vir de vários caminhos, tratados em treinamento e inferência eficientes:

  • Destilação: um "professor" grande treina um "aluno" pequeno. O DistilBERT era 40% menor que o BERT e 60% mais rápido, mantendo 97% da sua capacidade de compreensão de linguagem.
  • Ajuste fino (fine-tuning) de um modelo pequeno com dados da sua própria tarefa.
  • Versões quantizadas de um modelo existente, que precisam de menos memória e energia.

Onde houver benchmarks públicos, compare os candidatos em energia e também em qualidade. O AI Energy Score da Hugging Face avalia modelos pela energia de GPU por 1.000 consultas em dez tarefas comuns, com uma a cinco estrelas em relação a outros modelos na mesma tarefa.

Como funciona o roteamento de modelos?

Um roteador envia cada pedido ao modelo mais barato que provavelmente o responderá bem, e só escala quando necessário.

Desenhos comuns:

  1. Classificador primeiro: um modelo pequeno ou um conjunto de regras prevê o grau de dificuldade de um pedido e escolhe um modelo.
  2. Cascata: tente o modelo pequeno; se a confiança dele for baixa ou uma verificação falhar, passe para um maior.
  3. Roteador aprendido: treinado com exemplos de qual modelo se saiu bem em qual pedido. O estudo RouteLLM relatou reduções de custo de mais da metade em alguns casos, sem diminuir a qualidade das respostas.

Defina o limiar com cuidado

O sandpit levantou uma ressalva importante: em sistemas agênticos, um modelo pequeno demais pode falhar, obrigando a rodar de novo no modelo grande. Uma tentativa barata que falha mais uma nova tentativa cara pode custar mais do que ir direto ao modelo grande. Portanto:

  • meça o custo de ponta a ponta por tarefa bem-sucedida, não por chamada;
  • ajuste o limiar de escalonamento com os seus próprios dados;
  • registre com que frequência os pedidos são escalados e reveja quando os modelos mudarem;
  • coloque a decisão de roteamento no sistema, não no usuário final.

O que são pipelines híbridos?

Pipelines híbridos usam métodos clássicos, baseados em física ou em regras na maioria das etapas e um modelo pequeno só onde ele agrega valor. Muitas vezes são mais baratos, mais precisos e mais confiáveis do que uma abordagem neural de ponta a ponta.

Exemplos:

  • Um modelo físico ou numérico faz a simulação; um pequeno componente aprendido substitui só a parte mais cara dele (um "substituto", ou surrogate).
  • Código determinístico cuida da análise, validação e formatação; um modelo cuida só do julgamento sobre texto livre.
  • Um modelo generativo planeja ou escolhe, mas o resultado é montado a partir de uma biblioteca de componentes já verificados, em vez de ser gerado do zero a cada vez. Veja orquestração em vez de geração.

O sandpit também discutiu incorporar estrutura matemática ou física (simetrias, leis de conservação, convexidade) aos modelos para que precisem de menos parâmetros e menos treinamento. Veja matemática para uma IA eficiente.

Checklist

  • [ ] Método mais simples sem IA descrito e testado primeiro
  • [ ] Padrão de qualidade definido com os seus próprios casos reais
  • [ ] Pelo menos um modelo pequeno ou específico testado contra esse padrão
  • [ ] Energia por pedido comparada para cada candidato, medida da mesma forma
  • [ ] Modelo grande usado só onde o pequeno não atinge o padrão
  • [ ] Custo do roteamento medido por tarefa bem-sucedida, incluindo novas tentativas
  • [ ] Escolha registrada, com uma data para revisão

O que fazer a seguir

  1. Liste os seus recursos de IA e marque quais poderiam usar um modelo menor, um método clássico ou nenhuma IA.
  2. Monte um pequeno conjunto de avaliação com casos reais e uma nota mínima de aprovação.
  3. Teste dois ou três tamanhos de modelo contra ele e meça a energia de cada um.
  4. Faça um piloto de roteamento num recurso de alto volume e acompanhe o custo por tarefa bem-sucedida.
  5. Inclua "use o menor modelo que atinja o padrão" na sua política de IA verde.
  6. Pergunte aos fornecedores quais tamanhos de modelo eles oferecem e qual a energia por pedido; veja compras sustentáveis de IA.

Perguntas frequentes

Os modelos de linguagem pequenos são bons o suficiente?

Para muitas tarefas bem definidas, como classificação, extração e roteamento, sim. Teste-os nos seus próprios casos, com um padrão de qualidade claro, antes de decidir.

O que é roteamento de modelos?

Um roteador analisa cada pedido e o envia ao modelo mais barato que provavelmente o resolverá bem, passando a um modelo maior só quando necessário. Roteadores publicados reduziram custos em mais da metade em alguns testes sem diminuir a qualidade.

Quando não devo usar IA?

Quando uma regra, uma consulta a tabela, uma busca ou um método numérico consolidado já faz a tarefa de forma confiável. Em geral, essas opções são mais baratas, mais rápidas, mais previsíveis e mais fáceis de verificar.

Um modelo maior é sempre mais preciso?

Não. Para tarefas restritas, um modelo pequeno com ajuste fino ou destilado pode igualar ou superar um modelo geral, e os erros dele costumam ser mais fáceis de entender.

Fontes

  1. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT 2024 (arXiv 2311.16863) (2024)
  2. AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO (2025)
  3. RouteLLM: Learning to Route LLMs with Preference Data, Ong et al. (arXiv 2406.18665) (2024)
  4. DistilBERT, a distilled version of BERT, Sanh et al. (arXiv 1910.01108) (2019)
  5. Comparative Analysis of Carbon Footprint in Manual vs. LLM-Assisted Code Development, arXiv 2505.04521 (2025)
  6. Green Software Patterns: right-sized, energy-efficient AI models, Green Software Foundation (2025)
  7. AI Energy Score, Hugging Face (2025)
  8. Web Sustainability Guidelines, W3C (2025)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade