O que o pensamento de Liang Wenfeng, da DeepSeek, significa para desenvolvedores de aplicativos de IA

Este artigo parte de uma comunicação a portas fechadas com investidores realizada depois que a DeepSeek concluiu uma primeira rodada de financiamento externo que, segundo relatos, ultrapassou RMB 50 bilhões. Liang Wenfeng conversou com todos os investidores institucionais em um formato aprofundado de perguntas e respostas. A sessão não foi divulgada publicamente, mas uma transcrição da gravação viralizou na internet chinesa em 23 de julho, dando ao mercado uma rara visão de como a DeepSeek pensa sobre AGI, código aberto, capacidade dos modelos, limites organizacionais e o ecossistema de aplicações.

Nota: O conteúdo a seguir foi compilado com base na transcrição da gravação da “Reunião de Liang Wenfeng com Investidores”. A transcrição original mostra sinais claros de transcrição de fala para texto, incluindo repetições coloquiais, ordem das palavras desorganizada e erros de reconhecimento localizados. Este artigo não é uma transcrição literal; em vez disso, sem alterar as ideias centrais, ele simplifica, consolida e reescreve as observações em um estilo escrito mais formal. As citações no artigo são trechos polidos com base no texto original identificável, com a intenção de preservar as expressões simples e os exemplos nas observações de Liang Wenfeng.

Transcrição editada das declarações de Liang Wenfeng

O Fio Condutor Principal Não É a Comercialização, mas a AGI

O objetivo mais importante da DeepSeek hoje continua sendo avançar a AGI.

Em conversas, Liang Wenfeng enfatizou repetidamente que a empresa não foi fundada com o propósito de “quanto dinheiro ela acabaria ganhando, abrir capital ou entrar nos mercados de capitais.” O primeiro grupo de pessoas começou a fazer isso com um desejo simples de ser útil à AI e ao desenvolvimento da inteligência humana.

*“No começo, não pensávamos em quanto dinheiro acabaríamos ganhando, se abriríamos capital ou o que faríamos nos mercados de capitais. No início, eram apenas algumas pessoas, depois dezenas de pessoas, que tinham uma grande boa vontade em relação ao mundo e sentiam que esse trabalho seria útil para a humanidade, então vieram fazê-lo.”*

Essa forma de colocar as coisas não é rebuscada; ela até vai um pouco contra a narrativa empresarial usual. Mas explica muitas das escolhas posteriores da DeepSeek: por que insiste em código aberto, por que não tem pressa em monetizar usuários, por que não leva a precificação da API em direção à maximização do lucro e por que continua a enfatizar a contenção diante de muitas tentações.

*“Uma visão não é um slogan de gestão pendurado na parede. Uma empresa não funciona com base no que você diz ou em como suas regras e sistemas estão escritos, mas no que você realmente faz. Na verdade, não temos uma abordagem organizacional particularmente complexa; somos simplesmente movidos por visão.”*

A DeepSeek buscará a comercialização, e vem fazendo isso o tempo todo. Usuários consumidores, receita empresarial e serviços de API podem todos fornecer suporte à empresa. Mas esses não são o objetivo final. Eles são mais como subprodutos e sistemas de apoio ao longo do caminho principal rumo à AGI, em vez de serem toda a razão pela qual a empresa existe.

*“Produtos de consumo, serviços empresariais e API são todos produtos da nossa jornada rumo à AGI. Não estamos construindo modelos para atender usuários consumidores ou usuários empresariais; nossa intenção original ainda é perseguir a AGI.”*

É por isso que ele não acredita que se deva gastar muito tempo agora discutindo linhas de produtos e caminhos de comercialização. A AI está mudando rápido demais; um caminho de negócios que parece claro hoje pode deixar de se sustentar depois de algum tempo.

*“Se gastarmos muito tempo agora discutindo linhas de produtos e caminhos de comercialização, acho que tudo isso é uma perda de tempo. Porque você não consegue prever o futuro, e até mesmo a experiência até agora sustenta esse julgamento: ainda é cedo demais para falar sobre caminhos de comercialização e linhas de produtos.”*

Isso não é uma rejeição à comercialização, mas uma questão de recolocar a comercialização em seu devido lugar: a comercialização deve servir ao fio condutor principal, não puxá-lo na direção oposta.

Código aberto não é anticomercialização; ele simplesmente não fica com todo o lucro

Código aberto e interesses comerciais não estão inerentemente em conflito.

Em discussões, Liang Wenfeng colocou a questão de forma muito clara: se uma empresa quer capturar todo o lucro, então o código aberto certamente enfraquecerá seu potencial comercial; mas, se ela busca apenas retornos razoáveis, o código aberto pode, em vez disso, expandir o ecossistema, fortalecer a colaboração e reduzir a barreira de entrada para usuários e desenvolvedores.

*“Se eu quiser obter um lucro cem vezes maior, o código aberto de fato afetaria minha capacidade de obter esse lucro cem vezes maior. Porque um terceiro pode implantá-lo, e talvez o custo dele seja vinte vezes, o que é menor que o meu. Mas, se obtivermos apenas um lucro razoável, não há conflito entre código aberto e pagamento comercial.”*

Por trás dessa declaração há um julgamento mais amplo: o que o código aberto realmente muda não é o caminho técnico, mas a distribuição de lucros. Modelos de código fechado tornam mais fácil concentrar lucros nas mãos da plataforma; modelos de código aberto deixam mais lucro para desenvolvedores, provedores de implantação, equipes de aplicação e usuários finais.

A lógica de preços da API da DeepSeek também não é “quanto os usuários ainda conseguem suportar”, mas sim “quanto tempo leva para recuperar os custos de hardware, com um lucro razoável restante”.

*“Nossa lógica de preços da API é aproximadamente baseada em recuperar os custos de equipamentos em dez meses. Não é uma precificação para maximizar lucros. Se o preço dobrasse novamente, o consumo de tokens talvez não fosse muito diferente e a receita quase dobraria, mas esse não é o nosso ponto de partida.”*

Ele também mencionou um detalhe muito pé no chão: no início, a equipe temia que a demanda fosse alta demais, então definiu o preço relativamente alto; mais tarde, quando o preço caiu, a equipe ficou realmente muito feliz. Porque todos sentiram que aquilo finalmente poderia se tornar acessível para mais pessoas.

*“No início, estávamos preocupados que a demanda fosse alta demais, então definimos o preço relativamente alto. Mais tarde, quando o preço caiu para um quarto, todos ficaram muito felizes. Não porque estivéssemos ganhando mais dinheiro, mas porque sentimos que aquilo era útil para as pessoas e finalmente poderia ser acessível para todos.”*

Portanto, os preços baixos da DeepSeek não são meramente uma guerra de preços; são uma estratégia de ecossistema. Preços baixos reduzem o custo de tentativa e erro, dando a mais desenvolvedores a confiança para usar, experimentar e implantá-la. Quanto menor o custo das chamadas, mais facilmente a AI pode entrar em fluxos de trabalho reais; quanto maior o ecossistema, mais oportunidades o próprio modelo tem de ser usado, receber feedback e melhorar.

*“A contenção também é uma estratégia. Às vezes, é possível abrir mão de certas coisas em troca de mais de outras. Ceder lucros é benéfico internamente para a empresa, para a sociedade e para os pares. No longo prazo, isso pode aumentar nossa probabilidade de alcançar AGI.”*

Essa também é a “boa vontade” que Liang Wenfeng enfatizou repetidamente. Ele não vê concorrentes reproduzindo o modelo como uma ameaça absoluta, e até diz que, se outros estiverem dispostos a implantá-lo e reproduzi-lo, a DeepSeek ajudará tanto quanto possível.

*“Esperamos que outros possam implantar nosso modelo, e não estamos preocupados que eles tirem negócios de nós. Só nos preocupamos que eles possam não conseguir implantá-lo, ou que certos detalhes possam não ser feitos corretamente, fazendo com que os resultados se degradem. Faremos o possível para oferecer ajuda à comunidade de código aberto.”*

A competição se resumirá a custo, tempo e experiência do usuário

Ao discutir a lacuna em IA entre a China e os Estados Unidos, Liang Wenfeng não disse que o talento é o maior problema. Ele enfatizou mais os recursos, especialmente o poder computacional.

Na visão dele, a lacuna mais prática entre as equipes chinesas e as principais equipes dos EUA está nos recursos de treinamento, no número de chips, nas condições experimentais e na densidade de iteração. As empresas dos EUA têm mais poder computacional, o que lhes permite criar modelos maiores e executar experimentos mais abrangentes; as empresas chinesas precisam reconhecer a lacuna real nesse aspecto.

*“A maior lacuna entre nós e os Estados Unidos está nos recursos. Talento não é o gargalo; recursos são o maior gargalo. Os recursos primeiro afetam o desenvolvimento de talentos, e também afetam quantos experimentos podemos executar e quão grande é o modelo que podemos treinar.”*

Mas ele não mitificou os modelos dos EUA como impossíveis de alcançar. Pelo contrário, ele acredita que a lacuna competitiva final em grandes modelos pode não estar em uma divisão de capacidade que nunca possa ser superada, mas em três áreas: custo, tempo e experiência do usuário.

*“Onde aparecerá a lacuna final nos grandes modelos? Acho que ela se resume a três áreas: custo, tempo e experiência do usuário. Além disso, talvez não haja muita lacuna.”*

Essa declaração é importante. Ela traz a competição de modelos de volta da “inteligência absoluta” para sistemas de negócios do mundo real: você consegue oferecer a mesma qualidade a um custo menor? Você o construiu alguns meses antes ou alguns meses depois? A experiência do usuário é um pouco mais rápida ou um pouco mais lenta?

*“Custo é definitivamente um diferencial. O segundo é o tempo: faz diferença se você constrói alguns meses antes ou alguns meses depois. O terceiro é a experiência: com a mesma coisa, se a experiência do usuário é um pouco mais rápida ou mais lenta, isso também fará diferença.”*

Isso também significa que a capacidade do modelo determina se algo pode ser demonstrado, enquanto a estrutura de custos determina se isso pode se tornar um produto. Se as lacunas de capacidade convergirem gradualmente, a competição verdadeiramente de longo prazo se deslocará para a eficiência de engenharia, o custo de inferência, a experiência do produto e a construção de ecossistemas.

A eficiência do modelo não é apenas otimização técnica; ela determina se um produto é viável

Liang Wenfeng dá grande importância à eficiência do modelo e aos custos de inferência.

Mas sua compreensão de baixo custo não é simplesmente “vender um pouco mais barato”. Baixo custo diz respeito, primeiro, a saber se mais usuários podem se dar ao luxo de usá-lo e, segundo, a saber se modelos maiores podem ser treinados e executados quando a computação é limitada.

*“Muitos de nossos colegas querem reduzir ainda mais os custos, porque sabem que isso nos custa dinheiro, e também esperam que seja menos oneroso para outras pessoas usarem. Se for um pouco mais barato, as pessoas estarão mais dispostas a aceitá-lo.”*

Esta é uma filosofia de produto muito direta: se a IA for cara, ela só poderá ser usada por um pequeno número de pessoas; se a IA for barata o suficiente, poderá entrar em mais ambientes de produção. A redução de custos não é um detalhe financeiro, mas um pré-requisito para a adoção generalizada da IA.

*“Quanto menor o custo, maior é minha eficiência computacional quando a computação é limitada, e mais capaz sou de dar suporte a modelos maiores. Para grandes empresas, elas podem resolver o problema adicionando recursos; mas nós priorizamos a eficiência de custos.”*

Para equipes de aplicações, esse julgamento é especialmente importante. Muitas aplicações de IA não fracassam porque a demanda é inválida, mas porque o modelo de custos não funciona. Uma demonstração pode parecer impressionante, mas, assim que entra em uso de alta frequência, os custos do modelo, a latência e as taxas de falha se tornam imediatamente questões de negócio.

O aprendizado contínuo é o principal desafio da próxima etapa

Na seção sobre o roteiro técnico, Liang Wenfeng mencionou repetidamente CoT, Agent e aprendizado contínuo.

Ele acredita que o desenvolvimento da AI é como subir degraus, um nível de cada vez. Modelos de linguagem são um degrau, CoT é outro, e Agent é mais um. Mas, quando Agent avançar até certo ponto, encontrará o próximo gargalo: o aprendizado contínuo.

*“O passo que estamos dando este ano é Agent. Com uma abordagem baseada em Agent, muitas coisas podem ser feitas, e o escopo das capacidades se tornará mais amplo. Mas Agent ainda não consegue substituir funcionários, porque ainda carece de aprendizado contínuo.”*

Ele usou um exemplo muito pé no chão para explicar a questão:

*“Quando você contrata um funcionário, ele pode passar dois meses se familiarizando com o ambiente da empresa e com o trabalho. Depois, quando você diz: ‘Peça ao Xiao Wang para vir aqui’, ele sabe quem é Xiao Wang. Mas a AI não consegue fazer isso. Você precisa dizer a ela quem é Xiao Wang, qual função ele tem, onde ele está e a que prestar atenção ao abordá-lo. Você não pode fornecer todo o contexto à AI todas as vezes.”*

Isso descreve com precisão um ponto problemático em muitos produtos de AI hoje. Um modelo pode ser muito capaz em uma única interação, mas tem uma memória organizacional de longo prazo fraca. Ele consegue responder a perguntas, mas tem dificuldade para acumular experiência como um funcionário; consegue executar tarefas, mas tem dificuldade para entender melhor a empresa ao longo do tempo.

*“Se a AI tivesse capacidades de aprendizado contínuo e pudesse passar dois meses aprendendo em uma empresa como um funcionário, então poderia substituir muitas pessoas. Neste momento, o próximo passo ainda exige ‘aprender a aprender’.”*

Portanto, o aprendizado contínuo não é um recurso secundário, mas uma capacidade crítica no caminho rumo a um Agent mais poderoso. Para a camada de aplicação, isso não significa necessariamente treinar continuamente os parâmetros do modelo; também pode ser alcançado por meio de memória, bases de conhecimento, registros de fluxos de trabalho, ciclos de feedback e acúmulo de dados organizacionais.

O futuro fosso competitivo das aplicações de AI não será o quão impressionante é a primeira resposta, mas se, no vigésimo uso, ela entende melhor o usuário, o negócio e a empresa.

O Desafio para o Hardware Nacional Não São Apenas os Chips, mas o Ecossistema

Ao discutir chips de IA nacionais, a avaliação de Liang Wenfeng é muito pragmática: no curto prazo, a questão não é apenas se o hardware existe, mas se existe um ecossistema.

A vantagem da NVIDIA não está apenas nas próprias placas, mas também no CUDA, na cadeia de ferramentas, nos hábitos dos desenvolvedores e no ecossistema construído ao longo de muitos anos. Para que as placas nacionais se tornem realmente utilizáveis, questões relacionadas à adaptação, compiladores, estabilidade de treinamento, eficiência de inferência e ao ecossistema de software precisam ser todas resolvidas.

*“Construir um ecossistema para placas nacionais que iguale o da NVIDIA, ou até o supere, não é algo sem obstáculos, mas levará tempo.”*

Ele também mencionou TileLang, que usa uma linguagem de nível mais alto e uma abordagem de compilação para reduzir a dependência do ecossistema CUDA. Não há necessidade de se prender a detalhes técnicos específicos aqui; o que realmente vale notar é outro julgamento: a IA, por sua vez, reconstruirá a infraestrutura de IA.

*“TileLang é uma linguagem de alto nível. No passado, não podíamos prescindir do ecossistema CUDA. Agora podemos reescrever tudo com TileLang, com menos código e eficiência muito maior. Uma perda de 1% a 2% na eficiência de execução é aceitável para mim.”*

No passado, era difícil contornar o ecossistema CUDA. Mas, se a IA puder ajudar a escrever código, criar compiladores e otimizar operadores, o custo de desenvolver um ecossistema de hardware nacional pode diminuir. A competição no hardware nacional de IA não diz respeito apenas ao desempenho do hardware, mas também ao ecossistema de software e à eficiência de desenvolvimento.

A Palavra-Chave na Organização É Foco, Não Flexibilidade Excessiva

A abordagem organizacional da DeepSeek tem duas linhas: uma de cima para baixo e outra de baixo para cima.

De cima para baixo significa que lançamentos importantes e metas essenciais exigem colaboração de toda a empresa. Por exemplo, quando uma versão importante será lançada, o trabalho precisa ser dividido, com cada pessoa responsável por uma parte.

De baixo para cima significa que os pesquisadores precisam ter espaço para sua própria exploração. Nem tudo é impulsionado por KPI, e nem toda pesquisa é atribuída.

*“A gestão da nossa empresa tem duas linhas: uma de cima para baixo e outra de baixo para cima. De baixo para cima significa que todos fazem o que querem fazer; ninguém os gerencia, e não há KPI.”*

Mas isso não deve ser entendido simplesmente como “gestão frouxa.” A premissa de não ter KPI é que a empresa sabe o que não fazer. Se uma empresa não tem uma direção clara, tem uma linha de produtos caótica e aceita todos os pedidos dos clientes, então tentar aprender “sem KPI” só terminará em perda de controle.

Liang Wenfeng também disse que lançamentos formais e tarefas críticas ainda exigem colaboração de cima para baixo. É apenas que esses arranjos formais não devem ocupar todo o tempo; é preciso preservar espaço para pesquisa e exploração.

*“De cima para baixo significa que, quando precisamos formalmente lançar uma versão, todos trabalham juntos e cada pessoa faz uma parte. Mas esperamos que os arranjos formais não ocupem todo o tempo dos funcionários—idealmente, não mais da metade—para que eles ainda tenham tempo para explorar por conta própria.”*

Sobre horas extras, sua visão também é muito direta: a DeepSeek geralmente não faz muitas horas extras. Um motivo é que a pesquisa exige um ambiente relativamente relaxado; o outro é que a empresa é extremamente focada, então há menos coisas a fazer.

*“Geralmente não fazemos muitas horas extras. Primeiro, fazer pesquisa exige um ambiente relativamente relaxado; segundo, somos altamente focados, o que significa que há muito poucas coisas que precisamos fazer. Quando há menos coisas, cada pessoa tem menos trabalho atribuído, então não há necessidade de horas extras.”*

Por trás dessa declaração ainda há contenção. A empresa não faz tudo, não aproveita todas as oportunidades e não entra em todas as direções comerciais. A gestão não se trata de preencher a agenda da equipe, mas de ajudar a equipe a reduzir ações ineficazes e preservar espaço para explorações realmente importantes.

O ecossistema cresce mais quando você não integra verticalmente

A era da IA criará muitas oportunidades de negócios, mas a DeepSeek não pretende fazer tudo sozinha.

Na conversa, Liang Wenfeng usou um exemplo muito pé no chão: se você opera uma usina de energia, não precisa necessariamente construir os geradores e equipamentos por conta própria; desde que o preço seja razoável, outros podem construí-los. O mesmo vale para empresas de IA: elas não precisam necessariamente engolir todo o upstream, downstream, aplicações e cenários da indústria.

*“Por exemplo, se você opera uma usina de energia, por que precisa construir os geradores por conta própria? Desde que o preço seja razoável, o equipamento de geração de energia pode ser construído por outra pessoa. Esperamos não precisar fabricar chips nós mesmos, desde que possamos comprá-los a um preço razoável.”*

Para a DeepSeek, a IA já é grande o suficiente; não há necessidade de consumir toda a cadeia de valor. Uma empresa deve se concentrar apenas na parte mais crítica e na parte em que é melhor, deixando outros setores, aplicações e cenários para os parceiros do ecossistema.

*“A era da IA produzirá muitas empresas de trilhões de dólares. Fazer apenas uma pequena parte disso já é grande o suficiente para mim; não há necessidade de fazermos tudo sozinhos. Esperamos que outros façam as outras coisas.”*

Quanto mais uma empresa de IA tenta capturar todo o valor, menor o ecossistema se torna; quanto mais disposta ela estiver a se concentrar apenas no que faz melhor, maior o ecossistema se torna.

*“Esperamos que essas tecnologias de IA possam ser usadas em todos os tipos de ambientes de produção para melhorar a produtividade social. Temos a motivação para fazer isso, mas se temos o tempo, as pessoas e se nossos colegas têm interesse nisso é outra questão. Não há conflito de interesses.”*

Insights para a indústria de IA e equipes de aplicações

Modelos de código fechado e de código aberto não são uma questão de crença, mas uma escolha em nível de sistema

A visão de Liang Wenfeng sobre a competição em IA entre China e Estados Unidos oferece aos desenvolvedores de aplicações um insight que não é sobre “apostar em quem vai vencer”, mas sobre repensar a seleção de modelos.

Modelos de código fechado e de código aberto não são uma questão de crença; são uma escolha combinada que envolve capacidade, custo, controlabilidade, velocidade de entrega, segurança de dados e espaço de ecossistema.

Os principais modelos de código fechado nos Estados Unidos ainda têm vantagens: amplo poder computacional, pesquisa intensiva, experiência de usuário madura e produtos estáveis. Mas, se os modelos de código fechado permanecerem caros no longo prazo, com altos custos de chamada e opções de implantação limitadas, eles empurrarão parte da inovação em aplicações para sistemas de modelos mais baratos, mais abertos e mais flexíveis.

Para os desenvolvedores, a pergunta do futuro não deve ser simplesmente “qual modelo é o mais forte”, mas sim:

• Esta tarefa realmente exige o modelo mais forte?
• O custo sustenta o uso de alta frequência?
• A latência é baixa o suficiente para se encaixar em fluxos de trabalho reais?
• Os dados e os métodos de implantação são controláveis?
• As ferramentas do ecossistema são maduras o suficiente?
• O produto tem um mecanismo de fallback quando ocorrem erros?

O modelo mais forte não é necessariamente adequado para todas as tarefas. Aplicações de IA verdadeiramente maduras geralmente colocam diferentes modelos nas posições certas: modelos poderosos lidam com julgamentos complexos, modelos de menor custo lidam com tarefas de alta frequência, e regras e cache lidam com fluxos de trabalho estáveis.

Pequenos e médios desenvolvedores devem construir sobre modelos e resolver os problemas mais próximos dos usuários

Liang Wenfeng deixou claro que a DeepSeek não precisa fazer tudo sozinha; muitas aplicações e cenários do setor devem ser concluídos por parceiros do ecossistema.

Esta é uma boa notícia para pequenos e médios desenvolvedores. O futuro ecossistema de IA não pertencerá apenas às empresas de modelos fundamentais. Pequenos e médios desenvolvedores devem se concentrar em pontos de entrada específicos e práticos, em vez de tentar replicar grandes empresas de modelos.

Direções mais realistas incluem:

• Automação de processos verticais: Em vez de criar um chatbot de uso geral, resolva um processo específico dentro de um determinado setor.
• Empacotamento de capacidades de modelos: Transforme capacidades complexas de modelos em ferramentas que os usuários possam usar diretamente.
• Conectores de dados: Ajude empresas a conectar dados internos, documentos, planilhas e sistemas à IA.
• Avaliação e monitoramento: Ajude empresas a avaliar a qualidade, o custo, a latência e o risco das saídas de IA.
• Serviços de localização e implantação: Forneça implantação privada, ajuste fino e operações em torno de modelos de código aberto.
• Camadas de conhecimento setorial: Transforme regras, terminologia, casos e fluxos de trabalho do setor em sistemas de conhecimento que a IA possa acionar.

Pequenos e médios desenvolvedores não precisam competir com empresas de modelos na trilha principal. A abordagem mais inteligente é construir sobre as capacidades dos modelos e criar a camada que está mais próxima dos usuários.

Aplicações de IA devem seguir os fluxos de trabalho dos usuários, não o hype dos modelos

O maior problema para muitas equipes de aplicações hoje é que elas tratam a IA como uma embalagem, em vez de uma capacidade.

Uma aplicação de IA verdadeiramente valiosa não é aquela que simplesmente adiciona mais uma caixa de entrada à página, nem aquela que transforma a caixa de busca original em uma caixa de chat. É aquela que ajuda os usuários a dar um passo a menos, fazer um julgamento a menos, organizar uma rodada a menos de informações ou esperar por uma etapa a menos.

Os usuários não estão usando IA apenas por usar IA. Eles querem concluir tarefas mais rapidamente, cometer menos erros, reduzir custos, tomar decisões melhores e alcançar maior conversão.

Portanto, as equipes de aplicações de IA devem se concentrar em várias métricas em cenários do mundo real:

• Se o tempo de que os usuários precisam para concluir tarefas é reduzido;
• Se o custo da revisão manual é reduzido;
• Se a qualidade da saída é consistente;
• Se as falhas são controláveis;
• Se ela consegue se integrar aos sistemas existentes;
• Se ela consegue aprender continuamente o contexto de negócios.

Se essas perguntas não puderem ser respondidas, o produto provavelmente é apenas um invólucro de IA.

Produtos de AI Devem Evoluir de Ferramentas para Sistemas de Trabalho

Muitas aplicações de AI hoje ainda estão no estágio de ferramentas: o usuário fornece uma entrada, e a AI produz uma saída.

Mas produtos com valor real de longo prazo se tornarão sistemas de trabalho:

• Eles conseguem entender o contexto da tarefa;
• Eles conseguem chamar várias ferramentas;
• Eles conseguem ler dados de negócios;
• Eles conseguem executar ações;
• Eles conseguem registrar resultados;
• Eles conseguem reutilizar a experiência na próxima tarefa.

Por exemplo, para equipes de marketing, AI não se trata apenas de escrever um texto publicitário; ela pode formar um ciclo fechado que vai da análise de dados, monitoramento de concorrentes, geração de ativos e recomendações de campanhas até análises de desempenho e a próxima rodada de otimização.

Para equipes de desenvolvimento, AI não se trata apenas de completar código; ela pode entender a base de código, reproduzir problemas, identificar causas-raiz, escrever testes, enviar correções e registrar lições aprendidas.

Esta é a verdadeira oportunidade na camada de aplicação.

A palavra-chave final é contenção

A palavra-chave que atravessa de forma mais consistente as observações de Liang Wenfeng é contenção.

Contenção não é conservadorismo; é uma escolha estratégica. O que torna a DeepSeek mais distintiva não é apenas o que ela fez, mas também as muitas coisas que claramente poderia fazer, monetizar e escalar, mas escolhe não fazer.

Não crie recursos de imagem imediatamente só porque um modelo pode gerar imagens; não crie recursos de Agent imediatamente só porque Agent está em alta; não reconstrua um produto imediatamente só porque um projeto de código aberto viralizou; não coloque um requisito no roadmap só porque um cliente pediu.

Há muitas oportunidades na era da IA, mas quanto mais oportunidades existem, mais importante é fazer escolhas.

Direções que realmente valem a pena seguir geralmente atendem a três critérios:

• Os usuários já têm um ponto de dor claro;
• A IA pode reduzir significativamente custos ou melhorar a eficiência;
• O produto pode acumular dados, fluxos de trabalho ou conhecimento do setor, tornando-se mais forte com o uso.

Se uma direção não atende a esses três critérios, então, mesmo que pareça estar em alta, pode ser apenas ruído.

Resumo

À primeira vista, esta transcrição da reunião de Liang Wenfeng com investidores discute a estratégia de código aberto da DeepSeek, comercialização, poder computacional, eficiência dos modelos e abordagem organizacional. Em um nível mais profundo, trata de como as empresas de AI podem manter o foco em sua direção principal em meio a enormes oportunidades.

Para empresas de modelos de base, além de liderar em capacidade, custo, abertura e espaço para o desenvolvimento do ecossistema se tornarão cada vez mais importantes.

Para gestores de empresas de AI, gestão não é preencher a equipe, mas ajudar a equipe a reduzir ações ineficazes e preservar o espaço necessário para uma exploração verdadeiramente importante.

Para desenvolvedores pequenos e médios, não compitam com empresas de modelos de base em sua trilha principal. Em vez disso, encontrem seu próprio ponto de entrada focado em torno do ecossistema de código aberto, fluxos de trabalho verticais, conectividade de dados e experiência do usuário.

Para equipes de aplicações de AI, o modelo é apenas o começo. O valor real do produto vem do controle de custos, da execução de tarefas em ciclo fechado, do aprendizado contínuo e dos resultados de negócios.

Em última análise, o que mais vale lembrar da mensagem da DeepSeek não é nenhum detalhe técnico específico, mas uma forma de julgamento: em uma fase em que as oportunidades de AI estão explodindo, o que é verdadeiramente escasso não é a capacidade de agir, mas a contenção; não fazer mais, mas fazer consistentemente as coisas certas.