O alpha estava no arquivo: o que o case da Bridgewater ensina sobre modelos especializados
Os modelos pequenos, abertos e especializados vão liderar a ampla expansão das IAs nas empresas.
A Bridgewater levou Gemini, Claude e GPT ao teto do prompt e parou abaixo do corte de 80%. Um modelo aberto fine-tunado nos exemplos dos próprios investidores chegou a 84,7% com custo 13,8 vezes menor. O ingrediente decisivo estava guardado dentro de casa.
Três semanas atrás, escrevi aqui que o julgamento acumulado nos arquivos de uma organização é o ativo que nenhum concorrente compra por API (O ativo invisível). Era o argumento econômico. Nesta semana, o AIA Labs da Bridgewater, em parceria com a Thinking Machines Lab, publicou o case que dá a esse argumento a demonstração técnica: o maior hedge fund do mundo mostrando, com números, por que tratar modelos open-weight como segunda divisão da IA é um erro de leitura.
Organizei a leitura em quatro movimentos: o teto do prompt, a virada do fine-tuning, o tratamento dos dados e a arquitetura que emerge quando os três se encontram.
O teto do prompt
A equipe testou variantes de Gemini, Claude e GPT em seis tarefas reais de filtragem de documentos que investidores fazem todos os dias: decidir se um artigo de notícia importa para quem aloca capital, se um documento de banco central sinaliza a direção dos juros, se um relatório ajuda a responder uma pergunta específica, onde começa o boilerplate de um documento ou de um e-mail.
Com prompts simples, os modelos ficaram perto de 50% de acurácia média. Quase uma moeda.
Com prompts escritos pelos especialistas, subiram para a casa dos 70, e o melhor modelo testado chegou a 78,2%. Melhor, mas ainda abaixo dos 80% que os investidores definiram como mínimo para confiar no sistema dentro do fluxo de trabalho. Métodos automáticos de otimização de prompt foram testados na sequência e devolveram ganho zero. Trocar de geração também ajudou pouco: o GPT 5.4 custa 43% a mais que o 5.2 e entrega acurácia quase igual nessas tarefas.
A virada
Aí vem a parte interessante. Em vez de insistir em prompt engineering, eles fine-tunaram um modelo open-weights, o Qwen3-235B, usando o Tinker, a infraestrutura de treino da Thinking Machines.
O resultado: 84,7% de acurácia média, 29,8% menos erros que o melhor frontier model testado e custo de inferência 13,8 vezes menor por tarefa.
O recipe importa. O baseline com GRPO já levou o modelo base de 44,8% para 73,5% de acurácia. Três refinamentos empurraram o resto do caminho: batching intercalado entre as tarefas, uma função de perda com clipping assimétrico (CISPO) e on-policy distillation em que o melhor checkpoint validado é promovido a professor do próprio treino.
Esse é o ponto central do case. A pergunta que a Bridgewater respondeu foi “qual modelo consegue aprender o julgamento específico dos nossos investidores”. E essa pergunta é bem diferente de “qual modelo sabe mais sobre finanças”.
O que um prompt captura
Julgamento específico raramente cabe inteiro em um prompt. Um prompt captura aquilo que o especialista consegue verbalizar. Boa parte do valor, porém, está no que ele aprendeu por repetição, contexto, erro, comparação, leitura de sinais fracos e anos de gosto acumulado. Esse tipo de conhecimento transfere mal por instrução e transfere bem por exemplo.
O próprio paper traz a ilustração perfeita: os investidores consideram as seis tarefas triviais e travam na hora de articular o processo de decisão. A regra que separa uma manchete geopolítica irrelevante de uma manchete geopolítica que move mercado existe na cabeça deles, funciona todos os dias e resiste à verbalização.
O detector de dados ruins
A parte mais inteligente do case, para mim, foi o tratamento dos dados. A primeira base de treino veio de fornecedores, rotulada por gente de fora do domínio, e os modelos treinados nela continuavam ruins. Examinando os traces de raciocínio, a equipe percebeu que muitos labels estavam simplesmente errados.
Como revisão por especialista é cara, eles montaram um esquema de verificação elegante: treinaram um modelo na base ruidosa e depois rodaram esse mesmo modelo sobre os próprios dados de treino. Quando o modelo discordava do label, o exemplo ia para os investidores especialistas revisarem. Se um modelo tropeça num exemplo que estava no próprio treino, ou o exemplo é genuinamente difícil, ou o label estava errado.
A confusão do modelo virou detector de dados ruins.
A tese
A lição vai bem além de “fine-tuning funciona”.
Modelos de fronteira são excelentes generalistas. O dia a dia de uma empresa, porém, é feito de decisões repetidas, critérios internos, exceções, histórico, contexto e julgamento acumulado. E quando a tarefa é específica, o dado é próprio e a métrica é clara, modelos menores e especializados podem vencer em três dimensões ao mesmo tempo: acurácia, custo e controle.
Há um espelho aqui do movimento que descrevi em O fim do código como ativo: quando todo concorrente acessa os mesmos modelos de fronteira por API, o acesso deixa de diferenciar, e o prêmio migra para o insumo que só a sua operação produz.
A evidência além da Bridgewater
E a Bridgewater tem companhia. O LoRA Land, da Predibase, avaliou 310 modelos fine-tunados com LoRA em 31 tarefas e reportou os especializados superando o GPT-4 em média nas tarefas testadas. Um benchmark da Distil Labs com 12 modelos pequenos mostra o Qwen3-4B fine-tunado igualando ou excedendo o GPT-OSS-120B, um modelo trinta vezes maior, em 7 de 8 benchmarks. E um case recente de suporte ao cliente mostra um modelo de 0,8B de parâmetros, treinado em uma hora por poucos dólares, superando GPT-5.4 e Claude Opus 4.6 em classificação de tickets, por 6,3 e 8,4 pontos respectivamente.
Comparar um modelo aberto pequeno com um frontier model no abstrato é medir com a régua errada. A comparação que interessa coloca um frontier model genérico contra um modelo menor treinado exatamente no seu problema, nos seus dados e na sua régua de qualidade.
Caramelo, o mesmo raciocínio na escala de uma pessoa
Foi essa lógica que me levou a criar o Caramelo, meu experimento pessoal open-source. Ele nasceu para testar uma pergunta estreita: até que ponto um modelo pequeno, barato e aberto consegue aprender uma camada específica de identidade, estilo e, no futuro, raciocínio a partir de um corpus próprio. Competir com frontier models em inteligência geral ficou fora da tese desde o primeiro dia.
O corpus, no meu caso, foram os meus próprios textos: um adapter LoRA treinado sobre um modelo aberto da família Gemma com os artigos que publiquei nesta newsletter ao longo de cinco anos, por menos de um dólar de GPU, rodando hoje numa VPS sem GPU e servido como API aberta. Essa primeira camada captura voz. A próxima fronteira é treinar padrões de raciocínio com exemplos verificáveis.
Esse último ponto merece cuidado: copiar chain-of-thought de um modelo forte, sem critério, apenas cristaliza dado ruim no modelo pequeno. A vantagem aparece quando existem tarefa estreita, avaliação objetiva, bons exemplos e um ciclo sério de revisão. O case da Bridgewater é exatamente a demonstração desse ciclo funcionando em produção.
A arquitetura híbrida
Por isso, o futuro que eu enxergo é uma arquitetura híbrida.
Modelos de fronteira trabalham como professores, revisores, geradores de dados sintéticos, avaliadores e orquestradores. Modelos abertos e especializados carregam o diferencial específico de uma pessoa, equipe ou instituição, com custo viável e controle maior. A Thinking Machines chama essa visão de differentiated intelligence. Eu chamo de levar a sério o que a organização já sabe.
O alpha estava no arquivo
Toda empresa grande tem décadas de decisões, documentos, pareceres, e-mails, análises, tickets, propostas, contratos, reuniões e revisões feitas por especialistas. Na maioria dos casos, isso está espalhado em pastas, CRMs, ERPs, drives e caixas de entrada. Ali mora um ativo que nenhum modelo de fronteira tem por padrão: o julgamento proprietário daquela organização.
A Bridgewater mostrou isso em finanças. O mesmo raciocínio vale para jurídico, vendas, atendimento, compliance, research, produto, engenharia, educação e praticamente qualquer área onde exista julgamento humano repetido ao longo do tempo. E vale ainda mais para quem desenha as aplicações para aprender com o próprio uso, transformando a operação diária em produtora contínua de exemplos rotulados.
O alpha estava no arquivo o tempo todo. A diferença é que agora ele pode virar modelo.
A pergunta que deixo para o seu planejamento: quais decisões os seus melhores especialistas repetem toda semana, e onde estão os exemplos que ensinariam um modelo a repeti-las com a sua régua de qualidade?