LLMs e IA no 2025: experimentos, frustrações e algumas grandes surpresas
O 2025 foi um ano de experimentação prática para nós com LLMs e IA aplicada. Em vez de apenas observar o espaço das margens, passamos o ano construindo, testando, quebrando coisas e tentando ideias que às vezes funcionavam e outras não.
A sensação geral é mista. Algumas partes da tecnologia são impressionantes e estão evoluindo incrivelmente rápido. Outras ainda parecem cedo e frágeis. Aqui está um resumo das coisas que aprendemos e como isso está moldando o que queremos fazer em seguida.
Misturando busca semântica e de texto completo
Uma grande parte do nosso trabalho este ano focou em sistemas de busca construídos em torno de LLMs. Experimentamos muito com busca híbrida: combinando busca semântica (embeddings + bancos de dados vetoriais) com busca de texto completo clássica.
Na prática, a combinação é poderosa. A busca semântica ajuda a recuperar informações relevantemente conceitualmente, enquanto a busca de texto completo mantém as coisas precisas e explicáveis. Quando ambas são bem ajustadas, os resultados são significativamente melhores do que usando apenas uma delas.
O problema é a complexidade. Manter os índices vetoriais em sincronia, ajustar a classificação e gerenciar a infraestrutura exige esforço real de engenharia. Não é plug-and-play ainda.
Nossa recomendação honesta atual é: se você não tiver os recursos para experimentos arriscados e uma certa quantidade de tentativa e erro, pode ser melhor esperar. O ecossistema está evoluindo rapidamente, mas hoje ainda favorece equipes que conseguem explorar e iterar.
RAG vs grande contexto: depende
Também passamos tempo comparando pipelines RAG com abordagens que dependem mais do grande contexto.
Eramos esperançosos de encontrar um vencedor claro. Não encontramos.
O RAG é excelente quando se está lidando com grandes ou constantemente mudantes bases de conhecimento. Abordagens com grande contexto simplificam a arquitetura, mas podem se tornar caras e imprevisíveis em grande escala. Em sistemas reais, terminamos com híbridos em muitos casos.
A principal conclusão é que ainda não existe uma receita universal. As decisões arquitetônicas ainda são muito específicas para cada aplicação, e muito do que funciona vem do experimento em vez de práticas estabelecidas.
Uso de bancos de dados vetoriais para aprendizado de máquina tabular (uma curiosidade inusitada)
A algum ponto, decidimos tentar algo um pouco louvo: usar bancos de dados vetoriais para realizar aprendizado de máquina tabular clássico.
No ponto prático, não foi muito bem-sucedido. Para tarefas preditivas padrão, pipelines tradicionais de aprendizado de máquina ainda são muito mais eficientes e diretas.
No entanto, essa curiosidade foi surpreendentemente produtiva. Ela forçou-nos a explorar mais a fundo agrupamento, métricas de similaridade e engenharia de recursos. Essa exploração abriu novas direções de pesquisa e terminou alimentando artigos de pesquisa que ainda estamos desenvolvendo.
Portanto, embora a ideia original não tenha se mostrado eficaz como abordagem de produto, deu certo como pesquisa.
O salto enorme no coding de IA
A maior mudança impressionante este ano foi o coding de IA.
No início de 2025, sistemas de coding agente lutavam com tarefas relativamente simples. Obter uma boa página de aterramento frequentemente exigia muito trabalho manual. Ao final do ano, esses mesmos sistemas podiam gerar e organizar projetos complexos e multi-componentes de forma que realmente parecia utilizável.
Isso muda o que as pequenas equipes podem realimentarmente construir. O coding de IA não é mais apenas autocompletação aparente. Está começando a sentir-se como um verdadeiro parceiro de desenvolvimento.
Estamos verdadeiramente admirados com a velocidade de melhoria aqui.
O que estamos focando em 2026
Tudo isso leva diretamente em nossos planos para 2026.
Queremos aproveitar o que já aprendemos e focar fortemente no uso do coding de IA para ajudar pequenas empresas através de aplicações iOS muito específicas. Em vez de construir plataformas amplas, estamos mais interessados em ferramentas direcionadas que resolvem problemas concretos.
Vamos explorar mais a fundo por que estamos focando em iOS e como estamos pensando sobre a estratégia de produto no futuro.
Reflexões finais
Se tivéssemos que resumir 2025 em uma frase: a tecnologia é poderosa, mas ainda desigual.
Pesquisa híbrida funciona, mas é complexa. RAG versus contexto é situacional. Algumas ideias experimentais falham de formas úteis. E o codificação com IA fez uma salto que abre novas possibilidades para equipes pequenas.
Encerramos o ano com sentimentos mistos sobre a maturidade, mas com muita otimismo sobre a direção. As coisas estão se movendo rápido e a lacuna entre pesquisas e aplicações práticas está diminuindo.
Para equipes dispostas a experimentar e tolerar a incerteza, é um momento muito interessante para construir.