A maioria das empresas acha que o maior desafio para a IA é fazer um experimento promissor, demonstração ou prova de conceito e trazendo-o ao mercado. O analista digital da McKinsey Rodney Zemmel resume isso: é “Tão fácil iniciar um piloto que você pode ficar preso nessa abordagem de ‘morte por 1.000 pilotos'”. É fácil ver o potencial da IA, criar algumas idéias e aumentar dezenas (se não milhares) de projetos piloto. No entanto, o problema não é apenas o número de pilotos; É também a dificuldade de colocar um piloto em produção, algo chamado “Prova de Idea Purgatory”, de Hugo Bowne Anderson, e também discutido por Chip Huyen, Hamel Husain e muitos outros autores de O’Reilly. Nosso trabalho se concentra nos desafios que acompanham os POCs à produção, como escalar infraestrutura de IA, melhorar a confiabilidade do sistema de IA e produzir valor comercial.
Trazer produtos para a produção inclui mantê -los atualizados com as mais recentes tecnologias para a construção de sistemas de IA Agentic, PanoGraphrag e MCP. Também estamos seguindo o desenvolvimento de modelos de raciocínio, como Deepseek R1, QWQ da Alibaba, Open 4O1 e 4O3 da IA, Gemini 2 do Google e um número crescente de outros modelos. Esses modelos aumentam sua precisão planejando como resolver problemas com antecedência.
Aprenda mais rápido. Cavar mais fundo. Veja mais longe.
Os desenvolvedores também precisam considerar se devem usar APIs dos principais fornecedores como IA Open, Antrópica e Google ou depender de modelos abertos, incluindo o Gemma, do Google, Llama de MetaR1 de Deepseek e os muitos pequenos modelos de idiomas que são derivados (ou “destilados”) de modelos maiores. Muitos desses modelos menores podem funcionar localmente, sem GPUs; Alguns podem ser executados em {hardware} limitado, como telefones celulares. A capacidade de executar modelos localmente oferece opções de desenvolvedores de IA que não existiam há um ou dois anos. Estamos ajudando os desenvolvedores a entender como colocar essas opções para usar.
Um desenvolvimento closing é uma mudança na maneira como os desenvolvedores de software program escrevem código. Os programadores dependem cada vez mais dos assistentes de IA para escrever código e também estão usando a IA para testes e depuração. Longe de ser o “fim da programação”, esse desenvolvimento significa que os desenvolvedores de software program se tornarão mais eficientes, capazes de desenvolver mais software program para tarefas que ainda não tenhamos automatizado e tarefas que ainda não imaginamos. O termo “codificação da vibração” capturou a imaginação well-liked, mas usar assistentes de IA exige apropriadamente a disciplina – e agora estamos apenas entendendo o que essa “disciplina” significa. Como Steve Yegge diz, você deve exigir que a IA escreve código que atenda aos seus padrões de qualidade como engenheiro.
A codificação assistida pela IA é apenas a ponta do iceberg, no entanto. O autor de O’Reilly, Phillip Carter, ressalta que o LLMS e o software program tradicional são bons em coisas diferentes. Compreender como fundir os dois em um aplicativo eficaz requer uma nova abordagem para arquitetura de software program, depuração e ‘evalas’, monitoramento e observabilidade a jusante e operações em escala. Os serviços dominantes da Web foram construídos usando sistemas que fornecem ricos loops de suggestions e acumulação de dados; Esses sistemas de controle e otimização serão necessariamente diferentes, pois a IA ocupa o centro do palco.
O desafio de alcançar o potencial complete da IA não é apenas verdadeiro para a programação. A IA está mudando a criação de conteúdo, design, advertising and marketing, vendas, aprendizado corporativo e até processos de gerenciamento interno; O desafio será a criação de ferramentas eficazes com a IA, e os funcionários e clientes precisarão aprender a usar essas novas ferramentas de maneira eficaz.
Ajudando nossos clientes a acompanhar esta avalanche de inovação, transformando o tempo todo pilotos em implementação eficaz: esse é o nosso trabalho em uma frase.