Segundo a McKinsey, 88% das organizações já usam inteligência artificial em ao menos uma função de negócio. Sob a ótica de Jean Pierre Lessa e Santos Ferreira, especialista em tecnologia, software e inteligência artificial, o dado desloca a discussão: a dúvida deixou de ser adotar ou não a IA e passou a ser como fazê-lo. Desenvolver soluções próprias, contratar plataformas prontas ou combinar os dois caminhos é o dilema conhecido como build vs. buy, e a resposta varia conforme o papel que cada aplicação cumpre no negócio.
Quando desenvolver internamente faz sentido
Construir uma solução própria se justifica quando ela sustenta um diferencial competitivo. Se o algoritmo de precificação, o motor de recomendação ou o sistema logístico definem como a empresa compete, entregá-los a um fornecedor significa abrir mão de controle sobre aquilo que a distingue no mercado.
Na trajetória de Jean Pierre Lessa e Santos Ferreira, a criação do marketplace, da estrutura própria de logística de última milha e de soluções de mídia baseadas em machine learning exemplifica a lógica: produtos digitais desenvolvidos internamente que se tornaram diferencial competitivo. O custo, porém, é alto, porque exige times qualificados, manutenção contínua e paciência até o primeiro resultado.
Comprar acelera, mas cria dependência
Contratar uma plataforma pronta reduz o prazo de entrega e transfere ao fornecedor a evolução da tecnologia. Na IA generativa, a opção é especialmente atraente: treinar um modelo de fundação do zero exige volumes de dados e capacidade computacional fora do alcance da maioria das empresas, enquanto modelos acessados por API ficam disponíveis em dias.
O preço da conveniência aparece depois. A dependência de fornecedor, conhecida como lock-in, limita a negociação de preços e dificulta mudanças futuras. Há ainda questões de governança, como o trajeto dos dados, quem tem acesso a eles e como o modelo foi treinado, que precisam ser resolvidas antes da assinatura do contrato.
Qual opção custa menos no longo prazo?
A comparação financeira costuma falhar por olhar apenas o desembolso inicial. Uma solução própria exige equipe, infraestrutura e atualização permanente; uma contratada envolve licenças, cobrança por uso e custos de integração que crescem com o volume. Em IA, a cobrança por chamada de modelo pode superar o custo de desenvolvimento quando a aplicação atinge milhões de usuários.

Como observa Jean Pierre Lessa e Santos Ferreira, a análise precisa considerar o ciclo de vida completo da solução, incluindo a eventual saída. Migrar de um fornecedor para outro, ou internalizar uma ferramenta contratada, tem custo próprio, e ignorá-lo distorce a decisão desde o início.
O modelo híbrido ganha espaço
Na prática, poucas empresas escolhem um caminho puro. O arranjo mais comum combina componentes contratados, como modelos de linguagem e serviços de nuvem, com camadas próprias de dados, regras de negócio e integração. A empresa compra a base tecnológica e constrói aquilo que a torna única.
A abordagem híbrida exige arquitetura desacoplada. Quando a aplicação conversa com o modelo por meio de interfaces padronizadas, trocar de fornecedor deixa de significar reescrever o sistema, e a empresa preserva poder de escolha diante de um mercado que muda a cada trimestre.
Maturidade do time pesa na decisão de build vs. buy
Nenhuma das opções funciona sem gente capaz de executá-la. Desenvolver internamente pressupõe engenheiros de software, cientistas de dados e especialistas em machine learning. Contratar, por outro lado, exige profissionais que saibam avaliar, integrar e auditar soluções de terceiros, competência que muitas empresas subestimam.
A experiência de Jean Pierre Lessa e Santos Ferreira na liderança de times com mais de 3 mil profissionais de tecnologia, dados e machine learning reforça o peso das pessoas nessa equação. A escolha mais acertada no papel perde valor se a equipe não tiver maturidade para sustentá-la, e por isso a capacitação entra no cálculo tanto quanto o custo.
