Modelo de AI vertical vs wrapper de GPT

Não, sozinho não — e a pergunta está mirando no lugar errado. Se um fornecedor treina o próprio modelo, isso é um fato sobre a estrutura de custo dele, a latência e onde ele consegue fazer deploy, não um previsor de que a saída atende ao seu padrão. Um “modelo de AI vertical” significa que o fornecedor alterou os pesos com dados do domínio. Um “wrapper de GPT” significa que ele não alterou e, em vez disso, construiu prompts, retrieval, tooling e um produto em volta da API de outra empresa. As duas descrições cobrem produtos que funcionam e produtos que não funcionam.

Não é um nível de qualidade e, sozinho, também não é uma vantagem defensável. Pesos próprios não certificam precisão, e uma chamada de API não condena precisão. A pergunta de compra é mais estreita: o que este fornecedor tem que um concorrente com a mesma API key não consegue reconstruir em um trimestre — e essa resposta sobrevive ao próximo lançamento de um modelo frontier?

Quatro coisas diferentes que os fornecedores chamam de “nosso próprio modelo”

A expressão cobre uma escada com cerca de 1000x de diferença entre os degraus em custo e defensabilidade.

1. Engenharia de prompt e de contexto. System prompts, definições de ferramentas, schemas de saída, estratégia de chunking. Isso é um wrapper, e chamar de modelo é marketing. Também é de onde vem a maior parte da diferença de qualidade observável entre dois produtos rodando sobre o mesmo modelo base.
2. Retrieval e embeddings próprios. O fornecedor treina a camada de busca, não o gerador. A Harvey trabalhou com a Voyage AI no voyage-law-2-harvey, um modelo de embeddings ajustado sobre mais de 20 bilhões de tokens de texto jurídico dos EUA, com redução reportada de 25% em resultados de busca irrelevantes frente a embeddings de prateleira.
3. Pós-treinamento sobre dados proprietários da tarefa. Fine-tuning supervisionado ou por reforço sobre um modelo base. Em 2026, é isso que quase todo “modelo feito sob medida” em software de ops realmente é.
4. Pré-treinamento do zero. Um modelo base novo. Quase ninguém em software de ops faz isso, e a única tentativa famosa explica o motivo.

A lição do BloombergGPT

A Bloomberg pré-treinou um modelo financeiro de 50 bilhões de parâmetros sobre o próprio corpus e publicou em março de 2023. Ele superou modelos abertos de tamanho comparável — GPT-NeoX, OPT, BLOOM — em tarefas de NLP financeiro. Depois o GPT-4, sem acesso a nenhum dado da Bloomberg, superou ele: avaliações independentes após o lançamento do GPT-4 reportaram 68,79% contra 43% no FinQA zero-shot, 76% contra 43% no ConvFinQA e F1 de 83% contra 61% no reconhecimento de entidades nomeadas FIN3.

A leitura generalizável não é “modelos de domínio perdem”. É que um modelo de porte médio pré-treinado com dados de domínio ganha na própria categoria de peso e perde para o próximo lançamento frontier, e lançamentos frontier chegam mais rápido do que uma rodada de pré-treinamento se paga. Qualquer fornecedor que venda o tamanho do corpus proprietário está descrevendo uma posição que é redisputada a cada poucos meses.

A Harvey subiu a escada inteira em três anos

A Harvey é o caso mais limpo porque já ocupou todas as posições desse debate:

• 2023 — ajustou um modelo de jurisprudência com a OpenAI depois de concluir que fine-tuning via API pública e RAG simples não bastavam. Em testes cegos, advogados preferiram o modelo ajustado ao GPT-4 em 97% das vezes.
• Maio de 2025 — adicionou modelos da Anthropic e do Google, encerrando a dependência exclusiva da OpenAI. Os motivos declarados pela Harvey valem a leitura de quem compra: roteamento por tarefa porque nenhum modelo lidera em tudo, redundância para que uma queda ou um limite de capacidade de um fornecedor redirecione em vez de falhar, e escolha de modelo no nível do administrador por workspace.
• 18 de junho de 2026 — anunciou a própria série de modelos jurídicos: modelos open-source pós-treinados, construídos com Baseten, Fireworks AI, Applied Compute, Trajectory Labs e Nvidia, com desempenho reportado próximo ao dos modelos frontier. O cofundador Gabe Pereyra colocou o objetivo como capacidade de nível frontier em todo o produto a um preço acessível e com uma postura de segurança forte.

Leia o último item com atenção. O motor declarado é preço e postura de deploy, não uma lacuna de capacidade que o modelo geral não conseguisse fechar. Essa é a versão honesta do argumento do modelo vertical, e é um argumento diferente do que a maioria dos fornecedores apresenta aos compradores.

Os números que decidem

Resultados do Legal Agent Benchmark da Harvey publicados com a Fireworks, sobre um recorte de 100 tarefas com um padrão estrito de aprovação total, em que todos os critérios precisam ser satisfeitos:

Na métrica mais frouxa de pontuação média, as quatro configurações quase convergem — GLM 5.1 em 0,8921, GPT-5.5 em 0,892, Opus 4.7 em 0,911. Três coisas saem dessa tabela. O pós-treinamento de domínio comprou uma redução de custo de aproximadamente 8x com paridade quase total na pontuação média. O híbrido superou o modelo frontier em aprovação total a cerca de 39% do custo dele. E nenhuma configuração completa mais de 20 das 100 tarefas de ponta a ponta, o que mostra que a categoria está longe de resolvida e que o marketing baseado em pontuação média esconde isso.

O que um fornecedor tem e você não consegue copiar

Coloque isto acima dos pesos na sua avaliação:

• Direitos sobre os dados. A posição da Gong se apoia em dezenas de bilhões de interações de vendas capturadas sobre as quais ela tem direitos contratuais, e a empresa afirma 3x a precisão de sistemas de prateleira nos trackers treinados dela. A Eightfold se apoia em 1,6 bilhão de perfis de carreira e 1,6 milhão de habilidades inferidas. Nenhum dos dois é reproduzível com uma API key.
• Infraestrutura de avaliação. A Harvey construiu e publicou o BigLaw Bench e o Legal Agent Benchmark com a Snorkel AI. Um fornecedor que não sabe dizer como constatou que uma troca de modelo ajudou está vendendo impressão.
• Workflow, permissões e superfície de auditoria. Aquilo em que seus administradores vivem, e que nenhum lançamento de modelo invalida.

Perguntas de diagnóstico para o fornecedor

1. Qual modelo roda esse recurso hoje e qual rodava seis meses atrás? Sem resposta, a deriva de versões está descontrolada e sua baseline de precisão não é reproduzível.
2. Mostrem uma tarefa em que o modelo de vocês supera o modelo frontier ao qual vocês têm acesso — e depois nos deixem repetir com os nossos documentos. Benchmark de fornecedor sobre dado de fornecedor é ponto de partida, não evidência.
3. Nossos dados estão no conjunto de treinamento de vocês e qual é a opção de retenção zero? “Conjunto de dados proprietário” às vezes significa os seus inputs.
4. O que acontece quando o provedor de vocês descontinua um modelo? A justificativa multi-modelo da Harvey cita quedas e limites de capacidade diretamente; fornecedores de provedor único carregam esse risco no seu lugar.
5. Qual é o custo por tarefa concluída no nosso volume? A tabela acima é o motivo — a mesma saída tem uma dispersão de preço de 11x conforme a arquitetura.
6. Aprovação total ou pontuação média? Exija o número no nível de critério. Pontuação média é onde o crédito parcial se esconde.

Pontos de atenção, cada um com a sua proteção

“Modelo feito sob medida” que é um system prompt. A afirmação não custa nada. Proteção: peça por escrito qual degrau da escada acima se aplica — prompt, embeddings, pós-treinamento ou pré-treinamento — e leve a resposta para a descrição do produto no contrato.

Um fine-tune congelado sobre uma base em movimento. Um modelo pós-treinado sobre uma base de 2024 se degrada em termos relativos a cada lançamento frontier. Proteção: peça a cadência de retreinamento e a data do checkpoint atual, e transforme isso em pergunta de renovação.

Alegação de modelo próprio usada como lock-in. Se as saídas só existem dentro do modelo deles, o custo de migração é o produto. Proteção: exija exportação em massa das saídas mais a evidência de origem em um formato que você consiga reingerir.

Comprar a história do corpus em vez do corpus. Fornecedores citam o tamanho do conjunto de dados sem dizer se têm direitos de treinar sobre ele. Proteção: peça a base dos direitos sobre os dados, não a contagem de linhas.

Confundir grounding com treinamento. A maior parte dos problemas de precisão em jurídico e GTM é falha de retrieval, não de pesos. Proteção: trabalhe grounding vs alucinação em AI jurídica e RAG antes de aceitar “treinamos o nosso próprio modelo” como resposta sobre precisão.

Quando importa de verdade

Importa quando você tem uma restrição de deploy que a API não atende: residência de dados em uma jurisdição que o provedor não cobre, uma instalação isolada ou soberana, um piso de latência para uma superfície em tempo real, ou volume alto o bastante para que uma diferença de 8x no custo unitário seja uma linha do orçamento. Nesses casos, um fornecedor que controla os próprios pesos tem opções que um wrapper não tem, e você deve pedir por elas explicitamente.

Não importa para um time de 40 pessoas escolhendo uma ferramenta de revisão de contratos ou de conversation intelligence. Rode a ferramenta sobre os seus últimos 20 documentos ou calls, pontue a saída contra o que o seu time teria produzido e compre com base nisso. Os pesos são o problema de engenharia do fornecedor. Para o padrão mais amplo de separar um agente de um pacote de recursos, veja o que faz uma AI ser um agente para ops.