Baixing paga aos agentes de IA por resultado, não por assinatura

À medida que os grandes modelos de linguagem se tornam mais capazes, há uma pergunta que cada vez mais decide as compras das empresas: por aquilo, exatamente, estão dispostas a pagar? O relatório do primeiro semestre de 2026 da Baixing, empresa chinesa de IA cotada em Hong Kong, dá uma resposta concreta: não pela capacidade do modelo em si, mas por um resultado mensurável e faturável. A receita total caiu devido a uma regulação mais apertada sobre o seu negócio de crédito, mas a sua unidade AICC (AI Contact Center, centro de contacto operado por agentes de IA) cresceu 52%, com a receita de novos setores fora das finanças a subir 195%.

Duas implementações reais ilustram esta mudança. Num cliente de logística, o volume diário de chamadas atendidas por agentes de IA passou de menos de 1.000 no arranque para mais de 15.000 no final de agosto. Numa grande corretora de valores mobiliários, o número de 'postos' de agente implementados passou de cerca de 30 no início do ano para cerca de 210. A Baixing chama a estes agentes, que assumem tarefas reais de consulta, reclamação e venda, 'trabalhadores de silício', e cobra-os pelo resultado, não por licença ou posto — uma montra financeira rara da comercialização de agentes empresariais.

Duas curvas opostas nas contas

No primeiro semestre de 2026, a Baixing registou uma receita de 914 milhões de yuanes, uma queda de 43% em termos homólogos; a margem bruta caiu de 73% para 53%, e a empresa passou de um lucro de 201 milhões de yuanes no ano anterior para um prejuízo de 322 milhões. O relatório atribui esta variação a uma regulação sobre crédito assistido pela internet em vigor desde outubro de 2025, reforçada por novas regras ao longo do primeiro semestre de 2026, que levou várias instituições financeiras a suspender certos produtos — afetando diretamente o negócio central da Baixing em decisão de crédito por IA e marketing de crédito.

O negócio AICC seguiu a curva oposta: receita de 166 milhões de yuanes, alta de 52%, fazendo o seu peso na receita total subir de cerca de 6,8% para cerca de 18,1%. Ao mesmo tempo, a Baixing optou por aumentar as despesas em I&D em 31%, para 394 milhões de yuanes (43% da receita), mesmo com a receita total a cair; dos 1.477 trabalhadores no final de junho, 901 — 61% — trabalham em I&D. O CEO Zhang Shaofeng chamou a esta mudança um 'upgrade estratégico' na teleconferência de resultados.

Do guião de chamada à conversa que resolve mesmo

A geração anterior de robôs de contact center tratava sobretudo de chamadas de saída com guião — lembretes, campanhas de marketing estandardizadas. As chamadas recetivas complexas são outra coisa: o cliente chega com uma pergunta aberta, tom e situação imprevisíveis, e o agente tem de compreender, manter uma conversa com várias trocas e depois consultar uma base de conhecimento e sistemas internos para resolver mesmo o caso. Segundo Zhang, os robôs tradicionais transferem para um humano entre 70% e 80% destes casos complexos — precisamente a lacuna que a nova geração de AICC procura fechar.

A aposta técnica da Baixing é treinar os seus próprios modelos de base especializados em vez de construir uma camada de aplicação sobre um modelo de terceiros: a empresa opera o BR-Voice (voz multimodal), o BR-LLM-Proactive (diálogo proativo) e o BR-Vision-Doc (compreensão de documentos), com dimensões de parâmetros deliberadamente contidas entre 0,4B e 30B para privilegiar precisão, estabilidade, latência e custo de inferência em vez da dimensão bruta. Zhang contrapôs explicitamente esta abordagem à de intervenientes ocidentais de AICC como a Sierra ou a Decagon, que constroem sobretudo sobre modelos de terceiros da OpenAI ou da Anthropic: a Baixing controla internamente o pré-treino, o pós-treino e a otimização de inferência, o que lhe permite, perante uma falha em produção, identificar mais depressa se o problema está na camada de aplicação ou no modelo, e avançar diretamente para o ciclo de treino seguinte. Na tarefa multilingue de compreensão da fala do desafio INTERSPEECH 2026 MLC-SLM, a Baixing reivindica 94,84% de precisão — terceiro lugar mundial e primeiro entre os intervenientes industriais chineses. No terreno, uma equipa de 'FDE' (engenheiros de implementação avançada) mapeia os fluxos de trabalho existentes do cliente e reorganiza-os em fluxos operados por agentes.

Cobrar pelo resultado, não pela assinatura

O modelo RaaS (Results as a Service) da Baixing cobra, consoante o caso, por chamadas ou pedidos resolvidos com sucesso sem transferência para um humano, pela escala real de agentes implementados, ou por uma participação na receita gerada. No caso da logística, a gestão afirmou na teleconferência de resultados que o custo por chamada resolvida já é mais de 50% inferior ao de um contact center tradicional operado por humanos. Isto contrasta fortemente com a licença de software, a subscrição SaaS ou a faturação por token: depois de entregue o software, o risco operacional fica do lado do cliente, enquanto a faturação por resultado puxa o fornecedor tecnológico diretamente para dentro do processo de negócio do cliente — o desempenho, a estabilidade e o custo do modelo passam a ser também problema seu.

Esta estratégia não surgiu de improviso. Já a 18 de dezembro de 2025, a empresa-mãe Bairong Yunchuang lançou oficialmente a sua estratégia de agentes de IA empresariais e uma plataforma chamada 'Results Cloud', construída em torno de um conceito a que chama 'cogovernação silício-carbono' — a IA ('silício') assume o trabalho estandardizado, processual e intensivo em computação, enquanto os humanos ('carbono') se concentram em estratégia, criatividade e relação. A plataforma tem três camadas — infraestrutura e modelos próprios, um sistema operativo para agentes empresariais e uma loja de agentes prontos a usar — e foi lançada com quatro funções emblemáticas: um agente de vendas e apoio ao cliente a que se atribui a redução da rotatividade anual de uma equipa de mais de 70% para 0% e um aumento de 217% na conversão; um agente de recrutamento que reduziu o ciclo de contratação de 28 para 2 dias; um agente de serviços profissionais para expansão internacional que comprimiu o prazo de resposta de 90 para 14 dias; e um agente de produção de conhecimento que reduziu a entrega de relatórios aprofundados de 20 para 4 dias.

A próxima etapa da IA empresarial não é falar melhor, é fazer mais; não é entregar uma funcionalidade, é entregar um resultado.

Das finanças para a logística, a aviação e as corretoras

A capacidade AICC da Baixing, aperfeiçoada durante sete ou oito anos no setor financeiro, está agora a ser replicada para a logística, a aviação, as corretoras de valores, a banca, as telecomunicações e os seguros — setores intensivos em serviço, com um volume elevado e recorrente de interação com o cliente e concentração suficiente para que uma implementação comprovada num grande cliente se replique rapidamente, primeiro internamente e depois junto de concorrentes. Em julho, treze instituições do setor da corretagem já tinham assinado contrato ou estavam em negociação com a Baixing. A gestão reconheceu, contudo, que a parte mais morosa da expansão entre setores está hoje nos ciclos de validação de compra das grandes empresas e na integração de sistemas — o volume só é libertado de forma gradual depois de aprovados a segurança, a conformidade e os limites do serviço.

Para uma empresa portuguesa que avalie um fornecedor de agentes de IA — num país que alberga vários grandes centros de contacto multinacionais —, a lição prática é que o critério de compra está a deslocar-se de uma lista de funcionalidades para métricas de resultado verificáveis: taxa de resolução sem transferência humana, custo por interação atendida e capacidade demonstrada do fornecedor para replicar a implementação em escala. Para quem trabalha em apoio ao cliente, recrutamento ou suporte jurídico e administrativo estandardizado, este caso chinês é um sinal de alerta precoce: quando a mesma peça tecnológica se replica de um setor para outro, são esses os postos automatizados primeiro, e cabe aos departamentos de recursos humanos planear desde já a transição das equipas para tarefas que exigem juízo e relação humana, em vez de esperar que os agentes de IA nas empresas já estejam em produção.