KumoRFM-2: o modelo de IA que entende relações entre dados e pode revolucionar a previsão empresarial

O anúncio do KumoRFM-2 marca um movimento importante na evolução da IA empresarial: a tentativa de criar um foundation model para dados relacionais capaz de trabalhar diretamente sobre tabelas conectadas em um data warehouse, sem depender do fluxo clássico de ETL, feature store e treinamento específico por tarefa.

Em termos práticos, a promessa é ambiciosa. Em vez de “achatar” diversas tabelas em uma única estrutura para então alimentar um modelo supervisionado, a proposta da Kumo é preservar a natureza relacional do dado — clientes, pedidos, produtos, transações, eventos — e extrair valor justamente das conexões entre essas entidades.

O que a Kumo está tentando mudar

Na maior parte dos projetos de machine learning tabular, o caminho ainda é bastante artesanal: juntar tabelas, tratar inconsistências, definir variáveis agregadas, escolher janelas temporais, criar features manualmente e repetir esse processo para cada caso de uso. Esse trabalho é caro, lento e difícil de escalar.

O KumoRFM-2 entra exatamente nesse ponto de atrito. A empresa afirma que seu modelo consegue operar diretamente sobre o grafo de tabelas conectadas, preservando chaves estrangeiras e relações entre entidades. Em vez de transformar tudo em uma tabela única, o sistema tentaria aprender com a estrutura nativa do banco.

Se essa abordagem se sustentar em produção, a consequência é clara: menos engenharia manual, menor tempo de implementação e uma barreira de entrada muito mais baixa para equipes que hoje dependem de especialistas em dados para construir pipelines complexos.

Por que isso importa tanto para IA empresarial

Há uma razão pela qual essa notícia vai além de uma simples atualização de produto. Em empresas, o valor não está apenas no conteúdo textual, mas na estrutura das relações. Saber que um cliente comprou algo é útil. Saber que ele comprou depois de visitar uma campanha, em uma região específica, com um padrão de recorrência semelhante a outros perfis, é muito mais poderoso.

Esse tipo de sinal costuma se perder quando os dados são “achatados” para caber em um pipeline tradicional. A tese do KumoRFM-2 é que a IA para negócios precisa ir além de modelos genéricos e começar a entender a topologia dos dados corporativos.

Como o KumoRFM-2 se diferencia do ML tabular tradicional

O posicionamento do KumoRFM-2 é claro: ele não é um modelo de texto e também não é apenas mais um algoritmo tabular. A empresa o apresenta como um foundation model relacional, isto é, uma camada fundacional desenhada para capturar padrões em bases estruturadas complexas.

Segundo a Kumo, a arquitetura trabalha com hierarchical in-context learning, extraindo sinais tanto dentro de cada tabela quanto entre tabelas. Na prática, isso significa tentar aprender contexto local e relacional ao mesmo tempo, algo que os pipelines tradicionais tentam simular com engenharia de atributos, mas nem sempre conseguem representar bem.

Outro ponto forte da proposta é a compatibilidade com ambientes amplamente usados no mercado, como Snowflake, Databricks e qualquer banco SQL. Isso é relevante porque a adoção corporativa depende menos de ideias abstratas e mais da capacidade de encaixe com a infraestrutura já existente.

Os benchmarks citados: promessa forte, validação ainda em construção

De acordo com a Kumo, o KumoRFM-2 superou versões anteriores e também modelos supervisionados em benchmarks como RelBench v1 e SAP SALT. A empresa afirma ainda que o sistema escala para mais de 500 bilhões de linhas e mantém robustez diante de ruído, dados ausentes e degradação estrutural.

Esses números chamam atenção, mas precisam ser lidos com cautela. Em IA empresarial, benchmark é ponto de partida, não ponto final. O que define a utilidade real de uma solução é sua performance fora do laboratório: latência, custo operacional, governança, integração com sistemas legados e confiabilidade em cenários heterogêneos.

Em outras palavras, a pergunta não é apenas “ele ganha do supervisionado em teste?”, mas sim “ele entrega valor de forma consistente em produção, com dados bagunçados, esquemas em evolução e restrições de negócio?”.

O impacto potencial no mercado de dados e ML

Se a abordagem da Kumo for validada fora de benchmarks, o efeito pode ser amplo. Projetos de machine learning tabular em empresas costumam consumir semanas ou meses entre modelagem, preparação de dados e ajuste fino. Um modelo que reduza essa fricção pode mudar a economia do setor.

Isso pressiona diretamente ferramentas de AutoML e pipelines tradicionais, especialmente em cenários em que a estrutura relacional é o principal ativo analítico. Também pode abrir espaço para que áreas fora da ciência de dados — como operações, finanças, risco e produto — acessem predições com mais autonomia, inclusive via consultas em linguagem natural.

Esse último ponto é particularmente relevante. A IA empresarial está deixando de ser apenas uma camada de geração de texto e passando a disputar o controle sobre decisões operacionais baseadas em dados estruturados. O valor deixa de estar só na interface conversacional e passa a estar na inteligência sobre o esquema relacional.

Uma disputa maior do que um único produto

O KumoRFM-2 também entra em uma corrida que já inclui outras iniciativas voltadas a dados tabulares e estruturados, como SAP-RPT-1, MotherNet, TabICL e Mitra. O ponto em comum entre esses esforços é a tentativa de criar modelos fundacionais especializados, em vez de depender exclusivamente de técnicas supervisionadas clássicas.

A disputa é estratégica porque pode redefinir onde está a vantagem competitiva em IA empresarial. Por muito tempo, o centro da conversa foi o texto: LLMs, copilots, busca semântica, geração de conteúdo e agentes. Agora, começa a surgir uma segunda camada de valor — modelos que entendem dados estruturados e suas relações com profundidade suficiente para apoiar previsão e decisão.

Se essa transição avançar, o mercado pode sair de uma lógica em que “quem tem os melhores prompts” vence para uma lógica em que “quem compreende melhor a estrutura dos dados corporativos” vence.

Os limites que ainda precisam ser observados

Apesar do entusiasmo, há pontos que merecem atenção. As informações divulgadas até aqui vêm da própria empresa, e os ganhos reportados estão vinculados a benchmarks específicos. Ainda não há evidência ampla de adoção em produção em múltiplos setores.

Também é possível que a promessa de eliminar engenharia de features não se aplique a todos os domínios. Em ambientes com esquemas altamente heterogêneos, dados incompletos, políticas de governança rígidas ou requisitos de explicabilidade muito elevados, parte do trabalho tradicional ainda pode continuar necessária.

Além disso, faltam detalhes sobre custo operacional, latência e comportamento em escala real. Em IA empresarial, esses fatores são decisivos. Um modelo pode ser excelente em acurácia e ainda assim inviável se o tempo de resposta ou o custo por inferência comprometerem a operação.

O que esse anúncio sinaliza para o futuro

Mesmo com essas ressalvas, o anúncio do KumoRFM-2 aponta uma direção muito clara: a próxima fronteira da IA empresarial não é apenas entender linguagem natural, mas entender estruturas empresariais. E, nesse contexto, bancos relacionais deixam de ser apenas repositórios de dados para se tornarem superfícies de predição.

Essa é a mudança mais interessante aqui. Se a promessa se confirmar, a empresa não estará apenas lançando mais um modelo de ML tabular. Estará ajudando a consolidar uma nova camada fundacional para dados corporativos, na qual relações entre tabelas viram o insumo principal da inteligência.

Em um mercado acostumado a converter tudo em texto, a aposta da Kumo é quase o inverso: transformar a estrutura relacional em vantagem competitiva. E isso, se funcionar, pode reposicionar completamente a forma como empresas pensam predição, automação e valor analítico.