Mistral vs ChatGPT: o guia de decisão para times

Mistral vs ChatGPT é uma das comparações mais buscadas na IA corporativa e também uma das mais mal formuladas. Os dois nomes não estão no mesmo nível: de um lado, uma fornecedora de modelos que também oferece um assistente; do outro, um produto assistente apoiado em uma plataforma para desenvolvedores. Antes de comparar a qualidade das respostas ou os preços, é preciso saber qual camada você está realmente comprando. Este guia oferece um quadro de decisão em vez de um veredito: como cada empresa chegou até aqui, o que “proprietário” e “pesos abertos” mudam concretamente nas suas opções de implantação, o que de fato diferencia as duas, como testá-las no seu próprio trabalho, o que impulsiona o custo e o que verificar no jurídico antes de assinar.

Um aviso antes de tudo, válido para qualquer artigo que você leia sobre o tema: as duas empresas renovam suas linhas de modelos, suas capacidades e seus preços várias vezes por ano. Qualquer número citado em um post de blog envelhece em poucas semanas. O que vem a seguir é deliberadamente estrutural em vez de numérico, e você deve confirmar os detalhes atualizados na documentação oficial de cada fornecedora antes de comprometer orçamento.

Mistral vs ChatGPT: o que estamos comparando exatamente?

A maior parte da confusão vem de colocar lado a lado um produto e uma empresa como se fossem a mesma categoria de coisa. Esclarecer esse ponto leva dois minutos e evita várias semanas de avaliação mal enquadrada.

Mistral: uma fornecedora, uma família de modelos, um assistente

A Mistral AI é uma empresa francesa, sediada na Europa, que desenvolve sua própria família de modelos de linguagem. Ela comercializa o acesso a esses modelos por meio de uma API hospedada, publica um assistente conversacional para pessoas físicas e empresas e, essa é sua característica mais distintiva, disponibilizou livremente os pesos de vários de seus modelos, que qualquer um pode baixar, inspecionar e executar na própria infraestrutura. A palavra “Mistral” designa, portanto, três coisas diferentes conforme o contexto: a empresa, um modelo específico ou o aplicativo de assistente.

ChatGPT: um produto apoiado sobre a plataforma da OpenAI

ChatGPT é o produto assistente da OpenAI: o aplicativo web e mobile, os recursos de espaço de trabalho, o console de administração, os conectores. A API da OpenAI é uma superfície distinta, destinada a desenvolvedores que querem integrar os modelos subjacentes aos seus próprios softwares. A distinção importa: um limite da interface do ChatGPT não é necessariamente um limite da API, e uma capacidade demonstrada no aplicativo não fica automaticamente acessível às suas equipes técnicas.

Determine qual camada você está comprando

• Licenças de assistente. Você quer que seus colaboradores redijam, resumam e pesquisem. Você está comprando um produto: avalie a interface, a administração e os conectores tanto quanto o modelo.
• Acesso à API. Você está integrando a geração ao seu próprio aplicativo. Você está comprando latência, confiabilidade, qualidade de documentação e uma curva de preços, não uma interface.
• Pesos de modelos. Você precisa executar a inferência dentro do seu perímetro. As duas empresas agora publicam modelos que podem ser baixados, mas nenhuma faz isso com seu modelo de ponta, e esse caminho vem acompanhado de obrigações de infraestrutura bem reais.

A evolução das duas empresas

A diferença de postura entre as duas não é uma questão de comunicação. Ela decorre da forma como cada empresa se construiu, de quem a financiou e do que ela precisava provar em cada etapa. Conhecer a trajetória diz muito mais sobre a direção que cada fornecedora está tomando do que qualquer lista de funcionalidades do momento, e é exatamente essa a parte que a maioria dos comparativos deixa de fora.

OpenAI: do laboratório aberto à plataforma proprietária

A OpenAI nasce no fim de 2015 como uma organização sem fins lucrativos, com uma missão explicitamente aberta: publicar a pesquisa, compartilhar os artefatos, evitar que a IA avançada se concentre nas mãos de uma única empresa. A primeira ruptura chega em 2019 com o GPT-2, liberado em etapas e não de uma só vez, sob o argumento de que uma divulgação completa poderia ser usada indevidamente. O mesmo ano vê surgir uma entidade de lucro limitado e uma parceria importante com a Microsoft, porque treinar modelos de fronteira pressupõe um capital que nenhuma verba de pesquisa cobre.

O GPT-3, em 2020, fixa o modelo comercial que segue em vigor até hoje: os pesos não são publicados, o acesso é vendido por meio de uma API. O ChatGPT chega no fim de 2022 e transforma uma demonstração de pesquisa em um dos produtos de consumo mais rapidamente adotados da história, o que arrasta a empresa inteira para um negócio de produto — ofertas corporativas, console de administração, certificações de conformidade, conectores — em vez de fornecedora de modelos. A estrutura é reorganizada de novo em 2025, virando uma sociedade de interesse público sob uma fundação sem fins lucrativos. A direção tomada em dez anos é coerente: fechada na fronteira tecnológica, imensa em distribuição e, cada vez mais, uma suíte de produtos completa em vez de uma API.

Mistral: uma desafiante europeia construída sobre pesos abertos

A Mistral AI é fundada em Paris em abril de 2023 por Arthur Mensch, ex-DeepMind, com Guillaume Lample e Timothée Lacroix, ambos vindos da Meta AI. A empresa levanta uma rodada semente recorde na Europa, da ordem de 105 milhões de euros, antes mesmo de ter um produto: a aposta dos investidores era no time e em uma lacuna do mercado, não em tração. O primeiro lançamento, o Mistral 7B em setembro de 2023, é publicado sob licença Apache 2.0 e demonstra que uma equipe pequena pode entregar um modelo compacto capaz de rivalizar com outros bem maiores — e que qualquer pessoa pode baixá-lo. O Mixtral vem em seguida, levando as arquiteturas de mistura de especialistas para o campo dos pesos abertos.

A partir de 2024, a empresa constrói uma camada comercial sobre essa reputação: Le Chat como assistente para o público geral e profissional, e uma linha de modelos de ponta fechados vendidos por meio de uma API e dos marketplaces de nuvem. Os aportes acompanham a ambição: cerca de 385 milhões de euros no fim de 2023, quase 600 milhões em meados de 2024 e, depois, uma série C de 1,7 bilhão de euros em setembro de 2025 liderada pela holandesa ASML, fabricante de equipamentos para semicondutores, sobre uma avaliação post-money de 11,7 bilhões de euros. A Mistral se torna assim a empresa de IA mais valiosa da Europa, com uma fabricante de hardware em seu conselho. Em paralelo, ela investe em capacidade de processamento na Europa e em parcerias setoriais, posicionando-se explicitamente como a opção soberana para as organizações que preferem não depender de uma fornecedora americana.

O que essas duas trajetórias ensinam a você

Colocadas lado a lado, as duas histórias convergem mais do que o discurso de marketing sugere. A OpenAI começou aberta e foi se fechando à medida que as capacidades, o que estava em jogo e a necessidade de capital aumentavam. A Mistral começou aberta e acrescentou um andar comercial fechado assim que precisou de uma receita sustentável. Hoje as duas funcionam no mesmo formato: um modelo de ponta fechado que financia a empresa e uma periferia mais aberta que constrói a adesão dos desenvolvedores e a distribuição. A lição prática é tratar qualquer compromisso de abertura como um ponto em uma curva, e não como uma propriedade permanente da fornecedora, e garantir que a sua arquitetura sobreviva ao próximo deslocamento.

Proprietário, pesos abertos e open source: o que você realmente recebe

A expressão “open source” é usada com muita frouxidão nesse mercado, e essa imprecisão tem consequências jurídicas e operacionais. Três regimes distintos são reduzidos a uma única palavra, e apenas um deles é realmente open source no sentido que esse termo carrega há vinte e cinco anos.

• Proprietário, acessível apenas por API. Os pesos nunca saem da fornecedora. Você compra uma capacidade atrás de um ponto de acesso e não recebe nenhum artefato. Isso vale tanto para a linha de ponta da OpenAI quanto para os modelos de ponta comerciais da Mistral.
• Pesos abertos. Você baixa os parâmetros treinados, executa-os onde quiser e os refina, mas não obtém nem os dados nem o código de treinamento, e a licença pode restringir seus usos. Praticamente tudo o que o setor chama de “IA open source” pertence, na verdade, a essa categoria.
• Open source no sentido estrito. Código, dados e pesos disponíveis sob uma licença sem restrição de domínio de uso, de modo que um terceiro poderia reproduzir o modelo. Muito pouca coisa na escala da fronteira tecnológica atende a isso, em qualquer fornecedora que seja.

A OpenAI não é mais totalmente fechada

Em agosto de 2025, a OpenAI publicou o gpt-oss-120b e o gpt-oss-20b sob licença Apache 2.0, seus primeiros modelos de linguagem de pesos abertos desde o GPT-2. São modelos de raciocínio com mistura de especialistas, dimensionados para que o maior caiba em uma única GPU de 80 GB e o menor rode em cerca de 16 GB, o que coloca uma inferência local de verdade ao alcance de uma estação de trabalho. Consequência concreta: “a OpenAI é fechada” já não é estritamente exato. Você pode executar um modelo da linhagem OpenAI inteiramente dentro do seu perímetro, sem custo por chamada e sem que nenhum dado saia da sua rede.

Ainda assim, seja preciso sobre o que isso traz. Trata-se de um segundo andar assumido, não da linha de fronteira; esses modelos não trazem o produto ChatGPT construído em volta deles; e nada indica que os modelos de ponta seguirão o mesmo caminho. É um gesto significativo, que reduz uma distância real, não uma mudança de filosofia.

A Mistral também não é totalmente aberta

A correção simétrica se aplica do outro lado. Uma parte substancial do catálogo da Mistral é publicada sob Apache 2.0 e é de fato livre para uso comercial, mas os modelos de ponta comerciais são fechados ou distribuídos sob uma licença de pesquisa que exclui explicitamente o uso comercial. Na Mistral, a abertura é uma propriedade de uma versão de modelo específica, não da empresa, e os dois andares coexistem justamente para que o primeiro financie o segundo. Verifique a licença do checkpoint exato que você pretende implantar, e não a reputação da fornecedora.

As quatro perguntas de licenciamento a fazer antes de implantar

• O uso comercial é permitido? Uma licença de pesquisa serve para um protótipo e não serve para nada em um produto. É a pergunta que mais costuma aparecer tarde demais.
• Você pode refinar e redistribuir? Se você investe para adaptar um modelo ao seu domínio, verifique se tem o direito de entregar o resultado, e para quem.
• O modelo pode ser retirado de você? Um modelo gerenciado pode ser descontinuado no calendário da fornecedora. Um checkpoint Apache 2.0 que você baixou e arquivou é seu por tempo indeterminado, o que por si só já constitui o argumento decisivo para certas cargas de trabalho reguladas.
• O que ela prevê sobre patentes e responsabilidade? A Apache 2.0 inclui uma concessão explícita de patentes; as licenças próprias das fornecedoras muitas vezes não, e os contratos corporativos tratam as garantias de indenização de formas bem diferentes.

Mistral vs ChatGPT: as diferenças estruturais que duram

Os rankings mudam a cada trimestre. As diferenças abaixo são arquiteturais e comerciais: têm todas as chances de continuar verdadeiras na próxima vez que você reabrir o assunto.

Profundidade do catálogo de pesos abertos

As duas empresas agora publicam modelos que podem ser baixados: a questão não é mais saber se a hospedagem própria é possível, mas até onde ela sobe na linha de produtos. A Mistral inscreveu os pesos abertos em sua identidade já no primeiro lançamento e oferece um amplo catálogo de tamanhos e especializações sob licenças permissivas; na OpenAI, trata-se de uma única família assumida, ao lado de uma linha de ponta fechada. Se a sua implantação interna precisa de opções — um modelo pequeno para classificar, um modelo intermediário para redigir, um modelo especializado em código —, a profundidade do catálogo importa tanto quanto o fato de a porta estar aberta.

Serviço gerenciado contra execução na sua casa

Servir um modelo por conta própria abre portas que um ponto de acesso gerenciado não consegue oferecer: implantações isoladas da rede, refinamento em bases proprietárias sem enviá-las a lugar nenhum e a garantia de que uma versão não será retirada de um dia para o outro. O serviço gerenciado elimina toda a carga operacional, mas alinha você ao calendário de atualização da fornecedora, e a capacidade de fronteira da OpenAI só está disponível dessa forma. Nenhuma das duas posturas é superior em absoluto: elas respondem a restrições diferentes, e a maioria das organizações acaba usando as duas conforme a carga de trabalho.

Fornecedora europeia e residência dos dados contra amplitude de ecossistema

Para as organizações submetidas a exigências europeias estritas — setor público, saúde, defesa, bancos —, uma fornecedora europeia que ofereça hospedagem europeia simplifica as compras e encurta a análise jurídica. A OpenAI também oferece contratos corporativos e opções de processamento regional, mas a estrutura societária e a profundidade da discussão de conformidade são diferentes. Em contrapartida, o ecossistema da OpenAI é mais amplo: mais produtos de terceiros a integram por padrão, a documentação da comunidade é mais abundante e parte das suas equipes provavelmente já a utiliza.

Ecossistema, integrações e maturidade do ferramental

É aqui que a diferença mais aparece no dia a dia. O ChatGPT conta com uma superfície incomumente ampla de conectores, extensões, bibliotecas da comunidade e automações no-code que o assumem como fornecedor padrão. O ferramental da Mistral é sólido e avança rápido, e sua API continua próxima o bastante das convenções do setor para que a maioria dos frameworks a suporte, mas às vezes você será a primeira pessoa da sua organização a montar uma integração. Reserve o tempo de engenharia correspondente.

Qualidade multilíngue, sobretudo em francês

As duas empresas lidam muito bem com as grandes línguas europeias e evoluíram enormemente. A Mistral historicamente deu uma atenção particular ao francês e às línguas vizinhas, o que se percebe no registro idiomático e no vocabulário administrativo. Os modelos da OpenAI são treinados em um corpus multilíngue imenso e continuam extremamente sólidos em toda parte. A única recomendação honesta é testar nos seus próprios textos: as diferenças que importam são setoriais, não linguísticas.

Avaliar a qualidade por conta própria em vez de acreditar nos rankings

Os rankings públicos medem tarefas genéricas em condições que não têm nada a ver com os seus prompts, os seus documentos ou a sua tolerância a erro. Uma pequena bateria de testes interna vale mais do que qualquer classificação publicada, e se constrói mais rápido do que se imagina.

Construa uma bateria de testes a partir de tarefas reais

Reúna de vinte a cinquenta demandas autênticas vindas do trabalho que você quer automatizar: tickets de suporte de verdade, contratos de verdade para resumir, fichas de produto de verdade para redigir, código de verdade para revisar. Anote, para cada uma, como é uma boa resposta. Esse conjunto de testes é o ativo mais valioso de toda a avaliação, e continuará útil muito depois de a comparação estar resolvida.

Compare às cegas, com uma grade de avaliação

Retire o nome dos modelos antes que alguém leia as respostas. O viés de marca é real e funciona nos dois sentidos. Depois, avalie cada resposta em três ou quatro critérios explícitos — exatidão factual, tom e registro, respeito ao formato, ausência de invenção — em uma escala simples. Dois avaliadores por item bastam para identificar a maior parte das divergências.

Meça o custo por tarefa bem-sucedida, não por token

Um modelo mais barato que exige três tentativas e uma correção humana sai mais caro do que um modelo mais caro que acerta de primeira. Divida a despesa total de uma rodada pelo número de saídas aprovadas na sua grade. Só esse indicador já reenquadra a maior parte desses debates, e é a única medida de custo que sobrevive ao contato com a produção.

O que realmente determina a fatura

As páginas de preços convidam a comparar preços unitários, que é quase sempre a variável menos determinante. As alavancas de verdade estão em outro lugar.

• Licenças contra consumo. As assinaturas de assistente são previsíveis por colaborador. O uso de API acompanha o volume e pode ser bem mais barato ou bem mais caro conforme a demanda real.
• Concepção dos prompts. Injetar uma base de conhecimento inteira em cada requisição é a forma mais comum de multiplicar uma fatura. Busca documental, cache e prompts de sistema mais curtos costumam economizar mais do que uma troca de fornecedora.
• Integração e manutenção. O tempo de engenharia para construir, monitorar e consertar a cadeia geralmente supera a fatura de inferência no primeiro ano.
• Economia da hospedagem própria. Executar pesos abertos elimina o custo por chamada, mas acrescenta GPUs, times de operação e tempo ocioso. Compensa em volume alto e sustentado, raramente na escala de um piloto.
• Custo do erro. Cada resposta ruim que chega a um cliente ou impõe um retrabalho humano faz parte da conta.

Privacidade, GDPR e governança dos dados

Esta seção decide a escolha para muitas organizações europeias, e merece mais atenção do que o debate sobre qualidade. Faça as mesmas perguntas por escrito às duas empresas e guarde as respostas junto com o seu registro de operações de tratamento.

• Onde os dados são processados e armazenados? Peça as regiões exatas, tanto para a inferência quanto para os logs, e pergunte se você pode fixá-las em contrato.
• Os seus conteúdos são usados no treinamento? As ofertas corporativas e de API geralmente excluem isso por padrão; as ofertas para o público geral, muitas vezes não. Coloque isso no contrato, e não em um artigo de ajuda.
• Qual é o prazo de retenção? Os logs de prompts e de respostas são dados pessoais se contiverem dados pessoais. Pergunte quanto tempo eles vivem e quem pode lê-los.
• Existe um acordo de tratamento de dados e uma lista de subprocessadores? Leia essa lista: é ali que aparecem as transferências que você não esperava.
• Como tratar as categorias sensíveis? Dados de saúde, processos jurídicos e arquivos de RH podem exigir anonimização ou pseudonimização antes de qualquer chamada de API, seja qual for a fornecedora escolhida.

Mistral vs ChatGPT conforme os casos de uso

Não existe um vencedor geral, mas tendências nítidas aparecem assim que você fixa o caso de uso e suas restrições.

• Assistente documental interno. A residência e a retenção dos dados costumam pesar mais do que a qualidade bruta de raciocínio. Uma fornecedora europeia ou um modelo hospedado por você é muitas vezes o caminho mais curto através do jurídico.
• Atendimento ao cliente. A integração com a sua ferramenta de tickets, a latência e o controle do tom dominam. A amplitude do ecossistema favorece aqui a opção mais integrada.
• Apoio ao desenvolvimento. A integração com o editor de código decide para a maioria dos desenvolvedores, muito antes de qualquer diferença de benchmark.
• Produção de conteúdo. Teste com a sua própria voz de marca, no seu próprio idioma. É exatamente aí que a comparação às cegas faz as pessoas mudarem de ideia.
• Extração de dados e automação. Volume alto, saídas estruturadas, esquemas rígidos. O custo por extração bem-sucedida e a confiabilidade do formato importam muito mais do que a elegância conversacional.
• Ambientes regulados ou on-premise. Se a inferência precisa permanecer dentro do seu perímetro, os pesos abertos não são uma preferência, mas uma exigência. Isso restringe você ao andar aberto de uma ou de outra fornecedora, portanto fora dos modelos de fronteira.

Como evitar a dependência de um fornecedor

Qualquer que seja a sua inclinação hoje, construa de modo que mudar de ideia daqui a seis meses custe um dia em vez de um trimestre. Essas práticas são baratas se você as adotar desde o início, e caras de recuperar depois.

• Coloque uma camada de abstração no meio. Uma única interface interna para a geração, um adaptador por fornecedor. Nunca deixe chamadas específicas se espalharem pelo seu código.
• Mantenha os prompts portáveis. Armazene-os como recursos versionados fora do código e evite depender de particularidades que apenas um fornecedor respeita.
• Mantenha a bateria de testes em funcionamento. O conjunto de testes construído acima vira um teste de regressão que você roda em qualquer modelo novo em uma tarde.
• Considere uma estratégia com dois fornecedores. Rotear cargas diferentes para fornecedores diferentes dá poder de negociação, resiliência em caso de indisponibilidade e dados de comparação contínuos.

Um plano de avaliação em duas semanas

Duas semanas de trabalho estruturado bastam para produzir uma decisão defensável. A maioria dos times passa muito mais tempo do que isso debatendo sem provas.

• Dias 1 e 2. Escreva o caso de uso, o volume, a exigência de latência e o nível de sensibilidade dos dados. Envie o questionário de governança às duas empresas.
• Dias 3 a 5. Monte o conjunto de tarefas reais e valide a grade de avaliação com as pessoas que realmente vão usar os resultados.
• Dias 6 a 8. Rode as duas opções em todo o conjunto, com prompts idênticos, e depois uma segunda rodada com prompts ajustados por fornecedor. A diferença entre as duas rodadas já é instrutiva por si só.
• Dias 9 a 11. Avaliação às cegas, depois cálculo do custo por tarefa bem-sucedida e medição da latência no seu nível esperado de concorrência.
• Dias 12 a 14. Examine as respostas jurídicas, redija uma recomendação de uma página com os critérios de decisão e o plano de saída, e marque uma data para rodar a bateria de testes de novo.

Os erros que descarrilam a decisão

• Escolher por manchetes de benchmark. Uma posição no ranking em tarefas genéricas quase não prevê nada sobre o desempenho nos seus contratos, nos seus tickets ou no seu código.
• Comparar preços unitários em vez do custo total. Integração, supervisão, retrabalhos e correções humanas esmagam a diferença por chamada na maioria dos projetos.
• Avançar sem um conjunto de avaliação. Sem ele, cada discussão vira uma anedota contra outra, e vence a opinião mais insistente.
• Adiar a análise de privacidade para depois do piloto. Descobrir um impedimento de residência de dados depois de a integração estar construída é a forma mais cara de aprender isso.
• Reconstruir tudo por um ganho marginal. Se a diferença na sua grade é de alguns poucos pontos, a migração não vai se pagar.
• Esquecer que o modelo não é o produto. Os usuários nunca experimentam um modelo. Eles experimentam a interface, a jornada e a confiabilidade construídas em volta dele.

Como o Cadrant ajuda você a entregar o produto em volta do modelo

Seja qual for o lado que você escolher no debate Mistral vs ChatGPT, o modelo é apenas um ingrediente. O valor chega aos seus usuários através de uma aplicação: uma interface, um modelo de dados, autenticação, permissões, um lugar para armazenar os resultados e uma forma de revê-los. É essa camada que trava a maioria dos projetos de IA, meses depois de a escolha do modelo ter sido resolvida.

É exatamente isso que o Cadrant constrói. Você descreve em linguagem natural a aplicação de que precisa, o Cadrant gera uma aplicação web ou mobile pronta para produção com uma camada de dados Supabase e depois a publica no seu próprio nome de domínio. Você mantém o controle total dos seus dados e da sua hospedagem, e itera por conversa em vez de por ticket. O fornecedor do modelo continua sendo uma decisão revisável; o produto construído em volta dele é o que os seus usuários realmente adotam.

Mistral vs ChatGPT: perguntas frequentes

Qual é o melhor, no geral?

Não existe resposta defensável para essa pergunta, e quem der uma sem ter visto os seus dados está adivinhando. Os dois são próximos o bastante nas tarefas gerais para que a decisão quase sempre se dê pelas restrições, e não pela capacidade: onde os dados podem ser processados, com o que você já está integrado, se a inferência precisa permanecer dentro do seu perímetro e qual é o seu volume. Rode a bateria de testes e a resposta passa a ser específica do seu contexto.

Posso hospedar um dos dois por conta própria?

Em parte, e isso mudou recentemente. A Mistral publica pesos abertos desde o seu primeiro lançamento e, desde agosto de 2025, a OpenAI tem a sua própria família de pesos abertos sob Apache 2.0: as duas empresas, portanto, oferecem uma opção que você pode hospedar. Nenhuma delas oferece o seu modelo de fronteira por esse caminho, de modo que a pergunta real é se o andar aberto basta para a sua tarefa. Depois, seja realista sobre o que a execução implica: capacidade de GPU, servidor de inferência, monitoramento, atualizações de modelos e uma pessoa responsável pelo conjunto. Hospedar por conta própria é a resposta certa quando a regulação exige ou quando um volume sustentado justifica o custo fixo, e a resposta errada para um piloto.

Uma fornecedora europeia está automaticamente em conformidade com o GDPR?

Não. Uma sede europeia simplifica algumas questões de transferência e muitas vezes encurta a análise jurídica, mas a conformidade depende do seu próprio tratamento de dados: o que você envia, com que base legal, com qual prazo de retenção e com quais subprocessadores envolvidos. Uma fornecedora não europeia pode ser usada de forma conforme com os acordos certos, e uma fornecedora europeia pode ser usada de forma não conforme. A documentação continua sendo responsabilidade sua nos dois casos.

É preciso escolher apenas uma?

Não, e um número crescente de times se abstém disso deliberadamente. Com uma camada de abstração no lugar, você pode rotear as cargas internas sensíveis para um fornecedor e as tarefas generalistas para outro, manter um plano B em caso de indisponibilidade e transformar cada renovação em uma negociação de verdade. O custo principal de trabalhar com dois fornecedores é a disciplina necessária para manter prompts e avaliações portáveis.

Com que frequência reabrir a decisão?

Duas vezes por ano é um ritmo razoável para a maioria dos times, complementado por uma revisão pontual sempre que um fornecedor anunciar algo que toque diretamente nas suas restrições. Se você guardou a bateria de testes, uma reavaliação custa uma tarde em vez de um projeto. Marque a data com antecedência: sem isso, uma escolha feita às pressas vira silenciosamente uma arquitetura permanente.