A Shopify cortou drasticamente os custos de inferência de IA em 75x enquanto dobrou a qualidade de saída ao substituir seu sistema de extração de dados de comerciantes baseado em GPT por um framework multi-agente construído sobre DSPy e Qwen 3. A gigante do e-commerce migrou de uma abordagem de prompt único usando GPT-5 para um sistema multi-agente sofisticado que coordena agentes de IA especializados para diferentes tarefas de extração de dados.
Isso representa uma validação significativa de modelos open-source em cargas de trabalho de produção onde custo e performance importam mais que nomes de marca. Os resultados da Shopify destacam como design de sistema pensado—usando o framework de prompting estruturado do DSPy com múltiplos agentes coordenados—pode desbloquear melhor performance de modelos menores e mais baratos do que jogar modelos de fronteira caros em problemas de tentativa única. A redução de custo de 75x não é apenas sobre preços de modelo; demonstra como escolhas arquiteturais podem fundamentalmente remodelar a economia da IA.
Com apenas uma fonte cobrindo esse desenvolvimento, detalhes técnicos chave permanecem obscuros—especificamente como a Shopify estruturou sua coordenação de agentes, que tipos de dados de comerciantes eles estão extraindo, e como mediram as melhorias de qualidade. A falta de cobertura mais ampla sugere resultados em estágio inicial ou controle deliberado de informação em torno do que poderiam ser vantagens competitivas de infraestrutura.
Para desenvolvedores construindo sistemas de IA de produção, a abordagem da Shopify oferece um blueprint: investir em frameworks de orquestração como DSPy ao invés de depender de chamadas de modelo monolíticas. A combinação de modelos open-source com prompting sofisticado e coordenação de agentes está se tornando uma alternativa viável para chamadas API caras para casos de uso específicos onde você pode controlar todo o stack.