---
title: "In-context learning: a porta de entrada da engenharia brasileira de IA"
description: "Releio o paper do GPT-3 de tempos em tempos. O que me marca não é a escala de 175 bilhões de parâmetros, mas o in-context learning — a ideia de que capacidade de IA é algo que se compõe, com contexto e cuidado, e não algo que se possui. É aí que mora a engenharia que fazemos no Brasil."
author: "Anderson Henrique"
date: "2026-07-13T22:25:21.302662Z"
updated: "2026-07-13T22:25:21.302662Z"
category: "philosophy"
tags: ["IA","In-Context Learning","GPT-3","Engenharia de Software","IA no Brasil","Sistemas Multiagente","NTLabs"]
canonical: "https://www.ntlabs.dev/blog/in-context-learning-engenharia-brasileira-ia"
locale: "pt"
---

Faz pouco mais de cinco anos que li pela primeira vez "Language Models are Few-Shot Learners" (Brown et al., NeurIPS 2020) — o paper que apresentou o GPT-3. Volto a ele de tempos em tempos, e cada releitura muda um pouco a forma como penso a engenharia de IA.

A primeira leitura, a que todo mundo faz, é sobre escala: 175 bilhões de parâmetros, e capacidades que parecem surgir sozinhas conforme o modelo cresce. É uma parte importante da história — e também a parte que um laboratório brasileiro dificilmente vai reproduzir, porque exige um poder de computação que pertence a pouquíssimas mãos no mundo.

Mas o que me faz voltar ao paper não é a escala. É uma ideia mais silenciosa que mora ali dentro: o *in-context learning*. A descoberta de que dá para ensinar uma tarefa ao modelo dentro do próprio prompt, com alguns exemplos, sem treinar nada de novo. Parece um detalhe técnico, e no fundo é uma mudança de natureza: a capacidade de IA deixou de ser algo que se **possui** — a golpe de compute — e passou a ser algo que se **compõe**, com cuidado, orquestração e contexto.

Essa virada é, para mim, uma porta que se abre justamente para quem está longe da fronteira do treinamento. E é exatamente a aposta da Neural Thinkers Lab: democratizar o acesso à IA no Brasil não construindo o maior modelo, mas construindo os sistemas mais úteis, transparentes e próximos da nossa realidade em cima do que já existe.

É onde a engenharia que fazemos aqui encontra o seu terreno. Não competimos por poder de cálculo; construímos sistemas que se explicam, que raciocinam sobre problemas brasileiros, aterrados em dados nossos e auditáveis por quem depende deles. Chamamos isso de IA Orgânica: uma inteligência que cresce com o uso, integra-se ao contexto cultural, fala português de verdade e augmenta pessoas em vez de substituí-las. No Cidadão.AI, por exemplo, o valor não vem do tamanho do modelo por baixo, mas de uma arquitetura de agentes que investiga contratos públicos e sabe mostrar, em linguagem clara, por que levantou uma suspeita.

O próprio paper tem a honestidade de apontar seus limites — o few-shot ainda falha em muitas tarefas, e aprender a partir da web inteira carrega o viés da web inteira. Longe de ser um rodapé, isso é quase um mapa: mostra que a fronteira que nos cabe não é a do modelo maior, e sim a da IA aplicada, explicável e enraizada no lugar onde ela vai viver.

Como gosto de resumir por aqui: entre o cálculo e o sonho, habita a inteligência. O GPT-3 nos deu uma parte generosa do cálculo. O que fazemos com ele — para quem, com que cuidado e com qual propósito — ainda é, felizmente, uma escolha nossa.

*Paper: Brown et al., "Language Models are Few-Shot Learners", NeurIPS 2020.*