---
title: "A inteligência artificial tem muitos porta-vozes e poucos autores"
description: "Muita gente está prometendo inteligência artificial e falando sobre ela. Quem está estudando e construindo é outra conta, e ela não fecha no feed. A diferença não é de ferramenta: é de quem responde pela distribuição inteira, e não só pela amostra que coube na demonstração."
author: "Anderson Henrique"
date: "2026-09-03T00:00:00Z"
updated: "2026-09-03T13:08:12.132542Z"
category: "ai"
tags: ["Engenharia de IA","LLM","GPT-3","Leis de Escala","Chinchilla","Habilidades Emergentes","Avaliação","Dívida Técnica","Bibliografia","NTLabs"]
canonical: "https://www.ntlabs.dev/blog/muitos-porta-vozes-poucos-autores"
locale: "pt"
---

# A inteligência artificial tem muitos porta-vozes e poucos autores

*Muita gente está prometendo inteligência artificial e falando sobre ela. Quem está estudando e construindo é outra conta, e ela não fecha no feed.*

## A data que quase todo mundo erra

Se você perguntar numa roda quando a inteligência artificial começou, a resposta mais comum aponta para novembro de 2022, quando uma caixa de conversa apareceu no navegador de todo mundo ao mesmo tempo. Essa é a data do lançamento. Não é a data da área, e a distância entre as duas explica quase tudo o que este texto tem a dizer.

O sistema que apareceu naquela caixa já estava descrito num artigo público dois anos antes. "Language Models are Few-Shot Learners", de Tom Brown e coautores, saiu em maio de 2020 e foi apresentado no NeurIPS daquele ano. São setenta e cinco páginas. Elas trazem o modelo de 175 bilhões de parâmetros, a composição do corpus, o custo de treino, os resultados benchmark por benchmark e, o que mais importa aqui, uma seção inteira de limitações e outra de impactos sociais, escritas pelos próprios autores, antes de existir produto para defender.

O artigo está aberto, de graça, indexado, há mais de seis anos. Quase nenhum dos porta-vozes que prometem transformação leu essa seção de limitações. Vários deles prometem exatamente aquilo que ela desaconselha.

E o trabalho de Brown não inaugura nada sozinho. Ele depende inteiramente da arquitetura descrita em "Attention Is All You Need", de Vaswani e coautores, de 2017. Aquela arquitetura resolve um problema que a comunidade atacava desde as redes recorrentes com memória longa de Hochreiter e Schmidhuber, em 1997. Aquelas redes eram treinadas por retropropagação, popularizada por Rumelhart, Hinton e Williams em 1986. O objeto que todos esses trabalhos manipulam descende do perceptron de Rosenblatt, de 1958. E a virada que tirou a área do congelamento foi a AlexNet de Krizhevsky, Sutskever e Hinton, em 2012, que provou numa competição de classificação de imagens que profundidade, mais dados e mais placa de vídeo produziam um salto que uma década de engenharia manual de atributos não tinha produzido.

Setenta anos, não três.

Quem acha que a área nasceu com uma caixa de conversa está lendo o lançamento e chamando aquilo de história.

## Uma área viva se corrige em público

Este é o segundo ponto, e é o mais útil para quem precisa avaliar uma promessa sem ser da área: a inteligência artificial não chegou pronta. Ela está acontecendo agora. E a melhor evidência disso é que a literatura se contradiz em público, por escrito, em intervalos de dois anos.

Dois casos, ambos verificáveis.

Em 2020, Kaplan e coautores publicaram as leis de escala para modelos de linguagem: a perda cai de forma previsível conforme crescem parâmetros, dados e computação. A leitura que a indústria fez foi direta, quase slogan: aumente o modelo. Em 2022, Hoffmann e coautores publicaram o trabalho que ficou conhecido como Chinchilla e mostraram que aquela leitura estava desbalanceada. Para um orçamento fixo de computação, os modelos da geração anterior tinham parâmetros demais e dados de menos. Um modelo de 70 bilhões de parâmetros treinado com muito mais dados superou modelos várias vezes maiores. Traduzindo: pelo critério que a própria área adotou dois anos depois, o GPT-3 estava subtreinado. O artigo que fundou o "quanto maior, melhor" foi corrigido pelos vizinhos de corredor.

O segundo caso é melhor ainda, porque toca em medida. Em 2022, Wei e coautores descreveram as chamadas habilidades emergentes: capacidades ausentes em modelos pequenos que surgem de repente a partir de certa escala. A ideia pegou, virou manchete e virou argumento de venda, porque emergência soa como mágica e mágica vende. Em 2023, Schaeffer, Miranda e Koyejo publicaram "Are Emergent Abilities of Large Language Models a Mirage?", premiado como um dos melhores artigos do NeurIPS daquele ano. O argumento é seco: boa parte daquela emergência é artefato da métrica escolhida. Quando se mede acerto exato de uma sequência inteira, a curva salta; quando se mede a mesma capacidade com uma métrica contínua, a curva é suave e previsível o tempo todo.

O salto estava na régua, não no modelo.

Guarde essa frase, porque ela divide o assunto em dois. Quem promete inteligência artificial como transformação garantida está vendendo uma certeza que a literatura da própria área não tem. E não é que a literatura seja tímida. É que ela publica os intervalos de confiança, as ablações, os casos em que o método falha e a seção de limitações. Nenhuma dessas quatro coisas cabe num slide de palestra, e é justamente por isso que a palestra soa mais convincente do que o artigo.

Desconfie da certeza. Ela é o sintoma mais barato de detectar.

## Usar é receber uma amostra. Construir é responder pela distribuição.

Aqui está a diferença de ofício, e ela não é de ferramenta. Os dois lados abrem a mesma janela.

Quem usa um modelo recebe uma saída. Se a saída serve, o trabalho terminou, e terminou bem. Isso é legítimo e é uma competência real: saber formular, saber conferir, saber a hora de desconfiar. Não estou desqualificando ninguém, até porque uso esses sistemas todo santo dia e sou melhor no meu trabalho por causa deles.

Quem constrói recebe a mesma saída e não pode parar nela. A saída é uma amostra de uma distribuição, e a responsabilidade é sobre a distribuição inteira, inclusive sobre as respostas que não apareceram. A pergunta deixa de ser "essa resposta ficou boa" e passa a ser: que fração das respostas fica boa, sob quais entradas, com que variância, e o que acontece na cauda, naqueles poucos por cento em que ela erra. A demonstração funciona por definição, porque foi escolhida depois de funcionar. O que ninguém grava é a entrada que quebra.

E é por isso que engenharia se constrói e não se promete. Não existe o que prometer antes de existir a medida.

Dois exemplos meus, recentes e constrangedores o bastante para servirem de prova.

O primeiro. Um verificador de segredos rodava a cada envio de código para o repositório e voltava limpo. Trezentas e trinta e sete execuções verdes, ao longo de meses. A configuração estendia um conjunto de regras sem ligar a chave que de fato carrega esse conjunto, de modo que o verificador rodava com zero regras. Ele nunca disse "não há segredos aqui". Ele dizia "não procurei", e eu li a segunda frase como se fosse a primeira. Quando as regras entraram, apareceram quatrocentos e trinta achados.

O segundo. Um receptor de notificações de pagamento validava a assinatura de cada mensagem, e o teste passava. Em produção, cem por cento das notificações reais eram recusadas por falha de autenticação. O teste montava a mensagem com a mesma expressão de formatação que o código usava para conferi-la: os dois concordavam entre si, e nenhum dos dois falava com o provedor. O código estava errado nos dois lugares, de forma idêntica, e o teste passava exatamente por causa disso.

Nenhum desses dois defeitos aparece numa demonstração. Os dois aparecem no instante em que alguém pergunta pela distribuição em vez de pela amostra. Essa pergunta é o ofício inteiro.

## O dia real

Em 2015, muito antes da onda atual, Sculley e coautores publicaram "Hidden Technical Debt in Machine Learning Systems". O artigo tem uma figura que virou clássica: o diagrama de um sistema real de aprendizado de máquina em produção, no qual a caixa escrita "código de ML" é minúscula, cercada por caixas muito maiores de coleta de dados, verificação, extração de atributos, gerenciamento de configuração, infraestrutura de serviço, monitoramento e ferramentas de análise.

Um dia de engenharia de inteligência artificial é gasto nas caixas grandes. Descrevo o meu sem embelezar.

**Dados.** De onde vêm, quem os produziu, o que está faltando, o que está duplicado, o que mudou de formato na semana passada sem aviso e quebrou tudo silenciosamente.

**Avaliação.** Montar o conjunto de casos que decide se uma mudança melhorou ou piorou o sistema. É a parte mais difícil, porque a saída é texto livre e não existe gabarito único. Sem isso, toda alteração de prompt é opinião com aparência de trabalho.

**Modo de falha.** O que o sistema faz quando não sabe. Se ele responde com a mesma confiança de sempre, ele está quebrado inclusive nas horas em que acerta, porque a confiança deixou de carregar informação.

**Custo e latência.** Cada chamada tem preço em dólar e preço em segundos. Uma arquitetura que ignora os dois funciona na demonstração e morre na primeira fatura.

**Queda de fornecedor.** O que acontece quando a API principal devolve erro às três da tarde de uma terça. No meu caso isso é um encadeamento explícito entre provedores, e ele existe porque a alternativa é o produto cair junto com uma empresa que não é a minha.

**Observabilidade.** Rastrear cada chamada, para que a pergunta "por que ele respondeu isso" tenha resposta em vez de teoria.

Nada disso é prompt. Prompt é a parte visível, e é a menor de todas.

## Isso é computação, não é rede social

Circula a ideia de que inteligência artificial é uma área nova, sem pré-requisito, na qual quem chegou primeiro ao assunto tem autoridade sobre ele. Não é, e o preço dessa confusão é alto.

Para entender por que um modelo de linguagem funciona, é preciso probabilidade: o objeto é uma distribuição condicional sobre o próximo símbolo, e treinar é minimizar entropia cruzada, que é a medida que Shannon definiu em 1948, usada aqui como função de perda. É preciso otimização: gradiente descendente estocástico, taxa de aprendizado, o que acontece numa superfície que não é convexa. É preciso álgebra linear, porque atenção é multiplicação de matrizes com uma normalização em cima, e não uma metáfora sobre foco. É preciso teoria da informação para saber o que a perplexidade mede e, principalmente, o que ela deixa de medir. É preciso complexidade computacional para entender por que atenção custa quadrático no comprimento da sequência e por que meia década de pesquisa foi gasta tentando derrubar esse expoente. E, para pôr qualquer coisa de pé, é preciso sistemas distribuídos, banco de dados, rede e engenharia de software, porque um modelo sem tudo isso em volta é um arquivo de pesos parado num disco.

Nada disso se aprende em evento. Eu vou a eventos, gosto deles e apresento neles. Mas evento é onde a área se encontra, não é onde ela se aprende. Palestra é síntese de trabalho feito em outro lugar, e assistir à síntese muitas vezes produz vocabulário, não competência. É por isso que se reconhece um porta-voz com três perguntas técnicas, e nenhuma delas precisa ser difícil: como você avalia se ficou melhor, o que o sistema faz quando não sabe, e quanto custa cada resposta.

Vale a inversa, para ser justo, porque ela também é verdadeira e me cobra. Existe muita gente capaz de treinar um modelo e incapaz de explicar por que ele importa, para quem, e a que custo social. Comunicar não é enfeite: é a parte final de inventar. Um autor que não comunica também não fecha a conta, só erra para o outro lado.

## O que ler para sair do hype

Não é uma lista de autoridade. É a ordem que eu daria a alguém que quer parar de repetir e começar a entender. Quase tudo é gratuito.

**Artigos, nesta ordem:**

- Vaswani et al., 2017, "Attention Is All You Need". Oito páginas com a arquitetura inteira. Depois disso, transformer deixa de ser palavra mágica.
- Brown et al., 2020, "Language Models are Few-Shot Learners". Leia a seção de limitações antes da de resultados. É o artigo que descreve aquilo que hoje é vendido como novidade.
- Sculley et al., 2015, "Hidden Technical Debt in Machine Learning Systems". Cura de uma vez a ilusão de que o modelo é o sistema.
- Kaplan et al., 2020, e Hoffmann et al., 2022, nessa ordem, para ver a área corrigindo a própria tese em público.
- Schaeffer, Miranda e Koyejo, 2023, "Are Emergent Abilities of Large Language Models a Mirage?". Como uma métrica mal escolhida fabrica um fenômeno inexistente.
- Ouyang et al., 2022, sobre o InstructGPT. Por que o modelo que prevê bem não é o modelo que responde bem, e o que foi preciso fazer para transformar um no outro.
- Bender et al., 2021, "On the Dangers of Stochastic Parrots". Discordar dele com argumento é uma posição respeitável. Não conhecê-lo, não.
- Shannon, 1948, "A Mathematical Theory of Communication". Porque a função de perda de todo modelo de linguagem é uma medida dele, e porque foi ali que a engenharia aprendeu a trocar adjetivo por unidade.

**Livros:**

- Russell e Norvig, *Artificial Intelligence: A Modern Approach*. O mapa da área inteira, incluindo tudo que não é aprendizado profundo e que o hype apagou.
- Bishop, *Pattern Recognition and Machine Learning*, ou o mais recente *Deep Learning: Foundations and Concepts*, de Bishop e Bishop. Probabilidade levada a sério.
- Goodfellow, Bengio e Courville, *Deep Learning*. Disponível de graça na internet desde 2016.
- Sutton e Barto, *Reinforcement Learning: An Introduction*. Alinhamento moderno é aprendizado por reforço, e sem essa base a discussão vira mística.
- Murphy, *Probabilistic Machine Learning*. Referência de mesa, para consultar a vida toda.
- Pearl, *The Book of Why*. Porque correlação em escala continua não sendo causa, e a escala torna o erro mais convincente, não menos.
- Chip Huyen, *Designing Machine Learning Systems* e *AI Engineering*. O lado de sistema, que é onde o dia acontece.

E um ensaio de duas páginas que vale mais que muita conferência: "The Bitter Lesson", de Rich Sutton, 2019.

## O corte

Não estou pedindo diploma. A área foi construída por gente de origens improváveis e continua sendo, e o caminho para entrar nela está aberto e documentado como poucos campos já estiveram na história.

O que peço é que se pare de confundir categoria. Usar bem é uma competência. Falar bem é uma competência. Nenhuma das duas é construir, e nenhuma das duas responde pelo que o sistema faz na segunda-feira, quando a entrada não é a da demonstração, o fornecedor está fora do ar e alguém precisa explicar por que a resposta saiu errada.

Duas perguntas resolvem quase todo caso duvidoso, e servem para você me aplicar também:

1. Você consegue explicar por que o sistema errou daquela vez?
2. Você consegue mostrar o que foi feito para que ele não erre assim de novo, e como isso é verificado?

Quem responde às duas está construindo. Quem não responde a nenhuma está falando sobre. Entre os dois há uma faixa enorme e honesta de gente aprendendo, e é lá que quase todo mundo deveria se colocar, sem pressa e sem vergonha.

**Porta-voz responde pelo que disse. Autor responde pelo que o sistema faz quando ele não está na sala.**