Mundo 1, fase 2: debaixo da terra

Décio Dalke Jr. — Arquiteto de negócios. Sócio-gerente no ecossistema MitUP (mitup.pt).

Série Mundo 1 da IA — fase 2 de 5: fase 1 · fase 2 · fase 3 · fase 4 · fase 5

A segunda fase do primeiro mundo do Super Mario acontece debaixo da terra. A tela escurece, o céu some, e o que era cenário vira teto. Você já sabe pular, já sabe o que o cogumelo faz. Agora precisa entender o terreno.

Com IA, a fase 2 é a mesma coisa. Na fase 1 ficou dito o que ela é (um assistente), para que você quer usar e como vai conferir o que recebe. Esta fase desce um andar: o que acontece por baixo, e por que isso decide se o assistente vai ser júnior ou sênior na sua mão.

A IA só sabe o que está na frente dela no momento da resposta: a janela de contexto. Essa janela se mede em tokens, tem tamanho e tem custo, e mais contexto não é melhor contexto. Quando falta o dado, o modelo tende a preencher a lacuna com algo plausível. É a alucinação.

Por que dados, contexto e estrutura importam tanto?

Vale uma explicação rápida — e simplificada de propósito — de como esses modelos funcionam.

Um modelo de linguagem foi treinado com uma quantidade enorme de texto para fazer uma coisa: prever o pedaço de texto que vem a seguir. Faz isso tão bem que parece raciocinar, e em muitos casos o resultado não se distingue de raciocínio. Mas ele não conhece a sua empresa. Não sabe quem é o seu cliente, o que foi decidido ontem, qual das planilhas é a versão certa. Tudo o que ele sabe sobre o seu caso é o que está na frente dele no momento da resposta.

Esse “na frente dele” tem nome: janela de contexto. A Anthropic, que desenvolve o Claude, a descreve como a memória de trabalho do modelo — coisa diferente de tudo aquilo com que ele foi treinado [1]. Pense num consultor brilhante que chega todo dia de manhã sem lembrar nada do dia anterior. Ele só sabe o que está na pasta que você deixa na mesa dele. Se a pasta vem vazia, ele trabalha com o que sabe do mundo em geral. E preenche o resto com o que parecer mais provável.

É por isso que os três elementos pesam tanto:

• Dados são os fatos: números, documentos, histórico. Sem eles, o modelo trabalha com a média do mundo, não com a sua realidade.
• Contexto é a situação: o objetivo, para quem é, o que já foi decidido, o que não pode acontecer. Sem ele, a resposta pode estar certa e ser inútil.
• Estrutura é onde cada coisa mora e quem pode mexer em quê. Qual é a fonte da verdade? Se existem três versões do mesmo documento, qual vale?

A estrutura é a que menos aparece e a que mais cobra. Quando são vários agentes trabalhando ao mesmo tempo e compartilhando informação, a pergunta deixa de ser “qual é o melhor prompt” e passa a ser “quem pode fazer o quê, e onde está a verdade”. Isso são requisitos de arquitetura de sistemas. É também por isso que a IA não resolve problemas por mágica.

O que são tokens, e por que mais contexto não é melhor contexto?

O modelo não lê palavras. Lê tokens — pedaços de texto, às vezes uma palavra inteira, às vezes uma sílaba ou um sinal de pontuação. Tudo se mede em tokens: o que você escreve, o que ele responde, o que ele lê dos documentos. É em tokens que se paga, e é em tokens que a janela enche.

Um detalhe que pouca gente percebe: numa conversa, o modelo não “lembra” da mensagem anterior. A cada nova mensagem, a conversa inteira volta a ser lida — cada pergunta e cada resposta vão se acumulando na janela [1]. Uma conversa longa fica mais cara a cada turno.

E mais contexto não é melhor contexto. A própria documentação da Anthropic avisa que, à medida que o volume cresce, a precisão cai [1]. Um estudo da Chroma testou 18 modelos em 2025 e concluiu que eles não usam o contexto de forma uniforme: o desempenho fica menos confiável conforme a entrada cresce, mesmo em tarefas simples [2]. Pesquisadores de Stanford já tinham mostrado que, num contexto longo, a informação do meio é a que mais se perde; o começo e o fim são mais bem aproveitados [3].

Na prática, despejar tudo na conversa “para garantir” é entregar ao consultor sem memória o arquivo morto inteiro em vez da pasta certa. Ele vai ler. E vai se perder no meio.

Tem um momento particularmente perigoso. Quando a conversa enche, as ferramentas resumem o que veio antes para abrir espaço. O resumo não é a conversa. Na minha operação, os piores erros de uma sessão de trabalho aconteceram todos depois de um desses resumos: o assistente continuava tratando o que “lembrava” como se fosse o que estava escrito nos arquivos. Saíram daí duas regras. Decisão se registra por escrito na hora, não “no fim da sessão”. E, depois de um resumo automático, a fonte é relida antes de afirmar qualquer coisa sobre o que já foi decidido.

Por que a IA alucina?

Alucinação é quando o modelo afirma, com toda a confiança, uma coisa falsa. Um dado que não existe, uma referência inventada, um número plausível e errado.

Não é um defeito misterioso. Em 2025, pesquisadores da OpenAI publicaram uma explicação bem direta [4]. Uma parte vem do próprio treino: prever a próxima palavra funciona muito bem para padrões (gramática, estilo) e mal para fatos raros, como a data de aniversário de uma pessoa específica. A outra parte vem de como os modelos são avaliados: se a nota conta só acertos, chutar compensa. Quem chuta a data de aniversário tem uma chance em 365 de acertar; quem diz “não sei” leva zero garantido. O modelo aprende o que o boletim premia.

Traduzindo para a empresa: o seu assistente foi, de certa forma, educado para não deixar pergunta sem resposta. Se você não dá o dado, ele preenche a lacuna. E preenche bem — com algo que parece certo.

As duas defesas não são tecnológicas. A primeira é dar o dado (voltamos a dados, contexto e estrutura). A segunda é autorizar o assistente a não saber: faltou informação, para e pergunta. E, em qualquer caso, conferir — que era a pergunta da fase 1.

O que aprendi operando isso todo dia

Uso IA na operação da minha empresa desde março de 2025, com agentes que fazem trabalho real. Cada regra do meu método nasceu de alguma coisa que deu errado. As principais:

• Nunca inventar. Nada entra num entregável sem fonte. Faltou dado, para e pergunta. Um documento 20% preenchido é entregue 20% preenchido, dizendo o que falta e a quem se pede.
• Provar, não declarar. “Feito”, “certo”, “igual” só com a prova ao lado: a contagem, a comparação, o arquivo aberto. Confiança não é prova.
• Número extremo se verifica antes de ser reportado. Quando o resultado é quase tudo ou quase nada, a primeira suspeita é o método, não o mundo. Um levantamento nosso dizia que 73 de 112 pessoas não tinham conta num sistema. Pareceu demais. Era falso: a comparação usava o nome completo, e o sistema acrescentava um sufixo ao nome. O número real era 42.
• Uma informação, uma casa. Cada fato mora num lugar só. Os outros documentos apontam para lá, não copiam. Cada cópia é uma chance de divergir.
• Um escritor de cada vez. Dois agentes editando o mesmo documento ao mesmo tempo apagam o trabalho um do outro. Já aconteceu aqui.
• Discordar, não concordar por hábito. Um assistente que só diz sim é pior do que nenhum: dá segurança falsa.

Nenhuma dessas regras é sobre a ferramenta. Todas são sobre método.

Debaixo da terra, o Mario não precisa de pulo novo. Precisa enxergar onde pisa.

Perguntas rápidas

O que é a janela de contexto? A memória de trabalho do modelo: tudo o que ele tem na frente no momento da resposta. O que não está lá, ele não sabe sobre o seu caso.

O que são tokens? Os pedaços de texto com que o modelo lê e escreve. É em tokens que se paga, e é em tokens que a janela enche.

Por que a IA alucina? Porque foi treinada para prever texto plausível e avaliada de um jeito que premia chutar em vez de dizer “não sei”. As defesas: dar o dado, autorizar o assistente a não saber e conferir.

Referências

1. Anthropic — Context windows (documentação do Claude). https://platform.claude.com/docs/en/build-with-claude/context-windows — acesso em 18/09/2026.
2. Chroma — Context Rot: How Increasing Input Tokens Impacts LLM Performance, 14/07/2025. https://www.trychroma.com/research/context-rot — acesso em 18/09/2026.
3. Liu, N. F. et al. — Lost in the Middle: How Language Models Use Long Contexts. Transactions of the ACL, 2024 (arXiv, 2023). https://arxiv.org/abs/2307.03172 — acesso em 18/09/2026.
4. OpenAI — Why language models hallucinate, 05/09/2025. https://openai.com/index/why-language-models-hallucinate/ (artigo completo: https://arxiv.org/abs/2509.04664) — acesso em 18/09/2026.