A 19 de julho de 2026, a Espanha conquista o seu segundo Mundial. Ferrán Torres marcou aos 106 minutos, já no prolongamento, num MetLife Stadium em êxtase.
 

Em poucos minutos, milhares de páginas publicaram, comentaram e analisaram o golo. Os buscadores indexaram a notícia, virtualmente, de imediato. Mas se se perguntar a um modelo de linguagem treinado a resposta pode mudar por completo. A pergunta interessante não é o que cada um responde. É como cada um chega a responder alguma coisa. Aí joga-se uma das diferenças mais profundas entre a velha ordem do conhecimento e a nova da inteligência artificial.

O Google, como o Bing ou o DuckDuckGo, pertence a uma tradição muito anterior à IA: a do índice. Nessa lógica, o conhecimento vive fora do sistema, em páginas web, jornais, documentos, …, e a função do motor de busca é encontrá-lo e conduzir-nos até ele. O Google não conhece nada, mas sabe onde está tudo e aponta-nos dez, ou dez mil, caminhos.O ChatGPT, como o Claude ou o Copilot, inverte essa lógica. Deixamos de perguntar onde está a resposta e passamos a pedi-la diretamente. A interação passa a ser conversacional «aqui tens a resposta, nos teus termos». É uma mudança de experiência radical, mas quase ninguém pára para fazer a pergunta óbvia: de onde vem, então, essa resposta?

A intuição comum sobre estes modelos de linguagem está errada; vale a pena desmontá-la pois gera expectativas equivocadas sobre o que podem e não podem fazer. Todos já imaginámos uma espécie de base de dados gigantesca onde alguém foi anotando factos: “UEFA Nations League 24/25 → Portugal”; “Mundial 2026 → Espanha”. Tais entradas não existem. Essas tabelas não existem. O que foi aprendido durante o treino do modelo não se guarda num ficheiro consultável, fica distribuído pelos parâmetros, os milhares de milhões de ajustes internos que o modelo foi afinando enquanto aprendia, de tal forma que nem sequer quem o constrói consegue apontar onde está um dado concreto.

Quando acontece algo novo, um modelo de linguagem só tem três maneiras de o incorporar; cada uma tem um custo e uma vida útil diferentes:
 

O golo de Ferrán Torres permite medir estas três vias com um cronómetro real. Passados poucos segundos do apito final, o Google já devolve o resultado, a ficha do jogo, o minuto exato do golo: a maquinaria de indexação em tempo real (agências de notícias, meios desportivos, o marcador oficial da FIFA) faz com que a latência se meça em minutos, por vezes em segundos. O ChatGPT teve de incorporar esta capacidade de procura dinâmica de informação; por isso chega, por um caminho similar, a um resultado quase tão rápido.

Mas um modelo que dependa apenas do que aprendeu, dos seus parâmetros fixados no momento do treino, não fica a saber nesse dia, nem nessa semana, nem provavelmente nesse mês. Só fica a saber na próxima versão, quando alguém voltar a treiná-lo com dados que incluam o 19 de julho de 2026. Entre o golo de Torres e o momento em que um modelo pode sabê-lo, e não apenas procurá-lo, podem passar meses.

Durante algum tempo, pareceu que os modelos de linguagem iam substituir as bibliotecas, os motores de busca, os arquivos documentais. Aconteceu exatamente o contrário. Revelaram-se tão úteis a raciocinar sobre informação que foi preciso reconectá-los, com urgência, às mesmas fontes que pareciam destinados a substituir. A esse reencontro chama-se, com uma sigla que esconde mais do que mostra, RAG (Retrieval-Augmented Generation , ou geração enriquecida por pesquisa, numa tradução libérrima): uma inteligência artificial que, antes de responder, consulta outras fontes fora do modelo.

A pergunta mais interessante não é se ChatGPT é mais ou menos rápido do que Google. É o que significa, em cada caso, enganar-se. Quando o Google erra, o erro quase sempre vive fora do motor de busca: uma página desatualizada mal posicionada, um site pouco fiável infiltrado entre os primeiros resultados, uma fake news que o algoritmo não soube distinguir de uma verdadeira. O erro é rastreável: há um URL a apontar, uma fonte que contradiz outra, um histórico da página que mostra quando mudou. Enganar-se, para um motor de busca, é indexar mal o mundo.

Mas imaginemos que perguntamos a um modelo o que aconteceu no futebol a 19 de julho. O modelo não procura num calendário de jogos, pois como vimos que não existe tal coisa. Combina fragmentos “19”, “julho”, “futebol” da forma como os seus padrões de treino sugerem que costumam combinar-se, e devolve uma resposta fluida e verosímil: que a França e a Alemanha empataram, classificando-se a Alemanha nas grandes penalidades. A resposta tem forma de facto. Lê-se como se leria uma notícia real. E o problema é que esse jogo até aconteceu. Mas em 2025. E na categoria feminina. O modelo não mentiu de propósito nem copiou mal uma fonte: reconstruiu, a partir de fragmentos parecidos vistos durante o treino, algo que soava à resposta certa sem o ser.

E aqui chega a parte mais incómoda do mecanismo. Se insistirmos «não, refiro-me a 2026» o modelo não responde que não sabe. Responde “Tens razão” e acrescenta, com perfeita fluidez, que ‘de 12 a 18 se disputou o CentroBasket feminino em Manágua’. Uma data diferente, um desporto diferente, um dado igualmente fluido e igualmente infundado. A correção não ativou uma admissão de ignorância; ativou uma nova busca da combinação mais plausível dentro de tudo o que o modelo alguma vez viu associado a esses mesmos fragmentos.

Isto assinala uma assimetria estrutural, não apenas de estilo, entre as duas eras. O Google, quando não tem nada, pode dizê-lo: zero resultados é um estado legítimo do sistema, tão válido como dez milhões de resultados. A página em branco faz parte do próprio design de um índice. O ChatGPT não tem esse estado de repouso. Não gera "nada"; gera texto, sempre, palavra após palavra, porque é literalmente a única coisa que sabe fazer: calcular qual é a continuação mais provável dada a conversa até esse ponto. Dizer "não sei" não é a ausência de uma resposta: é, para o modelo, mais uma resposta, que compete com todas as outras e que, a menos que tenha sido treinado explicitamente para a preferir, raramente ganha. Essa palavra seguinte parece-se, quase sempre, com uma resposta.

Falta um último passo, o que liga este artigo ao que se seguirá. Os agentes de IA não se contentam nem com encontrar nem com explicar: agem. O Google encontra informação. O ChatGPT gera respostas. Um agente usa essa informação, e essa resposta, para fazer algo com elas: consultar um ERP, analisar uma situação, propor uma decisão, executar uma tarefa. E quando um agente se engana, herda os dois tipos de erro ao mesmo tempo: pode apoiar-se numa fonte má, como o Google, ou inventar um passo que nunca aconteceu, como o ChatGPT, com uma diferença agravante: já não se limita a dizer algo falso, age em conformidade.

Ali, exatamente ali, começa o verdadeiro assunto que se segue: como agir.