Por que os modelos treinados na web atual ficam progressivamente piores à medida que a IA escreve mais dela?
Oportunidade
A web é agora o principal corpus de treinamento para modelos de fronteira e já está saturada de texto gerado por IA que nenhum filtro implantado detecta de forma confiável. Pesquisas publicadas entre 2024 e 2026 mostram que mesmo uma fração de um porcento de dados sintéticos em uma execução de treinamento desencadeia um colapso distribucional ao longo de gerações sucessivas, reduzindo a diversidade das saídas e degradando o desempenho na cauda. O ciclo de retroalimentação é estrutural: modelos treinados este ano produzem conteúdo que contamina o corpus para o treinamento do próximo ano. As mitigações propostas, como listas de permissão por fonte, filtros de marca d'água e verificadores de dados sintéticos, cada uma possui vetores de desvio, e nenhuma foi implantada na escala de rastreadores web. Não existe um protocolo acordado para identificar e isolar dados de treinamento gerados por IA antes que entrem em um modelo.
Por que importa
Um corpus de treinamento compartilhado em degradação impõe um teto a todo modelo construído com dados públicos, e esse teto fica mais baixo a cada geração.
Como avalio a oportunidade
A Pontuação de Oportunidade é minha própria leitura, não uma medição: o quanto dói, com que frequência aparece e o quanto pouco existe para resolvê-lo hoje. Quanto maior, mais vale a pena construir, na minha opinião.
O quanto de dor causa quando aparece.
Com que frequência as pessoas realmente se deparam com isso.
O quanto pouco de boas ferramentas existe para isso hoje.
Mais problemas que merecem ser resolvidos
Por que todo aplicativo de IA me esquece no momento em que fecho a aba?
AIPor que aprender uma nova área ainda depende de saber o que perguntar?
AIPor que uma pessoa sem especialização não consegue verificar o que uma IA acabou de dizer?
AIPor que testamos modelos em benchmarks mas os lançamos em produção no achismo?
AIPor que agentes de IA não têm memória dos próprios erros?
AIPor que não consigo auditar em que um modelo foi realmente treinado?