O ano de 2025 terminou com algumas das principais vozes no setor de IA tentando refrear as expectativas criadas por uma histeria generalizada em torno da novidade. A tecnologia chamada de IA é sofisticada e passou a servir de suporte a um discurso humano de natureza sofística (sophismata), bem como a argutiae fallaces, imagens verbais do saber, não o saber em si. Não é a técnica que imita a dialética, mas o uso retórico que se faz dela, confundindo o logos.
De repente, como mágica, todo mundo parece entender de processos computacionais. Para Platão, era a aparência sem ser. Para Aristóteles, na obra Refutações Sofísticas, o sofisma deixa de ser apenas persuasão retórica e passa a ser identificado como erro estrutural de inferência. Yann LeCun, um dos três pais fundadores da IA moderna, sustenta reiteradamente que a IAG está longe de ocorrer por uma razão estrutural simples: dados empíricos históricos, por mais bem tratados, não produzem, por si, compreensão inédita do mundo.
Os LLMs, no paradigma matemático atual (attention mechanism), parte matricial, parte sequencial, funcionando como aproximadores universais de padrões linguísticos, embora elegantes, ainda tratam de dados passados. Yann começou o ano deixando a posição executiva de liderança em IA na Meta e voltando sua atenção para problemas fundamentais. Ele busca compreender como superar arquiteturas puramente baseadas em atenção como principal mecanismo organizador dos modelos, paradigma dominante quando escrevo este artigo.
Já a Meta começa o ano com crises de eval e métricas de performance de outputs. Os mesmos outputs que demandam nossa cuidadosa atenção ao mecanismo de atenção, se vale o trocadilho. Nessa perspectiva, a provocação de Richard Sutton, um dos grandes nomes da IA e ganhador do prêmio Turing, quando entrevistado por Dwarkesh Patel, é particularmente relevante.
Para Sutton, os LLMs mimetizam o ser humano. São capazes de reproduzir o que as pessoas diriam diante de determinadas situações, mas não o que efetivamente ocorrerá no mundo real. Percorrem os corpora, observam padrões de resposta, mas não acessam a experiência causal direta que fundamenta o aprendizado humano robusto.
Mesmo quando os modelos produzem feedbacks sobre o que seria a “coisa certa a fazer”, permanece o problema central: não há definição inequívoca do que é o certo a fazer, sobretudo em decisões formuladas sob a lógica de árvores decisórias abertas. O impasse não é computacional, mas epistemológico. Quando não há ground truth claramente definido, o uso de corpora históricos torna-se insuficiente, embora não irrelevante, para sustentar exercícios generativos em domínios decisórios abertos. Que dureza.
Sutton insiste que o futuro não é comprovável nem repetível. A experiência passada da humanidade, ainda que informativa, não constitui condição suficiente para explicar ou antecipar eventos inéditos. Ainda assim, as respostas produzidas pelos modelos tendem a nos parecer excessivamente atraentes. É nesse deslocamento, quando passam a operar como fonte de autoridade epistêmica, que os LLMs também tangenciam o terreno do sofisma.
Sutton reconhece que essa limitação é enfrentada de modo distinto e com certo sucesso em abordagens de Machine Learning baseadas em reinforcement learning. Outros defendem que caminhos como a neuro-symbolic AI podem mitigar parte do problema. Ele também lembra que o setor se encontra particularmente exposto a bandwagons and fashion, isto é, a ondas recorrentes de hype, modismos e adesões acríticas.
Pensando em exercícios generativos e preditivos, relaciono o tema a uma conversa que tive, ainda em 2025, com o diretor de risco de um importante banco público brasileiro. Ao final de 2019, a instituição havia construído um modelo de risco para os cinco anos seguintes, naturalmente ancorado em dados históricos.
Poucos meses depois, o banco enfrentaria a COVID e, em seguida, a guerra da Ucrânia, eventos fora do espaço amostral considerado e, portanto, ausentes das modelagens. O resultado foi a rápida invalidação do exercício “generativo”, não por erro técnico, mas por pressuposto epistemológico.
Nem vale mencionar que, nesse intervalo, ainda surgiria o acesso público aos modelos de LLM, ampliando o descompasso entre capacidade computacional e previsibilidade do mundo real. A aproximação elegante e altamente escalável do attention trata estatisticamente o conjunto do passado como nenhum modelo matemático até então havia feito. Isso, por si só, representa um ganho de escala inédito para a humanidade.
Daí a atribuir a esses modelos a capacidade de antecipar a COVID ou a guerra da Ucrânia há um salto que me parece mais retórico do que técnico. Ineditismo também há na velocidade com que as coisas estão ocorrendo, deixando qualquer lei de Moore vermelha de vergonha.
Quando a maior parte da população ainda mal havia percebido o debate e já utilizava o GPT como guia culinário, de viagem ou psicológico, as expectativas dobraram a aposta. O universo agentic chegava para “automatizar” o mundo.
Misturando aplicações rule-based com frameworks de linguagem, qualquer um agora poderia construir um flow quase perfeito para qualquer atividade executável por um ser humano. O fim do mundo e do emprego parecia anunciado. A abordagem de Jason Wei, apresentada no clube de IA de Stanford, ajuda a pensar os limites concretos desse universo agentic.
Jason é pesquisador de destaque em IA e atualmente trabalha no Meta Superintelligence Labs. Antes, ajudou a cocriar o modelo o1 e o produto Deep Research na OpenAI. Para Jason, a lei da verificação (Verifier’s Law) oferece um critério operacional claro: a capacidade de treinar uma IA para uma tarefa é proporcional à facilidade de verificar seu desempenho. Em termos simples, só se treina bem aquilo cujo erro é identificável.
Tarefas com verificação cara, subjetiva ou ambígua, como escrever um bom argumento jurídico, produzir ciência original ou oferecer aconselhamento estratégico, apresentam enorme dificuldade de treinamento, ainda que pareçam simples do ponto de vista humano. É disso que trata Sutton; aqui, aplico a lógica aos fluxos agentic.
Já tarefas com verificação objetiva e barata, como xadrez, reconhecimento de imagens ou tradução automática, tendem a apresentar desempenho muito superior. Jason observa que escrever uma redação ou formular uma nova dieta são tarefas difíceis de verificar. Vale refletir.
O leitor pode pensar que, se as atividades na empresa são simples e há modelos especializados, a solução estaria posta e tudo poderia ser automatizado. Há, porém, uma regra em sentido oposto que complica o quadro: quanto mais simples a atividade a ser automatizada por sistemas agentic, menor tende a ser a taxa marginal de retorno financeiro frente aos custos de implementação, coordenação e supervisão humana.
Mesmo com promessas de low ou vibe code, o mundo começa a redescobrir velhos fundamentos: processos bem definidos, nomenclaturas claras, ifs and elses, visão multidimensional, especialização, gestão de projetos, times e orçamentos.
Andrew Ng, professor em Stanford, fundador do Google Brain e da DeepLearning.AI, costuma enfatizar a centralidade de equipes de modelagem, inspeção e evals em projetos de agentic flows. O recado é claro: os times especializados continuam indispensáveis. O leigo ainda não se emancipou.
Em 2025, participei de aulas magnas, apresentações e debates sobre IA em universidades, hubs de inovação, institutos e autarquias, ao lado de top voices. Ao mesmo tempo, converso diariamente com empresários que operam comércio, indústria, serviços e agricultura, a base real da economia. De um lado, discursos altos e projeções grandiosas sobre o amanhã, muitas vezes sem profundidade técnica. Do outro, a economia real, onde a maioria ainda não entendeu exatamente o que fazer com tudo isso.
Olho para 2026 com a parcimônia de um ancião: é possível que vejamos o surgimento de outro tema dominante e que a IA se consolide como mais um momento incremental da história humana.
As oportunidades práticas existem e eu próprio tenho recorrido cada vez mais à inteligência computacional para resolver problemas e aumentar a eficácia de processos. Pode haver paradoxos, inclusive o de que a automação do trivial amplie o trabalho humano. Não há lugar para sofismas.
Artigos sobre o tema úteis ao leitor:
Automatic translation by Google Translate. It may contain inaccuracies; refer to the original text. This translation was not authored by Rodrigo Magnago.
The year 2025 ended with some of the main voices in the AI sector trying to curb the expectations created by widespread hysteria around the novelty. The technology called AI is sophisticated and has started to support a human discourse of a sophistical nature (sophismata), as well as the argutiae fallaces, verbal images of knowledge, not knowledge itself. It is not the technique that imitates dialectics, but the rhetorical use that is made of it, confusing the logos.
Suddenly, like magic, everyone seems to understand computational processes. For Plato, it was appearance without being. For Aristotle, in the work Sophistical refutations, sophistry stops being just rhetorical persuasion and starts to be identified as a structural error of inference. Yann LeCun, one of the three founding fathers of modern AI, repeatedly maintains that AGI is far from occurring for a simple structural reason: historical empirical data, no matter how well treated, does not, in itself, produce an unprecedented understanding of the world.
LLMs, in the current mathematical paradigm (attention mechanism), part matrix, part sequential, functioning as universal approximators of linguistic patterns, although elegant, they still deal with past data. Yann began the year by stepping down from his executive AI leadership role at Meta and turning his attention to fundamental problems. It seeks to understand how to overcome purely attention-based architectures as the main organizing mechanism for models, the dominant paradigm when I write this article.
Meta starts the year with crises of evaland output performance metrics. The same outputs that demand our careful attention to the attention mechanism, if the pun is worth it. From this perspective, the provocation of Richard Sutton, one of the great names in AI and winner of the Turing Prize, when interviewed by Dwarkesh Patel, is particularly relevant.
For Sutton, LLMs mimic the human being. They are capable of reproducing what people would say in certain situations, but not what will actually occur in the real world. Walk through the corpora, observe response patterns but do not access the direct causal experience that underlies robust human learning.
Even when models produce feedback about what would be the “right thing to do”, the central problem remains: there is no unequivocal definition of what is the right thing to do, especially in decisions formulated under the logic of open decision trees. The impasse is not computational, but epistemological. When there is no ground truth clearly defined, the use of corpora historical data becomes insufficient, although not irrelevant, to support generative exercises in open decision-making domains. How tough.
Sutton insists that the future is neither verifiable nor repeatable. Humanity's past experience, although informative, is not a sufficient condition to explain or anticipate unprecedented events. Still, the answers produced by models tend to seem overly attractive to us. It is in this shift, when they begin to operate as a source of epistemic authority, that LLMs also touch the ground of sophistry.
Sutton recognizes that this limitation is addressed differently and with some success in Machine Learning approaches based on reinforcement learning. Others argue that paths such as neuro-symbolic AIcan mitigate part of the problem. He also remembers that the sector is particularly exposed to bandwagons and fashion, that is, to recurring waves of hype, fads and uncritical adherence.
Thinking about generative and predictive exercises, I relate the topic to a conversation I had, back in 2025, with the risk director of an important Brazilian public bank. At the end of 2019, the institution had built a risk model for the following five years, naturally anchored in historical data.
A few months later, the bank would face COVID and then the war in Ukraine, events outside the sample space considered and, therefore, absent from the modeling. The result was the rapid invalidation of the “generative” exercise, not due to a technical error, but due to an epistemological assumption.
It is not worth mentioning that, in the meantime, public access to LLM models would still emerge, widening the gap between computational capacity and real-world predictability. The elegant and highly scalable approach to attention treats the whole of the past statistically as no mathematical model had done so far. This, in itself, represents an unprecedented gain in scale for humanity.
Hence, attributing to these models the ability to anticipate COVID or the war in Ukraine is a leap that seems to me more rhetorical than technical. There is also a novelty in the speed at which things are happening, leaving any Moore's law red with shame.
When the majority of the population had barely noticed the debate and was already using GPT as a culinary, travel or psychological guide, expectations doubled. The universe agentic arrived to “automate” the world.
Mixing applications rule-based with frameworks of language, anyone could now build a flowalmost perfect for any activity executable by a human being. The end of the world and jobs seemed announced. Jason Wei's approach, presented at Stanford's AI club, helps us think about the concrete limits of this universe agentic.
Jason is a leading AI researcher currently working at Meta Superintelligence Labs. Previously, he helped co-create the model o1 and the product Deep Research at OpenAI. For Jason, the law of verification (Verifier’s Law) offers a clear operational criterion: the ability to train an AI for a task is proportional to the ease of verifying its performance. In simple terms, you only train well if you make mistakes that are identifiable.
Tasks with expensive, subjective or ambiguous verification, such as writing a good legal argument, producing original science or offering strategic advice, present enormous training difficulties, even if they seem simple from a human point of view. That's what Sutton is all about; Here, I apply logic to agentic flows.
Tasks with objective and cheap verification, such as chess, image recognition or machine translation, tend to present much higher performance. Jason notes that writing an essay or formulating a new diet are difficult tasks to check. It's worth reflecting.
The reader may think that, if the company's activities are simple and there are specialized models, the solution would be in place and everything could be automated. There is, however, an opposite rule that complicates the picture: the simpler the activity to be automated by systems agentic, the lower the marginal rate of financial return tends to be compared to the costs of implementation, coordination and human supervision.
Even with promises of low or vibe code, the world begins to rediscover old foundations: well-defined processes, clear nomenclatures, ifs and elses, multidimensional vision, specialization, project management, teams and budgets.
Andrew Ng, professor at Stanford, founder of Google Brain and DeepLearning.AI, often emphasizes the centrality of modeling, inspection and evals in projects agentic flows. The message is clear: specialized teams remain indispensable. The layman has not yet emancipated himself.
In 2025, I participated in master classes, presentations and debates on AI at universities, innovation hubs, institutes and authorities, alongside top voices. At the same time, I talk daily with businesspeople who operate commerce, industry, services and agriculture, the real basis of the economy. On the one hand, loud speeches and grandiose projections about tomorrow, often without technical depth. On the other, the real economy, where the majority still don't understand exactly what to do with all this.
I look to 2026 with the parsimony of an old man: it is possible that we will see the emergence of another dominant theme and that AI will consolidate itself as yet another incremental moment in human history.
Practical opportunities exist and I myself have increasingly turned to computational intelligence to solve problems and increase the effectiveness of processes. There may be paradoxes, including that the automation of trivial matters expands human work. There is no room for sophistry.
Articles on the topic useful to the reader:
