Quais são os problemas em aberto da IA hoje?

Em julho de 2026, os problemas em aberto da IA se concentram em cinco áreas: confiabilidade, autonomia por horas, aprendizado depois do treino, custo e entendimento do que acontece por dentro. Nenhum deles é novo, e nenhum deles é o mesmo de três anos atrás. A lista encolhe mais devagar do que o anúncio sugere e mais rápido do que o ceticismo prevê.

Este artigo tem data e envelhece por desenho. Ele é reescrito, não remendado, e existe para dar o mapa: o que está travado, o que está se movendo e como distinguir os dois. A parte mais útil dele é a terceira figura, que lista problemas que estavam aqui e saíram — o que mudou nos últimos doze meses é a versão de granularidade fina disso.

Duas armadilhas simétricas cercam qualquer lista assim. Uma é ler limitação atual como propriedade permanente da tecnologia. A outra é supor que tudo cai por extrapolação. Separar avanço real de hype é o exercício que evita as duas, e a alucinação é o melhor caso de estudo, porque tem os dois tipos de argumento com evidência de verdade.

Onde os problemas estão

Gravidade e velocidade são eixos independentes, e confundi-los é o erro mais comum na leitura pública. Custo por token é um problema real que está caindo sozinho. Interpretabilidade quase não atrapalha o dia a dia de quem constrói produto e está praticamente parada em relação ao tamanho do alvo. Tratar as duas com a mesma urgência não faz sentido.

Confiabilidade: o modelo não sabe que não sabe

A alucinação é o problema mais discutido e o único com dois resultados fortes em direções opostas.

O argumento pessimista é formal. Um trabalho de 2024 definiu um mundo formal em que alucinação é a inconsistência entre um modelo computável e uma função de verdade computável, e usou teoria do aprendizado para mostrar que um LLM não pode aprender todas as funções computáveis. Segue disso que um modelo usado como solucionador de propósito geral vai inevitavelmente alucinar¹. É um resultado sobre o limite, não sobre a taxa.

O argumento otimista é empírico e mais acionável. Um trabalho de 2025 argumenta que os modelos alucinam porque tanto o treino quanto a avaliação premiam o chute em vez do reconhecimento de incerteza: um modelo otimizado para ir bem em provas aprende que chutar rende mais que deixar em branco. A proposta deles é sociotécnica, mudar a forma como os benchmarks dominantes pontuam a abstenção, em vez de acrescentar mais uma avaliação específica de alucinação².

As duas coisas podem ser verdadeiras ao mesmo tempo, e provavelmente são. A taxa tem muito espaço para cair; o zero não está disponível. Na prática isso significa que sistemas que dependem de correção factual precisam de verificação externa por projeto, não de um modelo melhor por espera.

Autonomia: tarefas que duram horas

Este é o problema que mais se moveu e continua sendo o gargalo dos produtos agênticos.

A medida mais útil apareceu em 2025. Em vez de perguntar quantos por cento de um benchmark o modelo acerta, o grupo mediu quanto tempo um humano especialista leva nas tarefas que o modelo completa com 50% de sucesso. Modelos de fronteira da época ficaram em torno de 50 minutos, e o horizonte vinha dobrando a cada sete meses aproximadamente desde 2019, com sinais de aceleração em 2024. Os autores atribuem o ganho principalmente a mais confiabilidade e melhor recuperação de erro, não a mais conhecimento³.

O modo de falha por trás disso é aritmético. Uma tarefa de vinte passos com 95% de acerto por passo termina com 36% de chance de sair inteira. Melhorar de 95% para 99% por passo leva a taxa final de 36% para 82%, o que explica por que o progresso em confiabilidade rende mais que progresso em capacidade bruta nessa faixa.

Um benchmark de 2024 tornou isso visível de outro jeito. Ele simula conversas entre um usuário e um agente com ferramentas e regras de domínio, e compara o estado final do banco de dados com o esperado. Agentes de chamada de função do estado da arte resolviam menos de 50% das tarefas, e a métrica de consistência sobre múltiplas tentativas ficou abaixo de 25% em oito execuções no domínio de varejo⁴. Fazer uma vez e fazer sempre são capacidades diferentes, e é a segunda que produção exige.

Há também um teto que aparece antes do esperado. Um estudo de 2025 usou quebra-cabeças de complexidade controlada e encontrou colapso completo de acurácia acima de certo ponto, junto com um comportamento contraintuitivo: o esforço de raciocínio cresce com a complexidade até um limite e depois diminui, mesmo com orçamento de tokens sobrando⁵. O trabalho gerou discussão metodológica legítima sobre quanto do colapso vem do formato da tarefa, e vale ler com essa ressalva. Ainda assim, o padrão de o modelo desistir antes de acabar o orçamento é reproduzível e incômodo.

Aprendizado: o conhecimento congela no fim do treino

Um modelo servido é um arquivo congelado. Nada do que você escreve altera os pesos, e a conversa de ontem não deixa marca. O que parece memória é o sistema em volta reenviando texto a cada chamada.

Isso tem duas consequências que não têm solução limpa em julho de 2026. A primeira é o recorte de conhecimento: o que não estava no corpus não está lá, e atualizar exige pré-treino continuado, com custo proporcional e risco de estragar o que já existia. A segunda é o esquecimento. Um estudo de 2023 mediu ajuste de instrução continuado em modelos de 1 a 7 bilhões de parâmetros e encontrou degradação geral em conhecimento de domínio, raciocínio e compreensão de leitura, com a severidade aumentando com o tamanho dentro daquela faixa⁶.

O contorno prático que a indústria adotou é não tentar resolver: coloca-se o conhecimento novo no contexto, por recuperação, e aceita-se que o modelo continue ignorante entre um treino e outro. Funciona, e não é a mesma coisa que aprender.

Custo: a conta mudou de lugar

Custo por token vinha caindo de forma consistente, e a maior parte das análises de 2023 assumia que ele deixaria de ser um problema. Uma mudança de 2024 embaralhou essa previsão. Um trabalho mostrou que gastar computação na hora da resposta pode render mais que aumentar o modelo: com alocação adaptativa por prompt, a eficiência do escalonamento em tempo de teste melhorou mais de 4 vezes em relação a uma linha de base simples, e em problemas onde o modelo pequeno já tinha alguma taxa de sucesso, gastar computação na inferência superou um modelo 14 vezes maior com o mesmo total de operações⁷.

O efeito é que a computação migrou do treino para a inferência. Um modelo de raciocínio pode gastar milhares de tokens pensando antes de escrever a primeira palavra da resposta, e boa parte desses tokens é cobrada sem nunca ser mostrada. Em julho de 2026, a pergunta operacional deixou de ser “quanto custa o token” e passou a ser “quantos tokens invisíveis esta tarefa consome”.

Duas consequências práticas seguem dessa migração. A primeira é que a latência virou parte do custo de forma nova: uma resposta que exige trinta segundos de raciocínio não cabe em interface síncrona, e o produto precisa ser redesenhado em volta disso, não só a fatura. A segunda é que o roteamento passou a ser a otimização de maior retorno. Mandar toda pergunta para o modelo mais caro é a configuração padrão de quase todo sistema construído às pressas, e classificar a dificuldade antes de escolher o modelo costuma cortar a conta pela metade sem mexer em qualidade percebida. É a mesma alocação adaptativa do trabalho de 2024, aplicada um nível acima.

Entendimento: ninguém explica uma resposta

Este é o problema mais antigo da lista e o que menos afeta o dia a dia, o que explica por que recebe menos atenção do que merece.

A dificuldade central tem nome: um neurônio de um modelo de linguagem costuma ativar em contextos semanticamente distintos, porque a rede representa mais características do que tem neurônios. Um trabalho de 2023 atacou isso com autoencoders esparsos para reconstruir as ativações internas, obtendo conjuntos de características mais interpretáveis do que as direções encontradas por métodos alternativos, e conseguiu apontar quais características são causalmente responsáveis por um comportamento específico com granularidade maior que decomposições anteriores⁸.

É progresso real e ainda é uma base de pesquisa. Entre isso e conseguir dizer, com garantia, por que um modelo de fronteira produziu determinada frase em determinado contexto, a distância continua grande.

Generalização: a fronteira que não se move junto

Vale um lugar separado para o problema que resiste melhor ao escalonamento. Em 2025, a segunda versão de um benchmark desenhado para medir inteligência fluida manteve o formato de pares de entrada e saída do antecessor, com tarefas novas curadas para exigir abstração em vez de conhecimento acumulado, e reportou testes com humanos que estabelecem uma linha de base acessível a pessoas comuns e difícil para os sistemas atuais⁹.

O padrão que isso expõe é o mais interessante da lista inteira: as capacidades que exigem recombinar poucas regras novas em contexto inédito melhoram bem mais devagar que as capacidades que exigem conhecimento e execução. É a diferença entre uma prova de conteúdo e um enigma.

O mapa do assunto

Saber em qual área uma reclamação cai já elimina metade das respostas erradas para ela. Problema de confiabilidade se ataca com verificação externa. Problema de autonomia se ataca com passos menores e checkpoints. Problema de aprendizado se ataca com recuperação. Problema de custo se ataca com roteamento. Problema de entendimento não se ataca: se aceita ou se evita o caso de uso.

O que caiu nos últimos anos

Esta figura é a que dá honestidade ao resto do texto, e cada linha dela tem origem verificável.

O GPT-3 trabalhava com 2.048 tokens de janela em 2020¹⁰; em julho de 2026 as janelas anunciadas em produção estão na ordem do milhão. Raciocínio em tarefas verificáveis dependia de demonstrações escritas por humanos até que, em 2025, um grupo mostrou que reforço puro incentiva as mesmas capacidades sem trajetória rotulada, com autoverificação e mudança de estratégia emergindo durante o treino¹¹. O MMLU, publicado em 2020 como teste em que o maior GPT-3 superava o acaso por cerca de 20 pontos, saturou acima de 90% e deixou de informar. E o horizonte de tarefa vem dobrando a cada sete meses desde 2019³.

A ressalva que mantém a figura honesta: nenhum desses itens caiu por si. Cada um caiu porque alguém trabalhou nele por anos, e alguns caíram pela metade. Janela de um milhão de tokens não significa um milhão de tokens úteis — um benchmark de 2024 mediu 17 modelos de contexto longo e encontrou queda grande conforme o comprimento cresce, com apenas metade deles mantendo desempenho satisfatório em 32 mil tokens, apesar de todos anunciarem 32 mil ou mais¹².

Onde esta lista falha

Ela é escrita pelo lado que publica. Quase toda evidência aqui vem de laboratórios e universidades que têm interesse no assunto. Não é motivo para descartar, é motivo para preferir os resultados que medem uma queda em vez de uma promessa.

Ela confunde o que é difícil com o que é impopular. Alguns problemas não avançam porque são difíceis; outros porque ninguém está pagando. Aprendizado contínuo tem mais do segundo do que o discurso sugere.

Ela envelhece de forma desigual. Custo muda em meses, interpretabilidade em anos. Reler esta página daqui a doze meses vai encontrar duas seções obsoletas e três iguais, e não dá para saber de antemão quais.

Ela mede o que se sabe medir. Toda a discussão de autonomia depende de benchmarks de tarefa de software, porque é onde existe verificador automático. Isso deixa de fora a maior parte do trabalho humano.

O que fazer com isso

1. Ao ouvir uma limitação, pergunte de quando é o dado. Metade das afirmações sobre o que a IA não faz descreve o estado de dois anos atrás.
2. Trate confiabilidade como problema de sistema, não de modelo. Verificação externa, passo pequeno e ponto de checagem rendem mais que esperar a próxima versão.
3. Meça a sua taxa por passo antes de projetar um agente longo. A conta de composição decide o comprimento máximo viável, e ela é implacável.
4. Não construa em cima da promessa de que um item desta lista vai cair. Alguns caem; qual e quando é exatamente o que ninguém acerta.
5. Guarde uma lista sua, com data. Escreva o que travou o seu projeto neste trimestre e releia daqui a seis meses. É o instrumento mais barato que existe para calibrar expectativa.

Footnotes

1. Xu et al. (2024) formalizaram alucinação como inconsistência entre um LLM computável e uma função de verdade computável e mostraram, por teoria do aprendizado, que ela é inevitável em um solucionador de propósito geral. ↩

2. Kalai et al. (2025) argumentaram que os modelos alucinam porque treino e avaliação premiam o chute em vez do reconhecimento de incerteza, e propuseram mudar a pontuação dos benchmarks dominantes em vez de criar mais avaliações de alucinação. ↩

3. Kwa et al. (2025) definiram o horizonte de tarefa de 50% de sucesso em termos do tempo que humanos especialistas levam, mediram cerca de 50 minutos para os modelos de fronteira da época e encontraram duplicação a cada sete meses aproximadamente desde 2019. ↩ ↩²

4. Yao et al. (2024) simularam conversas entre usuário e agente com ferramentas e regras de domínio, comparando o estado final do banco de dados com o esperado: agentes do estado da arte resolveram menos de 50% das tarefas, com consistência abaixo de 25% em oito tentativas no varejo. ↩

5. Shojaee et al. (2025) usaram quebra-cabeças de complexidade controlada e encontraram colapso de acurácia acima de certo ponto, com o esforço de raciocínio diminuindo apesar de haver orçamento de tokens disponível. ↩

6. Luo et al. (2023) observaram esquecimento catastrófico durante ajuste de instrução continuado em modelos de 1 a 7 bilhões de parâmetros, com a severidade aumentando com o tamanho nessa faixa. ↩

7. Snell et al. (2024) mediram o escalonamento da computação em tempo de teste e encontraram ganho de mais de 4 vezes em eficiência com alocação adaptativa por prompt, superando um modelo 14 vezes maior no mesmo orçamento de operações em problemas com sucesso parcial. ↩

8. Cunningham et al. (2023) usaram autoencoders esparsos para reconstruir ativações internas e obtiveram características mais interpretáveis que as direções de métodos alternativos, apontando as responsáveis por um comportamento específico com granularidade maior. ↩

9. Chollet et al. (2025) publicaram a segunda versão de um benchmark de inteligência fluida com tarefas novas curadas e testes com humanos que estabelecem uma linha de base acessível a pessoas e difícil para os sistemas atuais. ↩

10. Brown et al. (2020) treinaram o GPT-3 com janela de contexto de 2.048 tokens. ↩

11. A DeepSeek (2025) mostrou que a capacidade de raciocínio pode ser incentivada por reforço puro, sem trajetórias rotuladas por humanos. ↩

12. Hsieh et al. (2024) avaliaram 17 modelos de contexto longo com tarefas além da busca simples e encontraram queda grande com o aumento do comprimento: metade deles não manteve desempenho satisfatório em 32 mil tokens, apesar de anunciarem 32 mil ou mais. ↩