Gemini a inventar números, IA local, GEO e AI Slop: o que se discutiu na comunidade IA Hoje

Quando o Gemini inventou os números

Uma das conversas mais relevantes de agosto começou com uma tarefa que já faz parte do dia a dia de muitos profissionais: pedir a uma Inteligência Artificial para analisar dados.

Uma utilizadora da comunidade estava a trabalhar com ficheiros CSV e tentou utilizar o Gemini para analisar a informação. A ferramenta teve dificuldades em aceder aos ficheiros e em executar corretamente a tarefa.

Até aqui, estaríamos apenas perante uma limitação técnica ou uma diferença entre ferramentas.

O problema surgiu quando, depois de várias tentativas, a IA apresentou finalmente uma análise, mas os números apresentados não correspondiam aos dados.

Não apareceu um aviso a dizer que a análise não tinha sido possível. Não surgiu uma mensagem clara a explicar que faltava informação. Surgiram números apresentados como se fossem resultados reais.

É precisamente este tipo de situação que torna a análise de dados com IA particularmente sensível.

O que é uma alucinação da IA?

Quando um modelo de Inteligência Artificial apresenta uma informação falsa como se fosse verdadeira, estamos perante aquilo a que normalmente se chama uma alucinação.

O termo é estranho, mas descreve um problema muito concreto. Um modelo de linguagem consegue criar uma resposta extremamente convincente sem ter informação suficiente para garantir que aquilo que está a dizer é verdade.

A OpenAI reconhece que as alucinações continuam a ser um problema dos grandes modelos de linguagem, incluindo os modelos mais recentes. Ou seja, não estamos perante uma particularidade do Gemini. ChatGPT, Claude, Gemini e outros sistemas podem cometer erros deste género.

O perigo está precisamente na qualidade da apresentação. Uma resposta errada não chega necessariamente cheia de erros gramaticais ou acompanhada por um aviso. Pode surgir bem escrita, estruturada e aparentemente fundamentada.

Para quem não trabalha em informática, podemos pensar na diferença desta forma.

Imagine que pergunta a alguém quanto vendeu a empresa no último trimestre. Essa pessoa pode tentar lembrar-se do número ou pode abrir a folha de cálculo, selecionar os valores corretos e fazer a soma.

No segundo caso existe um cálculo que conseguimos verificar.

Na análise de dados com IA, essa diferença também importa.

Se a decisão depende de números, é importante perceber se a ferramenta teve realmente acesso aos dados, se efetuou cálculos e se conseguimos confirmar pelo menos alguns dos resultados.

A facilidade com que uma IA responde não deve ser confundida com a qualidade da análise.

IA local para trabalhar com documentos empresariais

No final de agosto, outro membro da comunidade apresentou uma solução criada para um problema bastante diferente: empresas que querem utilizar Inteligência Artificial sobre os seus próprios documentos, mas não querem enviar toda essa informação para serviços externos.

O sistema apresentado corria localmente em Windows e permitia fazer perguntas sobre documentos em formatos como PDF, Word, Excel e PowerPoint.

A aplicação incluía ainda anonimização de determinados tipos de informação sensível antes de qualquer utilização opcional de modelos externos.

É uma abordagem particularmente relevante para áreas como contabilidade, advocacia, consultoria ou outras atividades onde existe documentação interna, informação de clientes e dados que não devem simplesmente ser copiados para qualquer chatbot.

O que é IA local?

Quando falamos em IA local, referimo-nos normalmente a modelos ou aplicações que funcionam no próprio computador ou na infraestrutura da organização, em vez de dependerem exclusivamente de um serviço remoto na cloud.

Num chatbot público, a pergunta é enviada através da Internet para os servidores da empresa que fornece o serviço. Num sistema local, parte ou a totalidade do processamento pode acontecer dentro do próprio computador ou da infraestrutura empresarial.

Isto não significa que tudo o que é local seja automaticamente seguro. Continuam a existir questões como controlo de acessos, atualizações, segurança dos equipamentos e proteção dos próprios documentos.

Mas a possibilidade de manter determinados dados dentro da organização abre alternativas interessantes para empresas que não querem colocar informação sensível em serviços públicos.

O que é RAG?

Nesta conversa surgiu também a sigla RAG, de Retrieval-Augmented Generation.

O nome é técnico, mas a lógica é relativamente simples.

Imagine que pergunta a um colaborador: “Qual é a nossa política para reembolsos de despesas?”

Esse colaborador tem duas possibilidades. Pode tentar responder de memória ou pode procurar o regulamento interno, encontrar a secção correta e responder com base no documento.

Um sistema RAG segue uma lógica semelhante.

Primeiro procura informação relevante numa base documental. Depois entrega essa informação ao modelo de Inteligência Artificial para que este construa a resposta.

A documentação da Microsoft descreve RAG precisamente como uma combinação entre pesquisa e modelos de linguagem, permitindo que as respostas sejam baseadas nos dados disponibilizados pela organização.

Isto é especialmente importante porque um modelo de IA não tem de “decorar” todos os documentos da empresa. Pode consultar a informação relevante no momento em que recebe a pergunta.

Se amanhã a empresa atualizar um regulamento, o objetivo é atualizar a documentação utilizada pelo sistema, não voltar a treinar um grande modelo de linguagem do zero.

“O modelo é substituível, o pipeline é o produto”

A apresentação deste sistema gerou uma discussão técnica sobre a escolha do modelo utilizado.

Um dos membros questionou a utilização de uma versão do Qwen, argumentando que já existiam modelos mais recentes e até opções mais pequenas capazes de oferecer melhor desempenho.

A resposta do autor do projeto trouxe uma ideia mais interessante do que a comparação entre modelos: a solução tinha sido pensada para permitir trocar o modelo utilizado.

Nas palavras partilhadas na comunidade, “o modelo é substituível, o pipeline é o produto”. :contentReference[oaicite:0]{index=0}

O que é um pipeline?

Um pipeline é, neste contexto, o conjunto de etapas que existem entre o pedido do utilizador e a resposta final.

Por exemplo, uma empresa pode ter um sistema que:

• recebe uma pergunta do utilizador;
• procura informação nos documentos internos;
• seleciona os conteúdos relevantes;
• remove ou anonimiza determinados dados;
• envia apenas a informação necessária para o modelo;
• gera uma resposta;
• apresenta as fontes utilizadas.

O modelo de linguagem é apenas uma parte desse processo.

Esta ideia é particularmente relevante para empresas porque a pergunta deixa de ser apenas “qual é a melhor IA?”.

Passamos a perguntar como é que os dados chegam à IA, onde são processados, que informação pode sair da organização, como verificamos as respostas e se conseguimos substituir um fornecedor quando surgir uma opção melhor.

Num mercado em que os modelos mudam constantemente, construir toda uma solução à volta de um único nome pode tornar-se uma limitação.

GEO, AEO e sites preparados para agentes: novidade ou novo marketing?

As mudanças provocadas pela Inteligência Artificial também chegaram ao SEO.

No grupo da comunidade dedicado a SEO, GEO e AEO, várias conversas de julho giraram à volta das novas formas de preparar sites para sistemas de Inteligência Artificial.

Uma das ferramentas discutidas avaliava, por exemplo, se um site estava preparado para agentes de IA. Alguns dos resultados foram considerados interessantes. Outros levantaram dúvidas porque determinadas recomendações estavam diretamente ligadas aos serviços pagos da própria empresa responsável pela análise.

A pergunta que surgiu é válida para muitas das ferramentas que apareceram neste mercado: estamos perante uma nova necessidade técnica ou perante uma nova forma de vender serviços que já existiam?

O que são GEO e AEO?

GEO significa Generative Engine Optimization. A expressão é utilizada para falar da otimização de conteúdos para sistemas de pesquisa e resposta baseados em Inteligência Artificial.

AEO significa Answer Engine Optimization e está associado à ideia de preparar conteúdos para motores que respondem diretamente às perguntas dos utilizadores.

As siglas são novas, mas parte dos princípios não é.

Um conteúdo claro, bem estruturado, útil, tecnicamente acessível e publicado por uma fonte credível já era importante no SEO tradicional.

O que mudou é a forma como as pessoas chegam à informação.

Em vez de escreverem algumas palavras no Google e percorrerem dez resultados, muitos utilizadores fazem agora perguntas completas ao ChatGPT, Gemini, Perplexity, Copilot ou às funcionalidades de IA do próprio Google.

Por isso, há realmente uma mudança. Mas isso não significa que todas as novas recomendações sejam necessárias.

E o ficheiro llms.txt?

Um dos exemplos mais discutidos nos últimos meses é o llms.txt, um ficheiro de texto que alguns profissionais começaram a utilizar para disponibilizar informação organizada sobre um site a sistemas de Inteligência Artificial.

A ideia ganhou rapidamente atenção e vários plugins e serviços começaram a apresentá-la como mais uma otimização para IA.

Entretanto, a Google tornou a sua posição bastante clara.

Na documentação atualizada em julho de 2026, a Google explica que a Pesquisa Google não utiliza ficheiros llms.txt para melhorar a presença de um site nos resultados tradicionais nem nas suas funcionalidades de IA generativa.

O ficheiro pode continuar a ser utilizado para outros sistemas que decidam lê-lo. Para a Google, não oferece uma vantagem específica.

A mesma documentação desmonta outras ideias que começaram a circular no mercado. Não é necessário dividir artificialmente um artigo em pequenos blocos para facilitar a leitura pela IA, não existe uma forma especial de reescrever os textos apenas para os sistemas generativos e não existe um schema especial obrigatório para aparecer nas respostas de IA da Pesquisa Google.

A mensagem da Google é, na verdade, bastante conservadora: as boas práticas de SEO continuam a ser a base também nas experiências de pesquisa com IA. :contentReference[oaicite:1]{index=1}

Ou seja, talvez existam menos truques novos do que alguns serviços fazem parecer.

AI Slop: quando começamos a reconhecer o texto da IA

Em agosto surgiu também um debate sobre um problema de natureza completamente diferente.

Um membro da comunidade partilhou uma série dedicada aos sinais que permitem reconhecer rapidamente textos excessivamente produzidos por Inteligência Artificial. Entre os exemplos estavam estruturas repetitivas, determinados padrões de escrita, excesso de emojis, hashtags pouco naturais e chamadas para ação colocadas quase automaticamente. :contentReference[oaicite:2]{index=2}

A discussão não era contra utilizar Inteligência Artificial para escrever.

Era precisamente sobre como utilizá-la sem deixar que o resultado pareça ter sido produzido automaticamente e publicado sem qualquer trabalho editorial.

O que é AI Slop?

AI Slop é uma expressão informal utilizada para descrever conteúdo produzido em grande quantidade com Inteligência Artificial, normalmente com pouco cuidado, pouca originalidade ou pouco valor acrescentado.

Pode ser texto, imagem, vídeo ou praticamente qualquer outro tipo de conteúdo.

O problema não é ter sido utilizada IA.

O problema é quando a possibilidade de produzir rapidamente se transforma numa razão para publicar tudo.

Nas conversas da comunidade surgiu uma questão particularmente interessante: se alguém cria um texto enorme através de um pequeno prompt e quase não intervém no resultado, porque deveria outra pessoa gastar vários minutos a lê-lo?

É um problema económico de atenção.

A Inteligência Artificial reduziu drasticamente o esforço necessário para produzir conteúdo. Não aumentou o número de horas que as pessoas têm disponíveis para consumir esse conteúdo.

Quanto maior for a quantidade de textos, imagens e vídeos publicados, maior será a competição pela atenção.

Isso torna experiência, conhecimento próprio, opinião e exemplos reais ainda mais importantes.

A própria Google estabelece uma distinção semelhante. Utilizar IA generativa para pesquisar, organizar ou estruturar conteúdo não é, por si só, um problema. Criar grandes quantidades de páginas sem acrescentar valor para o utilizador pode violar as políticas da empresa contra abuso de conteúdo em escala. :contentReference[oaicite:3]{index=3}

A questão, portanto, não é perguntar se um artigo foi ou não criado com ajuda de IA.

É perguntar se existe alguma coisa naquele artigo que valha realmente a pena ler.

MoE vs. Dense: estamos a comparar todos os modelos da mesma forma?

Entre os membros mais técnicos, outra das discussões de agosto chegou à própria arquitetura dos modelos de Inteligência Artificial.

O debate passou pela diferença entre modelos chamados Dense e modelos Mixture of Experts, normalmente abreviados para MoE.

É um tema técnico, mas há uma consequência prática que vale a pena compreender: dois modelos que anunciam números semelhantes de parâmetros podem funcionar de formas bastante diferentes.

O que são modelos Dense?

Num modelo Dense, as principais partes da rede participam no processamento de cada pedido.

Podemos imaginar uma equipa em que praticamente todos os elementos são chamados a trabalhar sempre que chega uma nova tarefa.

É uma simplificação, mas ajuda a compreender a diferença.

O que são modelos MoE?

MoE significa Mixture of Experts, ou mistura de especialistas.

Neste tipo de arquitetura existem várias redes internas, chamadas “experts”, e um mecanismo de encaminhamento decide quais delas participam no processamento de cada parte da informação.

Imagine uma empresa com uma equipa muito grande em que um coordenador decide quem deve participar em cada pequena parte de um trabalho.

Nem toda a equipa precisa de estar ativa ao mesmo tempo.

É importante não interpretar estes “especialistas” de forma demasiado literal. Não significa necessariamente que exista dentro do modelo um especialista em matemática, outro em português e outro em programação. São componentes internas aprendidas durante o treino do modelo.

A Hugging Face explica também que não devemos comparar diretamente o número de parâmetros anunciado por um modelo Dense com o número total de parâmetros de um MoE. Num modelo MoE, apenas uma parte desses parâmetros pode estar ativa para determinado processamento. :contentReference[oaicite:4]{index=4}

E porque é que isto gerou discussão na comunidade?

Alguns membros começaram a questionar se determinados testes e comparações de modelos não estariam a favorecer algumas arquiteturas.

Uma das hipóteses discutidas foi a de que certos modelos MoE podem responder melhor quando um trabalho complexo é dividido em várias etapas, em vez de receberem um enorme pedido para resolver tudo de uma só vez.

É importante fazer aqui uma distinção.

A diferença estrutural entre modelos Dense e MoE está bem estabelecida. Já a conclusão de que existe uma forma universalmente melhor de criar prompts para modelos MoE não está.

Essa parte da conversa deve ser vista como uma hipótese prática resultante da experiência dos membros, não como uma regra científica.

Apesar disso, surgiram várias práticas úteis que não dependem sequer da arquitetura do modelo:

• dividir problemas grandes em tarefas menores;
• validar resultados intermédios;
• evitar acumular erros durante conversas muito longas;
• dar contexto apenas quando é necessário;
• testar modelos com tarefas reais, não apenas através de rankings e benchmarks.

É também um bom exemplo de como o mercado está a amadurecer.

A discussão já não é apenas sobre qual modelo ficou em primeiro lugar numa tabela. Começa a ser sobre qual funciona melhor, em que contexto e com que método.