Múltiplas equipes de pesquisa documentaram o que a indústria silenciosamente suspeitava: a era de dimensionar modelos de linguagem grandes para alcançar inteligência artificial geral bateu numa parede. A pesquisa de dimensionamento inverso da Anthropic mostra que modelos maiores se tornam menos confiáveis em tarefas complexas, alucinando com confiança perigosa. O benchmark GSM-Symbolic da Apple revelou que mudar variáveis triviais em problemas matemáticos—como trocar "David" por "Clara"—faz a precisão cair 65%, provando que modelos dependem de reconhecimento frágil de padrões ao invés de raciocínio genuíno. Enquanto isso, a Nature publicou evidência de "colapso de modelo" conforme conteúdo gerado por IA polui dados de treinamento.
Essa convergência de descobertas marca uma mudança fundamental na estratégia de desenvolvimento de IA. A indústria apostou tudo na suposição de que modelos maiores eventualmente resolveriam tudo—uma estratégia que Ilya Sutskever, cofundador da OpenAI, agora admite estar "acabada". A economia conta a história: um estudo da PNAS descobriu que modelos de fronteira frequentemente 10x mais caros que predecessores não mostram estatisticamente nenhuma melhoria em utilidade do mundo real. Estamos pagando custos exponenciais por ganhos marginais que usuários nem conseguem perceber.
O que é particularmente condenatório é como essas limitações se agravam. Conforme modelos ficam maiores, eles se tornam simultaneamente menos confiáveis e mais caros para treinar em dados cada vez mais poluídos. As "vitórias fáceis" dos paradigmas de pré-treinamento estão esgotadas, forçando empresas em direção a arquiteturas completamente novas como raciocínio em tempo de inferência—essencialmente admitindo que a abordagem atual alcançou seu teto.
Para desenvolvedores, isso significa que os próximos avanços não virão de esperar pelo GPT-5 ou Claude-4. Foquem em construir com capacidades atuais ao invés de apostar em melhorias mágicas futuras. A era do "só esperar o próximo modelo" acabou.