Colapso de Modelos: O Que Acontece Quando IA Treina em IA

Aqui está um experimento mental ligeiramente desconfortável. Fotocopie uma fotografia. Agora fotocopie a fotocópia, e a cópia disso, e continue. Dentro de uma dúzia de gerações, a imagem é uma mancha cinza: os detalhes finos vão primeiro, depois os tons médios, até que tudo o que resta é uma média turva do que uma vez esteve lá. A IA generativa tem uma versão desse problema, tem um nome, e graças a um estudo publicado em agosto de 2026, agora temos uma medida razoável de quão rapidamente as condições para isso estão chegando.

Resposta primeiro. Colapso do modelo é o que acontece quando você treina um modelo generativo principalmente com a saída de outros modelos generativos em vez de dados feitos por humanos. O modelo não explode; ele se estreita. As coisas raras — fatos incomuns, estilos minoritários, a longa cauda da estranheza humana — desaparecem primeiro, e o modelo se desvia em direção a uma média confiante e sem graça. Isso foi demonstrado em um artigo revisado por pares na Nature. E a razão pela qual isso merece sua atenção agora, em vez de como uma nota de rodapé para pesquisadores, é que a web da qual esses modelos aprendem está se enchendo de escrita de IA: o Pew Research Center relatou em 20 de agosto de 2026 que mais de um terço das páginas da web publicadas desde o lançamento do ChatGPT mostram sinais de autoria de IA. O fotocopiador, em outras palavras, começou a se alimentar de suas próprias cópias.

Vamos ser cuidadosos aqui, porque este é um tópico que atrai tanto o apocalipse exagerado quanto o desprezo preguiçoso, e nenhum deles é honesto. O colapso é real e demonstrado; também é evitável, e os modelos de hoje não estão visivelmente desmoronando. A questão interessante é a que está entre os dois.

O mecanismo, sem exageros

A ideia central é mais fácil do que o jargão. Qualquer modelo treinado com dados aprende uma aproximação da distribuição que o produziu — o que é comum, o que é raro, como as coisas variam. Quando o modelo então gera novos dados, ele o faz de forma ligeiramente imperfeita: ele super-representa o provável, sub-representa o improvável e suaviza os extremos. Alimente essa saída de volta como dados de treinamento para o próximo modelo, e o próximo herda e amplifica a distorção. Repita, e você obtém dois estágios de falha que os pesquisadores descrevem precisamente: um colapso precoce, onde o modelo começa a perder informações sobre as caudas raras da distribuição, e um colapso tardio, onde essas caudas desaparecem completamente e o modelo converge em direção a um ponto estreito que se assemelha cada vez menos à variedade original.

A conta definitiva é o artigo de Ilia Shumailov e colegas de 2024 na Nature, intitulado de forma direta "Modelos de IA colapsam quando treinados em dados gerados recursivamente." Eles mostraram o efeito em uma variedade de tipos de modelos, e sua conclusão é citável e contundente: o "uso indiscriminado de conteúdo gerado por modelos no treinamento causa defeitos irreversíveis nos modelos resultantes, nos quais as caudas da distribuição de conteúdo original desaparecem." A palavra que faz o trabalho é irreversível. Uma vez que uma geração de modelos foi treinada além de um certo ponto em seu próprio exaustão, você não pode facilmente recuperar a diversidade que perdeu; o conhecimento raro não está escondido, ele se foi.

Uma nuance vale a pena manter, porque é onde resumos preguiçosos erram: o colapso na prática é uma questão de grau, não um interruptor liga/desliga. A versão dramática, em que o modelo se consome, vem de experimentos que deliberadamente loopam a saída de um modelo diretamente de volta sem nada mais misturado. Os pipelines de treinamento reais são mais bagunçados e melhor defendidos do que isso. Mas o mesmo trabalho mostra que a pressão opera em um gradiente — quanto mais dados sintéticos e não filtrados entram na mistura, mais as caudas se erodem — então a pergunta útil não é "os modelos colapsaram?" mas "quanta variedade estamos trocando silenciosamente, e ainda podemos perceber?"

Por que 2026 é quando isso deixou de ser teórico

Por alguns anos, o colapso do modelo foi um resultado limpo de laboratório com uma ressalva reconfortante: ninguém realmente treina um modelo exclusivamente em sua própria saída, então a versão catastrófica não acontece na prática. Essa ressalva agora está sob pressão, e o estudo do Pew é a razão.

Os Laboratórios de Dados do Pew analisaram quase meio milhão de páginas da web em inglês através de um modelo de detecção de IA e observaram como a participação de texto provavelmente gerado por IA se moveu ao longo do tempo. Os números principais: cerca de um em cada dez de todas as páginas amostradas em julho de 2026 mostraram sinais significativos de autoria de IA, e entre as páginas publicadas desde que o ChatGPT chegou no final de 2022, mais de um terço o fez. A divisão por domínio é reveladora — cerca de um em cada dez páginas .com mostraram os sinais, contra cerca de um em cada cem para .edu e .gov — o que significa que a web comercial, a parte que é mais avidamente raspada, é precisamente a parte que está se enchendo de texto sintético.

Os modelos que escrevem a web estão cada vez mais treinando em uma web escrita por modelos. Isso não é uma metáfora para o colapso do modelo; é a condição exata de entrada que a pesquisa alerta.

Uma ressalva necessária, porque nos mantemos ao padrão de fontes que exigimos dos outros: "sinais de autoria de IA" é um julgamento de um detector probabilístico, não uma confissão, e a detecção de texto de IA é imperfeita e propensa a falsos positivos. O Pew está medindo probabilidade, não contando confissões. Mas mesmo descontando essa incerteza, a direção não está seriamente em dúvida, e há uma deliciosa ironia em como o detector identifica as máquinas: entre os marcadores que mais aumentaram desde 2023 estavam a duplicação de travessões, um aumento em um certo tipo de vocabulário e um quase triplo de "paralelismo negativo" — a construção "não é apenas X, é Y". Nós também usamos travessões; aceitaremos a acusação. O ponto permanece: as impressões digitais do texto gerado agora são comuns o suficiente na web aberta para serem medidas em escala.

A 'parede de dados' torna a tentação pior

Há um motor econômico por trás de tudo isso que transforma uma curiosidade de laboratório em um risco real. Os laboratórios de fronteira passaram anos treinando em mais ou menos todo o estoque de texto de alta qualidade, escrito por humanos e disponível publicamente, e há um amplo consenso no campo de que a nova escrita humana agora é escassa em relação à rapidez com que os modelos querem crescer — a chamada "parede de dados". Quando você quase esgotou os dados humanos, a fonte mais barata e abundante que resta é o texto que os próprios modelos produziram. Esse é precisamente o combustível que a pesquisa sobre colapso alerta, chegando exatamente no momento em que o incentivo para usá-lo é mais forte.

Nada disso torna os dados sintéticos automaticamente ruins. Os laboratórios os geram cada vez mais de propósito — para cobrir lacunas, equilibrar casos raros e desenvolver habilidades específicas — e quando feito deliberadamente, isso ajuda. O perigo é a versão passiva: aspirar o que é barato e abundante, que agora inclui uma fatia cada vez maior de uma web aberta que foi ela mesma escrita por máquinas. O número do Pew é a medida de quanto essa fatia cresceu; a parede de dados é a razão pela qual a indústria é tentada a se apoiar nela, independentemente.

Como o colapso realmente se sentiria para você

Esqueça a moldura de ficção científica. O colapso do modelo não se anunciaria com um estrondo ou uma resposta errada que você pudesse pegar. Ele se sentiria como achatamento. O mesmo punhado de respostas confiantes e de som médio aparecendo em toda parte. Fatos mais raros se tornando mais difíceis de serem encontrados. Dialetos minoritários, conhecimento regional e especialização de nicho se esvaindo da gama dos modelos porque eram escassos nos dados de treinamento e ficaram mais escassos a cada passagem recursiva. Surpresas genuínas — a resposta incomum, mas correta — se tornando mais raras do que a plausível, mas genérica.

Isso é corrosivo precisamente porque é invisível. Uma alucinação é pelo menos detectável em princípio; você pode verificá-la. Uma contração lenta do que o modelo considera possível não é algo que um usuário individual possa ver a partir de uma única resposta. Ela