A compreensão profunda continua a ser uma competência humana. Um dia, talvez, os modelos atravessem essa barreira. A transformação da paisagem digital tem sido tão rápida quanto subtil. O que antes era um espaço tumultuoso, alimentado pela diversidade de vozes, converteu-se num território cada vez mais homogéneo. A internet deixou de ser arena para debates espontâneos e aproximou-se da neutralidade polida de um catálogo. Neste ambiente domesticado, a pergunta repetida na canção “Memória”, de Carminho e Rosalía, “será que tu me conheces?”, ganha um significado mais amplo. Já não questiona apenas a intimidade entre pessoas; ecoa como interrogação dirigida ao próprio ecossistema digital, que parece ter perdido contacto com a origem humana de que nasceu. Os modelos de inteligência artificial têm sido treinados com um largo acervo: livros, artigos, fóruns, tudo misturado com contradições, excessos e improvisos. Esse material permitiu-lhes reconhecer padrões linguísticos complexos. Mas aquilo que era abundância converteu-se num circuito fechado. Hoje, uma parte significativa dos sistemas é treinada com textos gerados por modelos anteriores. A investigação designa este fenómeno por model collapse: as respostas tornam-se mais uniformes, as ideias raras diluem-se e os modelos perdem capacidade de representar parcelas do mundo que antes compreendiam. Como descreve a IBM, quando o treino depende excessivamente de texto sintético, o desempenho degrada-se porque desaparece a variedade humana que sustentava a aprendizagem. É neste contexto que surgem indicadores importantes, como o CritPt, um novo teste concebido para avaliar raciocínio profundo em física avançada. Participaram na sua criação mais de sessenta investigadores de instituições como o Argonne National Laboratory e a University of Illinois. O teste abrange onze áreas, da matéria condensada à astrofísica, e apresenta problemas inéditos, retirados de investigação real e suficientemente difíceis para ocupar longos períodos de trabalho académico. A maior parte dos modelos de IA falhou todos os desafios. O melhor desempenho, o Gemini 3 Pro Preview, ficou abaixo dos 10%, enquanto outros modelos produziram milhões de tokens num esforço improdutivo para encontrar soluções. Embora extensos, estes raciocínios não revelaram compreensão. Mostraram apenas o limite atual das máquinas quando confrontadas com problemas que exigem hipótese, intuição e contacto com a realidade física, capacidades que não emergem de padrões reciclados. Outro teste recente aprofunda esta constatação: o WorlTest, criado pelo Basis Research Institute em colaboração com MIT, Cambridge e Cornell. Aqui, os modelos não enfrentam equações complexas, mas mundos interativos que exigem adaptação, exploração e criação de estratégias. A comparação entre centenas de participantes humanos e modelos como Claude, Gemini e o3 foi inequívoca: os humanos superaram em todas as tarefas. As máquinas detetam correlações; os humanos compreendem causalidade. Sabem ajustar-se ao imprevisto, mudar de abordagem e construir hipóteses, competências que continuam fora do alcance dos algoritmos. Juntos, CritPt e WorldTest ilustram um limite estrutural: a IA pode amplificar conhecimento existente, mas ainda não o recria a partir do mundo. Enquanto isso, a superfície da internet sofre uma transformação paralela: a proliferação de AI slop, conteúdos gerados em massa, produzidos com rapidez e pouco cuidado. São textos, imagens e vídeos que preenchem espaço sem acrescentar substância, diluindo a visibilidade de trabalhos rigorosos. Esta saturação não é apenas incómoda; compromete o acesso a informação qualificada e empurra análises sérias para camadas inferiores dos resultados de pesquisa. Além disso, uniformiza o tom geral do discurso, tornando difícil distinguir a voz singular da reprodução automática. O debate público perde densidade quando a divergência se torna exceção. A esta erosão informacional junta-se uma desigualdade menos evidente, mas politicamente significativa: a desigualdade no acesso a dados humanos autênticos. À medida que o espaço público é inundado por material sintético, as fontes realmente valiosas (arquivos de jornais, bases científicas, coleções editoriais, etc.), tornam-se recursos escassos. Quem tem meios financeiros negocia acesso; quem não tem vê-se limitado a dados já contaminados por sucessivas camadas de geração automática. A desigualdade digital transforma-se, assim, numa desigualdade cognitiva, porque já não se mede apenas em infraestrutura, mas em capacidade de integrar experiência humana genuína em processos de treino. Entretanto, instala-se outro risco: a dependência intelectual. A tentação de pedir à máquina uma resposta imediata (seja um texto, uma análise ou uma solução), torna cómodo o abandono do pensamento próprio. Quando a primeira pergunta deixa de ser “o que penso disto?” e passa a ser “o que diz a IA?”, começa a deteriorar-se a autonomia cognitiva. A frase “ó meu doce coração”, na canção que deu início à reflexão, transforma-se então num aviso: lembrar que a responsabilidade de pensar permanece nossa. No campo político, estes fenómenos amplificam vulnerabilidades já conhecidas. Organizações internacionais têm alertado para o impacto da inteligência artificial na integridade democrática: desinformação personalizada, vídeos e áudios falsificados, manipulação narrativa de baixo custo e grande escala. Vários países legislam para restringir o uso de deepfakes em campanhas e obrigar ao rótulo de conteúdos sintéticos, mas o debate permanece tenso. A produção de falsidades tornou-se mais barata do que a verificação paciente da verdade, e num ambiente já saturado de conteúdos artificiais, a desconfiança instala-se. Assim surge um cinismo defensivo que fragiliza o debate público. A própria prática política sofre outro efeito: a convergência estratégica. Quando partidos e governos recorrem às mesmas ferramentas para testar slogans e calibrar mensagens, as propostas tendem a alinhar-se naquilo que os modelos consideram seguro. Ideias disruptivas, por não se encaixarem na média histórica, são desencorajadas. A inovação perde terreno para a repetição. Existe ainda a dimensão material da IA generativa, frequentemente esquecida, mas decisiva. Os centros de dados consomem quantidades significativas de energia e água; em alguns casos, cerca de dois litros de água por quilowatt-hora, apenas para arrefecimento. Relatórios independentes assinalam que, mesmo com avanços de eficiência, o aumento global no uso da IA conduz a consumos acumulados superiores. A isto somam-se substâncias químicas persistentes, como os PFAS, utilizadas em equipamentos e associadas a riscos ambientais. Estas cargas recaem sobre regiões que nem sempre beneficiam diretamente da economia digital, o que levanta questões de justiça ambiental e territorial. Perante este cenário, a resposta mais prudente não exige ruturas tecnológicas, mas um regresso a práticas fundamentais: valorizar fontes primárias, preservar a verificação, fomentar investigação humana, cultivar o dissenso intelectual. Os especialistas que estudam o model collapse insistem que o futuro dos modelos depende da continuidade de dados humanos autênticos, diversificados e verificados. A preservação de pensamento crítico não é um luxo; é o único antídoto contra a homogeneização sintética. O CritPt e o WorldTest mostram-nos que a compreensão profunda continua a ser uma competência humana. Um dia, talvez, os modelos atravessem essa barreira. Se isso acontecer, a discussão sobre inteligência artificial mudará de escala. Até lá, cabe-nos garantir que, quando a tecnologia nos perguntar “será que tu me conheces?”, saibamos responder que o essencial não é que a máquina nos reconheça, mas que nós continuemos a reconhecer-nos como agentes do nosso próprio pensamento. Fernando Moreira Professor Catedrático, Universidade Portucalense Fernando Moreira