Nem toda afirmação de IA precisa de citação — Mas toda afirmação precisa de base

Por que a “não citação” deixou de ser um teste bom o suficiente

O problema da confiança não é abstrato. É mensurável e está a piorar de maneiras específicas e documentadas.

Um estudo de 2025 sobre referências geradas por IA descobriu que 19,9% eram completamente fabricadas, e mais 45,4% tinham erros bibliográficos graves — o que significa que quase dois terços das citações que uma IA produziu nesse estudo foram inventadas ou danificadas de alguma forma material. Separadamente, o rastreamento de citações fabricadas em pesquisas publicadas mostra um aumento de aproximadamente 12 vezes entre 2023 e 2025, com mais de 4.000 artigos biomédicos encontrados a citar pesquisas que não existem.

O sistema legal já está a absorver o custo disso. No ano até fevereiro de 2026, 66 casos legais nos EUA foram sancionados especificamente por erros gerados por IA, e até junho de 2026 esse número havia crescido para 1.598 processos judiciais em todo o mundo envolvendo conteúdo de IA com citações fabricadas — com mais de $145.000 em penalidades por arquivamento de IA em tribunais dos EUA apenas no primeiro trimestre de 2026.

Nada disso é razão para desconfiar totalmente da IA. É uma razão para parar de usar “tem uma citação” como o teste completo, porque esse teste é demasiado fácil de passar sem ser realmente verdadeiro, e — tão importante quanto — demasiado fácil de falhar sendo realmente correto.

Há uma complicação real do outro lado disso também, que vale a pena declarar honestamente em vez de ignorar: um estudo de Yale descobriu que pessoas que usaram chatbots de IA para ajudar a verificar notícias viram um declínio de 15 pontos na sua própria capacidade não assistida de detetar desinformação após apenas quatro semanas. Terceirizar a verificação não é gratuito. Pode torná-lo pior em fazê-lo sozinho. Essa é uma razão genuína para querer um sistema que mostra o seu trabalho em vez de um que apenas lhe dá uma resposta com boa aparência.

Em que uma alegação pode realmente se basear

Se uma citação por si só não é o teste certo, a pergunta mais útil é: que tipo de evidência produziu esta alegação? Na prática, existem seis respostas reais e distintas.

1. Pesquisa externa

Uma alegação fundamentada numa pesquisa ou consulta em tempo real contra fontes reais e atuais — o tipo de evidência para a qual se esperaria uma citação, e onde a ausência dela é um verdadeiro sinal de alerta.

2. Informação fornecida pelo utilizador

Uma alegação construída a partir de algo que você disse diretamente ao sistema — os factos da sua própria marca, o seu próprio conhecimento de mercado, uma correção que você forneceu. Isso não precisa de uma citação externa. A citação é você.

3. Evidência transportada de uma etapa anterior

Numa pesquisa multi-etapas, uma etapa posterior pode confiar corretamente em evidências que uma etapa anterior já estabeleceu e verificou, em vez de pesquisá-las novamente do zero. A citação reside a montante, não em cada frase a jusante que a usa.

4. Inferência analítica, claramente rotulada como inferência

Às vezes, a resposta honesta é “com base nas evidências recolhidas, esta é a interpretação mais razoável” — não um facto descoberto, um julgamento. Isso é legítimo, desde que seja rotulado como inferência e não disfarçado de citação.

5. Cálculo determinístico

Algumas alegações são apenas aritmética. Se os inputs estiverem corretos, um cálculo fixo e reproduzível não precisa de uma citação, da mesma forma que uma fórmula de folha de cálculo não precisa — a “evidência” é o facto de que os mesmos inputs sempre produzem o mesmo output.

6. Correção humana, aplicada a posteriori

Esta é a que a maioria da cobertura sobre a confiança na IA ignora completamente: quando uma pessoa com conhecimento real e em primeira mão corrige uma alegação gerada por IA, essa correção é em si uma forma de evidência — discutivelmente o tipo mais forte disponível, porque vem de alguém que estava realmente lá. Consideramos esta uma sexta categoria real por si só, não apenas uma etapa de controlo de qualidade anexada às outras cinco. Essa é uma síntese genuína da nossa parte, não um termo estabelecido da indústria — vale a pena dizer claramente, em vez de disfarçá-la como mais do que é.

Seis respostas reais. Um teste — “há uma citação” — nunca cobriria todas as seis.

A distinção que quase ninguém faz: uma lacuna versus um artefato

Este é o ângulo genuinamente inexplorado, e importa mais do que parece.

Quando um sistema de IA sinaliza algo como incerto, essa sinalização pode significar uma de duas coisas muito diferentes:

Uma lacuna probatória genuína — o assunto realmente não pôde ser verificado. Ninguém publicou o número. A informação não é pública. A incerteza é real e sobre o mundo.

Um artefato de linguagem — o achado subjacente está bem, mas foi sinalizado como negativo ou incerto puramente pela forma como foi redigido, não pelo que realmente diz. A incerteza é sobre a frase, não sobre o assunto.

Isso parece idêntico na página. Ambos aparecem como uma bandeira amarela ao lado de uma alegação. Mas exigem respostas completamente diferentes. Uma lacuna real precisa de mais pesquisa. Um artefato de linguagem precisa de uma melhor redação — e tratá-lo como uma lacuna de pesquisa desperdiça tempo a perseguir evidências para algo que nunca esteve realmente em dúvida.

Essa distinção quase não aparece na cobertura existente sobre confiança e alucinação da IA. A maior parte dela para em “a IA pode estar errada, verifique alegações importantes” — verdadeiro, mas não acionável. Saber que tipo de sinalização você está a ver é o que realmente lhe diz o que fazer a seguir.

Por que perguntas mais específicas superam as mais amplas

Há um segundo padrão que vale a pena nomear, e ele segue na direção oposta do que a maioria das pessoas assume que uma pesquisa de IA “mais completa” deveria ser.

O instinto é fazer uma grande pergunta aberta e esperar uma resposta abrangente. Na prática, o oposto tende a funcionar melhor: dividir uma pergunta ampla em várias perguntas específicas, restritas e delimitadas — e fazê-las separadamente — produz evidências que são mais fáceis de verificar, mais fáceis de confiar e muitas vezes mais diretamente úteis do que uma única resposta abrangente que tenta cobrir tudo de uma vez.

Parte do porquê: uma pergunta específica dá menos espaço a um sistema para misturar coisas que deveriam permanecer separadas. Também lhe dá a si, leitor, uma alegação muito mais fácil de verificar — uma resposta específica a uma pergunta específica é algo que pode verificar contra uma fonte específica. Um único parágrafo que tenta responder a cinco coisas de uma vez geralmente não pode ser verificado contra nada em particular.

Menos, direcionado com mais precisão, tende a ser melhor do que mais.

Como isso realmente se pareceu na pesquisa de mercado real

Não tomamos nada disso como verdade. Conduzimos pesquisas reais sobre como as pessoas atualmente descrevem a sua frustração com ferramentas de IA que fazem alegações de evidência e confiança — a linguagem recorrente que as pessoas realmente usam, não uma hipótese sobre ela.

Três frases apareceram com frequência suficiente, independentemente, para serem repetidas aqui, sem as anexar a nenhum produto ou empresa específica, porque o padrão é o ponto, não qualquer fornecedor:

• Uma percebida “taxa de ‘besteira’ de 5%” — a sensação de que mesmo uma ferramenta de IA maioritariamente fiável tem uma pequena, mas real, proporção de saída confiantemente errada incorporada, e que essa proporção raramente diminui para zero, por melhor que a ferramenta se torne.
• A “ilusão de transparência” — onde uma ferramenta mostra visivelmente o seu raciocínio ou fontes, o que parece confiável, sem que essa camada visível seja realmente verificável ou correta.
• O “fardo da validação” — o custo silencioso e real de que o trabalho assistido por IA não remove a necessidade de verificar as coisas, apenas move a verificação para o humano, mais tarde, muitas vezes sem avisar que ainda é necessária.

A mesma pesquisa também revelou o que as pessoas realmente querem em vez disso, independentemente e repetidamente, sem serem direcionadas para qualquer resposta específica: capacidade de citação consistente e verificável; uma explicação visível de como a IA chegou à sua conclusão em vez de apenas a própria conclusão; e um veredicto sintetizado e acionável em vez de um despejo não filtrado de tudo o que o sistema encontrou.

Não estamos a reivindicar crédito por identificar essa demanda — a pesquisa encontrou-a por si mesma. O que gostaríamos de apontar é que ela se alinha de perto com a forma como construímos o nosso próprio produto: uma camada de honestidade que mostra suposições, lacunas e contradições em vez de escondê-las; uma maneira de corrigir e re-executar uma análise com contexto real em vez de começar do zero; e um único veredicto sintetizado de antemão, com todo o rasto de evidências disponível por baixo para quem quiser verificar o nosso trabalho.

Uma lista de verificação para a próxima alegação de IA que lhe for entregue

Da próxima vez que um sistema de IA — o nosso ou de qualquer outro — lhe entregar uma alegação sobre a qual você está prestes a agir, cinco perguntas o levarão mais longe do que “há uma citação”:

1. Que tipo é este? Pesquisa externa, a sua própria entrada, evidência transportada, inferência rotulada, um cálculo ou uma correção humana — eles exigem diferentes níveis de confiança.
2. Se for uma citação, a fonte realmente diz isso? Uma citação existir e uma citação apoiar a alegação específica não são a mesma verificação.
3. Se estiver sinalizado como incerto, é uma lacuna ou um artefato? Pergunte o que especificamente não foi verificado — o assunto, ou apenas a frase.
4. Uma versão mais específica desta pergunta lhe daria uma resposta mais verificável? Se a alegação for ampla, considere se dividi-la ajudaria.
5. Alguém com conhecimento em primeira mão realmente olhou para isso? Uma correção humana, quando disponível, é muitas vezes o tipo de evidência mais forte na lista — use-a.

Nada disso exige desconfiar totalmente da IA. Exige tratar “citado” e “verdadeiro” como duas perguntas diferentes, porque são.