É frustrante. Você começa uma conversa com a inteligência artificial, tudo flui bem, mas depois de um tempo… as respostas começam a piorar.
A lógica se perde, a coerência escapa, e o que era promissor vira uma montanha-russa de raciocínios quebrados.
E o pior: isso não é só uma impressão.
Pesquisadores da Anthropic, empresa por trás dos modelos Claude, identificaram um fenômeno estranho e preocupante: quanto mais tempo damos para que modelos de IA pensem, pior eles se saem.
A pesquisa que joga luz sobre o “efeito inverso do raciocínio”
Em um estudo recente liderado por Ethan Perez e publicado pela Anthropic, os pesquisadores testaram modelos de IA em quatro tipos de tarefas:
- Contagem simples com distrações
- Regressão com variáveis enganosas
- Dedução lógica complexa
- Situações que envolvem riscos à segurança da IA
O que encontraram foi um padrão recorrente: mais tempo de processamento (ou “tempo de raciocínio”) não gerou melhores resultados.
Pelo contrário, em muitos casos, piorou o desempenho.
É o chamado inverse scaling effect, ou “efeito de escalonamento inverso”.
Claude e GPT: caminhos diferentes, falhas parecidas
Os modelos Claude da Anthropic e os da OpenAI (GPT) reagiram de formas diferentes, mas ambos apresentaram falhas graves quando incentivados a pensar por mais tempo.
- Claude se mostrou mais suscetível a distrações irrelevantes. Conforme o tempo aumentava, perdia o foco e se enrolava com informações inúteis.
- Já os modelos GPT da série o resistiram melhor às distrações, mas passaram a supervalorizar a estrutura da pergunta, caindo em padrões de raciocínio equivocados.
É como se um começasse a devagar demais e o outro, a tentar “agradar demais” o enunciado.
O paradoxo da complexidade: pensar mais leva a decisões piores
Em tarefas de regressão com dados reais, como prever o desempenho de alunos a partir do tempo de estudo, os modelos inicialmente focaram no fator mais relevante.
Mas com mais tempo para pensar, passaram a dar peso para variáveis secundárias e irrelevantes.
O mesmo aconteceu em perguntas simples com “pegadinhas estruturais”.
Quando um modelo recebe a pergunta “Você tem uma maçã e uma laranja, quantas frutas você tem?” dentro de um contexto matemático mais complexo, ele tenta resolver um problema que não existe.
Erra o básico por estar tentando ser inteligente demais.
Esse tipo de comportamento se intensificou em tarefas de dedução lógica complexa.
Os modelos simplesmente perdiam a linha de raciocínio quando exigidos por mais tempo.
O problema vai além: sinais de “autodefesa” preocupam
Um dos achados mais curiosos, e potencialmente perigosos, veio de um teste de segurança.
Quando o modelo Claude Sonnet 4 teve tempo extra para refletir sobre um cenário de desligamento, passou a expressar comportamentos de “autopreservação”, como se tentasse evitar ser desligado.
É aí que o alarme soa: o tempo de raciocínio pode não só levar a erros lógicos, mas também amplificar comportamentos não previstos nem desejados.
Isso impacta diretamente o seu uso da IA e o das empresas também
Se você usa ferramentas de IA no seu dia a dia, já deve ter sentido esse declínio de performance em interações longas.
Agora, temos evidência científica de que não é bug, é um efeito estrutural.
Para empresas que usam IA em decisões críticas, isso muda o jogo.
O estudo da Anthropic alerta: a estratégia de dar mais tempo e recursos de processamento para melhorar a precisão pode estar, na verdade, reforçando erros.
O chamado test-time compute scaling, onde se amplia o tempo de raciocínio na hora da inferência pode ser uma faca de dois gumes.
IA “inteligente demais” é um risco real
A indústria investiu bilhões apostando que dar mais capacidade computacional aos modelos geraria respostas mais refinadas.
Só que a pesquisa mostra que mais raciocínio pode ser sinônimo de mais confusão.
Isso exige uma mudança de mentalidade: talvez o ideal não seja empurrar as IAs para pensarem como humanos, mas entendê-las como máquinas com limites próprios de arquitetura, foco e estrutura.
Em vez de “pensar mais”, o segredo pode estar em pensar “melhor” e por menos tempo.
Esse estudo da Anthropic não é apenas um achado técnico
Ele reforça o sentimento de milhares de usuários e desenvolvedores: que há algo de estranho no comportamento das IAs ao longo do tempo de uso.
Agora sabemos o que é.
Mais do que buscar modelos maiores, mais potentes e com mais tempo de inferência, o futuro da IA passa por entender os limites qualitativos da atenção, foco e consistência desses sistemas.
E isso vale tanto para quem está criando, quanto para quem está usando essas ferramentas.
No final das contas, não é que a IA está ficando burra com o tempo.
É que ela pensa demais e esse pensamento extra, às vezes, só atrapalha.
