🔮Ethan Mollick: o que resolve de verdade ainda não existe

A capacidade que falta nos modelos de IA atuais

Ethan Mollick, professor de Wharton e uma das vozes mais respeitadas sobre inteligência artificial, sintetizou em uma frase o que muitos desenvolvedores sentem na prática: todo o aparato de prompts, arquivos de contexto, conectores e Retrieval Augmented Generation (RAG) que usamos hoje é, em essência, um substituto para uma capacidade que ainda não existe — o aprendizado contínuo.

Em outras palavras, a complexidade que builders enfrentam ao criar workflows de IA não é um detalhe técnico temporário. É uma consequência direta de uma limitação fundamental: os modelos atuais não aprendem entre sessões.

O que estamos fazendo enquanto a solução não chega

Para mitigar essa limitação, a indústria desenvolveu um ecossistema inteiro de ferramentas e técnicas:

• **Prompts detalhados** que tentam simular memória institucional
• **Arquivos de contexto** que carregam manualmente em cada interação
• **Conectores** que integram múltiplas fontes de dados
• **RAG** para buscar informações relevantes em bases próprias
• **Markdown scaffolding** para estruturar respostas

Cada uma dessas soluções resolve um problema específico, mas nenhuma ataca a raiz: o modelo não acumula conhecimento entre conversas. Cada nova sessão começa do zero.

Por que isso importa para devs e builders brasileiros

O impacto é direto no dia a dia de quem constrói produtos com IA no Brasil:

• **Custo de desenvolvimento**: cada nova funcionalidade de "memória" requer engenharia adicional
• **Experiência do usuário**: chatbots e assistentes não reconhecem usuários recorrentes de forma nativa
• **Escalabilidade**: quanto mais contexto, mais tokens, mais custo, mais latência

Mollick argumenta que, se um modelo conseguisse aprender continuamente — como um colega de trabalho que lembra das conversas anteriores —, boa parte dessa complexidade evaporaria. Não seria necessário repassar manualmente o histórico em cada chamada. O modelo entenderia preferências, acumularia contexto e se adaptaria ao longo do tempo.

O estado atual e o caminho à frente

Técnicas como fine-tuning e retrieval já oferecem avanços significativos, mas operam em camadas diferentes do aprendizado contínuo. O fine-tuning requer retreinamento do modelo inteiro. O retrieval busca informações externas. Nenhum dos dois substitui a capacidade de um modelo de aprender incrementalmente, sessão a sessão, sem intervenção manual.

A observação de Mollick funciona como um mapa do terreno: enquanto a solução de verdade não chega, builders precisam decidir quanto investimento fazer em camadas intermediárias de complexidade — e quanto dessa engenharia será obsoleta quando o aprendizado contínuo se tornar realidade.

Para devs brasileiros que constroem produtos de IA, a lição prática é clara: arquiteturas que dependem de contexto manual funcionam hoje, mas devem ser projetadas com modularidade suficiente para absorver mudanças profundas quando a capacidade de aprendizado contínuo estiver disponível.