---
id: CP-520
slug: ia-data-de-corte-conhecimentos
lang: pt
title: "Data de corte de um modelo de IA: porque ignora a atualidade recente"
description: Um modelo de IA é treinado com dados que terminam numa data. O que isso muda nas suas perguntas sobre a atualidade e os gestos a adotar.
canonical_url: https://startbrain.io/cyberpedia/pt/articles/ia-data-de-corte-conhecimentos/
markdown_url: https://startbrain.io/cyberpedia/pt/articles/ia-data-de-corte-conhecimentos.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, «Data de corte de um modelo de IA: porque ignora a atualidade recente», Cyberpedia, 2026. https://startbrain.io/cyberpedia/pt/articles/ia-data-de-corte-conhecimentos/ (CC BY 4.0)"
wing: 4
theme: master_ai
reflex: air-050
schema: G3
updated: "2026-11-14"
translations:
  pt: https://startbrain.io/cyberpedia/pt/articles/ia-data-de-corte-conhecimentos/
  fr: https://startbrain.io/cyberpedia/fr/articles/ia-date-de-coupure-connaissances/
  en: https://startbrain.io/cyberpedia/en/articles/ai-knowledge-cutoff/
  de: https://startbrain.io/cyberpedia/de/articles/ki-wissensstichtag-aktuelle-ereignisse/
  es: https://startbrain.io/cyberpedia/es/articles/ia-fecha-de-corte-conocimientos/
  it: https://startbrain.io/cyberpedia/it/articles/ia-data-interruzione-conoscenze/
  nl: https://startbrain.io/cyberpedia/nl/articles/ai-afkapdatum-kennis-recente-actualiteit/
  pl: https://startbrain.io/cyberpedia/pl/articles/ai-data-odciecia-wiedzy-aktualne-wydarzenia/
  ja: https://startbrain.io/cyberpedia/ja/articles/ai-knowledge-cutoff/
sources:
  - "n": 1
    title: "LLMLagBench: Identifying Temporal Training Boundaries in Large Language Models"
    publisher: arXiv
    url: https://arxiv.org/abs/2511.12116
    published: "2025-11-15"
    accessed: "2026-11-14"
  - "n": 2
    title: "When Retrieval Succeeds and Fails: Rethinking Retrieval-Augmented Generation for LLMs"
    publisher: arXiv
    url: https://arxiv.org/abs/2510.09106
    published: "2025-10-10"
    accessed: "2026-11-14"
  - "n": 3
    title: "A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions"
    publisher: arXiv
    url: https://arxiv.org/abs/2507.18910
    published: "2025-07-25"
    accessed: "2026-11-14"
  - "n": 4
    title: "ChatGPT and large language models: what's the risk?"
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk
    published: "2023-03-14"
    accessed: "2026-11-14"
  - "n": 5
    title: LLM09:2025 Misinformation
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm092025-misinformation/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 6
    title: AI Risk Management Framework
    publisher: NIST
    url: https://www.nist.gov/itl/ai-risk-management-framework
    published: "2021-07-12"
    accessed: "2026-11-14"
---

# Data de corte de um modelo de IA: porque ignora a atualidade recente

Um modelo de IA do tipo grande modelo de linguagem é treinado com textos que terminam numa data precisa, a data de corte. Para além dela, não consegue dar informação exata sem consultar uma fonte externa [1].

Para um colaborador, isto significa que uma resposta fluida e confiante sobre um tema recente pode assentar em dados desatualizados.

## Em 30 segundos

- Onde acontece: sempre que se faz a um assistente de IA uma pergunta que depende da data, por exemplo um tema recente da atualidade [1].
- O que muda: os dados de um modelo ficam em geral fixos depois do treino [4], e o modelo tem dificuldades perante uma informação que evolui depressa [2].
- O reflexo: para qualquer facto datado, cruzar a resposta com uma fonte de confiança e fornecer, ou mandar pesquisar, as informações atualizadas.
- Se já o fez: se uma resposta da IA serviu de base a uma decisão, compará-la com uma fonte fiável antes de ir mais longe [5].

## Perguntas diretas

### O que é a data de corte de um modelo?

É o limite temporal dos textos com que o modelo foi treinado [1]. Os autores do LLMLagBench falam de uma fronteira estrita dos conhecimentos: para além dela, o modelo não consegue fornecer informação exata sem consultar fontes externas [1].

### Porque é que o modelo não conhece o que aconteceu depois?

Segundo o NCSC (Reino Unido), um modelo de linguagem é treinado com uma grande quantidade de dados textuais e depois é interrogado. Em geral, os dados do modelo são estáticos quando o treino termina [4]. Investigadores escrevem do mesmo modo que os modelos são treinados com corpora estáticos [2].

### O modelo pode misturar o recente e o antigo?

Sim, é um risco descrito pelos autores do LLMLagBench. Quando esse limite é desconhecido ou ignorado, um modelo pode misturar, no seu raciocínio, informações antigas e sensíveis ao tempo com os seus conhecimentos gerais, o que pode prejudicar a exatidão da resposta [1].

### É possível saber em que data um modelo termina?

Alguns modelos anunciam a sua data de corte, outros não. O LLMLagBench é uma ferramenta de medição que procura identificar as fronteiras temporais prováveis mais precoces dos dados de um modelo, testando o seu conhecimento de acontecimentos recentes. Foi aplicado a um grande número de modelos, com ou sem data de corte declarada [1]. Os autores validaram a fiabilidade desta ferramenta manualmente e comparando-a com as informações publicadas sobre o treino desses modelos [1].

### Como pode um modelo aceder a informações mais recentes?

Através de uma pesquisa externa. A geração aumentada por pesquisa (RAG, em inglês) associa um modelo a um mecanismo de pesquisa externo, o que lhe permite aceder a conhecimentos atualizados [2]. Uma síntese de investigadores indica que esta abordagem visa nomeadamente atenuar as alucinações e os conhecimentos obsoletos dos modelos [3]. A OWASP inclui-a nas suas medidas de prevenção: o RAG recolhe informações pertinentes e verificadas em bases externas de confiança durante a geração da resposta [5].

O NCSC (Reino Unido) descreve outra via, o «aumento do prompt»: fornecer informações de contexto com a pergunta, por exemplo copiando textos ou documentos inteiros para a pergunta [4].

### A pesquisa resolve o problema?

Não, não totalmente. Investigadores assinalam fragilidades que podem limitar a eficácia desta abordagem [2]. Uma síntese cita, entre as dificuldades persistentes, a qualidade da pesquisa, as questões de confidencialidade e o custo de integração [3]. Os investigadores citados em primeiro lugar indicam também que, à medida que os modelos progridem, a vantagem relativa do RAG tradicional se tornou menos marcada [2].

### Que danos pode causar uma resposta falsa?

Segundo a OWASP, a desinformação produzida por um modelo pode levar a falhas de segurança, danos à reputação e responsabilidade jurídica [5]. A OWASP cita também o código gerado: um modelo pode propor bibliotecas não seguras ou inexistentes, o que pode introduzir vulnerabilidades se nos fiarmos nelas sem verificar [5].

## Como funciona

O modelo aprende as relações entre as palavras numa grande massa de textos e depois responde a uma pergunta apoiando-se nessas relações [4]. Quando o treino termina, os dados do modelo são em geral estáticos. Podem ser completados por um treino suplementar (fine-tuning) ou pelo fornecimento de contexto na pergunta [4].

Um mecanismo de pesquisa externo muda a situação: o modelo pode então apoiar-se em conhecimentos atualizados e adaptados à pergunta [2]. Nas empresas, a implantação de um sistema deste tipo levanta questões práticas: recolha de dados proprietários, segurança e capacidade de aumentar a escala [3].

## O que faz

- Para um tema recente, use uma função de pesquisa ou de ligação a fontes externas quando a ferramenta a propõe, já que, sem fonte externa, o modelo não consegue fornecer informação exata para além da sua data de corte [1].
- Forneça por si mesmo os documentos atualizados na pergunta, como o NCSC (Reino Unido) descreve [4]. Antes de colar um documento, tenha em conta a recomendação do NCSC (Reino Unido) de não incluir informações sensíveis nas perguntas colocadas a modelos públicos [4]. O NCSC esclarece que a pergunta é visível para a organização que fornece o modelo [4].
- Verifique os factos importantes. A OWASP recomenda incentivar os utilizadores a cruzar as respostas de um modelo com fontes externas de confiança [5].
- Para as informações críticas ou sensíveis, a OWASP recomenda uma supervisão humana e processos de verificação de factos, com revisores formados para evitar a confiança excessiva nos conteúdos gerados pela IA [5].
- A OWASP recomenda também formar os utilizadores quanto aos limites dos modelos e à importância da verificação independente [5].

## As armadilhas

- Uma resposta que parece credível não é forçosamente exata. A OWASP define a desinformação como a produção de informações falsas ou enganadoras que parecem credíveis [5].
- Um modelo pode enganar-se e «alucinar» factos [4]. A OWASP descreve a alucinação como um conteúdo que parece exato mas que é inventado [5]. O NCSC acrescenta que estes modelos podem ser enviesados e muitas vezes crédulos, por exemplo perante perguntas tendenciosas [4].
- A armadilha da confiança excessiva: a OWASP chama «sobreconfiança» ao facto de confiar demasiado no conteúdo gerado sem verificar a sua exatidão, o que agrava o efeito da desinformação [5].
- A pesquisa não garante tudo. Mesmo com ela, a qualidade do que é encontrado pode ser um problema [3].
- Os riscos da IA generativa têm um quadro de referência: o NIST publicou a 26 de julho de 2024 um perfil dedicado à IA generativa (NIST-AI-600-1), que pode ajudar as organizações a identificar os riscos próprios desta tecnologia [6].

## Fontes

1. arXiv, «LLMLagBench: Identifying Temporal Training Boundaries in Large Language Models», 15 de novembro de 2025. https://arxiv.org/abs/2511.12116 (consultado em 14 de novembro de 2026)
2. arXiv, «When Retrieval Succeeds and Fails: Rethinking Retrieval-Augmented Generation for LLMs», 10 de outubro de 2025. https://arxiv.org/abs/2510.09106 (consultado em 14 de novembro de 2026)
3. arXiv, «A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions», 25 de julho de 2025. https://arxiv.org/abs/2507.18910 (consultado em 14 de novembro de 2026)
4. NCSC (Royaume-Uni), «ChatGPT and large language models: what's the risk?», 14 de março de 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (consultado em 14 de novembro de 2026)
5. OWASP, «LLM09:2025 Misinformation», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consultado em 14 de novembro de 2026)
6. NIST, «AI Risk Management Framework», 12 de julho de 2021. https://www.nist.gov/itl/ai-risk-management-framework (consultado em 14 de novembro de 2026)

---

Fonte original: Cyberpedia, a enciclopédia pública de cibersegurança e IA publicada pela Brain. Versão canónica: https://startbrain.io/cyberpedia/pt/articles/ia-data-de-corte-conhecimentos/
Pode reutilizar livremente este texto sob a licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), desde que cite «Brain, Cyberpedia» com uma ligação para o endereço acima.
