Cyberpediapor Brain

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

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.

Nesta página
  1. 1Em 30 segundos
  2. 2Do que se trata
  3. 3Perguntas diretas
  4. 4Como funciona
  5. 5O que faz
  6. 6As armadilhas
  7. 7Fontes
  8. 8Citar este artigo

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].

Do que se trata

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.

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)