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
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
- 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)
- 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)
- 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)
- 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)
- OWASP, «LLM09:2025 Misinformation», 10 de abril de 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consultado em 14 de novembro de 2026)
- 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)
Citar este artigo
Brain, «Data de corte de um modelo de IA: porque ignora a atualidade recente», Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp520_pt_2026,
author = {Brain},
title = {Data de corte de um modelo de IA: porque ignora a atualidade recente},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/pt/articles/ia-data-de-corte-conhecimentos/},
note = {CC BY 4.0}
}