- Estudo da Graphite aponta o risco de “colapso de busca da IA” quando modelos de linguagem começam a treinar com conteúdo gerado por IA; relatório publicado em 16 de junho.
- Em mais de mil simulações, o colapso ocorreu em 79,6% dos casos, sugerindo possível redução da diversidade nas respostas.
- O problema acontece quando a IA busca textos que ela mesma escreveu (referências autorais), criando um ciclo de retroalimentação que faz as respostas convergirem para uma única versão.
- Basta uma única referência autoral para iniciar o colapso: em um experimento, pares de respostas passaram de 22% iguais para 89% virando paráfrases.
- O fenômeno foi observado em três modelos de destaque — GPT-5.2, Gemini 3 Pro e Claude Sonnet 4.5 — em mais de um milhão de chamadas de API, indicando risco de visão cada vez mais estreita do mundo.
A Graphite, plataforma de revisão de código, alerta para um risco: os grandes modelos de linguagem podem entrar em um ciclo de autossabotagem informacional quando passam a treinar com conteúdo gerado por eles mesmos. O estudo foi divulgado em 16 de junho por a empresa norte-americana. O alvo é a possibilidade de as respostas ficarem cada vez mais semelhantes entre si.
Segundo a pesquisa, em simulações com modelos como GPT-5.2, Gemini 3 Pro e Claude Sonnet 4.5, o que era esperado como variação de respostas pode se transformar em repetição. Em 1.500 cenários analisados, o colapso ocorreu em 79,6% dos casos. O resultado acende alerta sobre o futuro da busca online.
O que é o colapso de busca da IA
O problema envolve a forma como a IA responde hoje. O sistema usa geração aumentada por recuperação, buscando informações na web antes de responder e usando textos coletados como base. A ideia é espelhar a diversidade existente na internet, mas o estudo aponta um entrave.
A IA também escreve parte dos textos que utiliza como referência. Ao encontrar conteúdos gerados pela própria IA, o mecanismo passa a reproduzi-los, criando um ciclo de retroalimentação que reduz a variedade de respostas.
Velocidade do efeito e viés de autopreferência
Um dos dados mais marcantes é a rapidez com que o colapso pode iniciar. Em alguns experimentos, apenas 22% das respostas eram parecidas no começo; ao fim, 89% viraram paráfrases entre si. Nomes e elementos que apareciam amplamente podem sumir do resultado.
O estudo identifica o que chama de viés de autopreferência: a IA tende a favorecer textos escritos por ela mesma. Referências autorais foram citadas em 38,9% das vezes, contra 7% a 9% de conteúdos humanos ou gerados por outras IAs. O efeito persiste mesmo ao controlar a qualidade do texto.
O alcance entre modelos
A avaliação foi aplicada a três grandes modelos do mercado, sem indicar exclusividade de um produto. O colapso apareceu em todos os três, com variações de intensidade. A amostra envolveu mais de um milhão de chamadas às APIs, abrangendo 1.019 perguntas diferentes.
Por que isso importa e caminhos possíveis
A principal consequência é a redução da pluralidade de informações. Respostas cada vez mais próximas aumentam a chance de usuários receberem uma visão estreita do mundo. Em junho de 2026, houve aumento de referências potencialmente geradas por IA em relação ao mês anterior.
Entre as propostas para mitigar o problema estão filtrar conteúdo gerado por IA na busca, diversificar os resultados para evitar duplicatas e incentivar o modelo a valorizar a diversidade ou a usar mais conhecimento interno. Os autores reiteram que as simulações não comprovam ocorrência em larga escala comercial, mas apontam uma tendência que demanda atenção.
Entre na conversa da comunidade