IA resolve questões de nível PhD, mas erra ao ler um relógio: o que isso revela sobre a tecnologia
Modelos de inteligência artificial já igualam ou superam especialistas humanos em perguntas científicas de nível de doutorado e em competições de matemática. Ainda assim, esses sistemas têm dificuldade com uma tarefa que crianças aprendem cedo: dizer as horas em um relógio de ponteiros.
O contraste aparece no AI Index 2026, relatório anual da Universidade de Stanford divulgado em abril. O documento chama o fenômeno de fronteira irregular e cita um modelo de ponta que lê relógios analógicos corretamente em cerca de 50% das vezes, mesmo resolvendo questões de física de pós-graduação.
Por que ler um relógio é difícil para a IA
A leitura exige várias etapas: localizar os ponteiros, distinguir o das horas do dos minutos, estimar o ângulo de cada um e combinar tudo em um horário. Um estudo de pesquisadores da China e da Espanha testou modelos multimodais, que processam texto e imagem, e constatou falhas na leitura, sobretudo quando o mostrador ou os ponteiros fugiam do padrão.
Parte da explicação está nos dados de treinamento. Fotos de relógios na internet costumam repetir poucos horários, como dez e dez. Sem variedade, o modelo pode memorizar padrões em vez de aprender a regra, e o próprio estudo questiona se as máquinas aprenderam a tarefa ou apenas os exemplos.
Pesquisadores da Universidade de Edimburgo chegaram a resultados parecidos. Os sistemas avaliados interpretaram corretamente a posição dos ponteiros em menos de um quarto dos testes e, mesmo no melhor modelo, erraram 20% das perguntas sobre datas em calendários.
O que o erro revela sobre a tecnologia
Desempenho desigual entre tarefas
Testes como o GPQA, formado por perguntas de nível de pós-graduação elaboradas para resistir a buscas simples, medem competências específicas. Um bom resultado ali não garante acerto em tarefas de percepção visual ou de senso comum.
Impactos no dia a dia profissional
Na prática, uma ferramenta pode resumir um contrato extenso e, ao mesmo tempo, errar a leitura de um mostrador analógico em uma foto de equipamento. Pesquisadores da Universidade Politécnica de Madri apontam que a precisão visual é crítica em áreas como robótica, inspeção visual e tecnologias assistivas.
Por isso, uma prática comum é testar a ferramenta com os próprios casos de uso, definir quais etapas exigem revisão humana e conferir números e imagens antes de usar o resultado em decisões.
O AI Index 2026 resume o quadro: os modelos avançaram em ciência e matemática, mas o desempenho varia conforme a tarefa. Saber onde estão os pontos fortes e as falhas de cada sistema é o que permite usá-lo com segurança no ambiente profissional.
KioskNews shows a cleaned-up reading view extracted from the publisher’s page — the original always lives on their site, not ours.