Vivemos na era de “viralizar primeiro e pensar depois”. O entusiasmo em torno da Inteligência Artificial frequentemente ganha proporções exageradas nas redes sociais, distorcendo os reais avanços tecnológicos. Um exemplo recente e notório envolveu grandes nomes da indústria e alegações precipitadas sobre modelos de linguagem resolvendo problemas matemáticos complexos.

O Caso dos Problemas de Erdős

Tudo começou quando um pesquisador anunciou euforicamente no X (antigo Twitter) que o mais recente modelo da OpenAI, o GPT-5, havia solucionado dez problemas não resolvidos deixados pelo prolífico matemático Paul Erdős. A declaração sugeria que a aceleração da ciência pela IA havia começado oficialmente. No entanto, a realidade era bem menos glamorosa.

O matemático Thomas Bloom, criador de um repositório que cataloga esses problemas, rapidamente contestou a situação. Um problema não estar listado como “resolvido” em seu site não significa que não tenha solução, apenas que a solução estava perdida em meio a milhões de artigos acadêmicos que ele não havia lido. O modelo de IA não criou conhecimento novo; ele apenas vasculhou a internet e encontrou as respostas já existentes.

A Distorção dos Fatos

A capacidade da IA de recuperar informações obscuras na literatura científica é, por si só, um avanço incrível. Contudo, a urgência em gerar engajamento nas redes sociais ofuscou a verdadeira utilidade da ferramenta, transformando uma excelente pesquisa bibliográfica em uma falsa narrativa de descoberta científica inédita.

Especialistas apontam que essa tendência ao exagero é perigosa. Enquanto a internet celebra falsos marcos históricos da IA na matemática, avaliações mais sóbrias mostram que esses modelos ainda apresentam falhas significativas quando aplicados em áreas críticas, como medicina e direito, fornecendo frequentemente orientações inconsistentes.

A Necessidade de Verificação

O episódio serve como um alerta crucial: alegações grandiosas sobre inteligência artificial exigem menos reações automáticas e mais verificação rigorosa. As vitórias chamativas em testes e competições são apenas pontos de partida. Entender o real impacto da IA requer uma análise profunda de como esses modelos operam, separando a recuperação ágil de dados da verdadeira inovação científica humana.