IA chinesa aprende a 'provar' impossibilidade — o que isso muda para agentes autônomos usados por empresas brasileiras

A equipe do cientista Andrew Yao e do professor Yuan Yang, da Universidade Tsinghua, apresentou o Modelo de Mundo Algébrico (AWM), sistema que combina exploração, condensação de hipóteses e prova formal em Lean 4 para fazer modelos de linguagem raciocinarem como cientistas — e não apenas como anotadores de padrões. Nos testes com o jogo ARC-AGI-3, o AWM baseado no Opus 5.5 provou em duas tentativas que um nível era insolúvel com o número de passos dado, algo que GPT-6 Astra e Claude Opus 5.5 erraram em 7 de 12 casos semelhantes. O gancho para o Brasil é direto: empresas que já colocam agentes de IA para decidir rotas, aprovar crédito ou classificar cargas passam a ter, em tese, um fornecedor de IA capaz de dizer 'não dá' com justificativa verificável — em vez de alucinar um caminho inexistente. A Universidade Tsinghua, por meio do grupo liderado por Andrew Yao e pelo professor Yuan Yang, divulgou o Modelo de Mundo Algébrico (AWM), uma arquitetura que tenta resolver um problema antigo da inteligência artificial: fazer o modelo deduzir leis a partir de observação, como Newton fez com a gravitação, em vez de apenas memorizar padrões. O método tem três etapas. Primeiro, a IA explora o ambiente e registra o que vê como código Python executável, tratando cada observação como hipótese. Depois, condensa essas hipóteses em objetos e regras mais gerais. Por fim, formaliza tudo em Lean 4, linguagem de prova matemática verificável por máquina. O teste foi feito no ARC-AGI-3, conjunto de jogos sem regras nem objetivos explícitos, onde modelos de fronteira costumam exibir pontuação alta — o GPT Astra, com o framework Provider Adapter, chega a 99,9% — mas falham quando o jogo é alterado para ser impossível de vencer. Em 12 testes desse tipo, GPT-6 Astra e Claude Opus 5.5 só julgaram corretamente 'impossível' em 5 ocasiões, e em 4 delas erraram o número mínimo de passos. O AWM, rodando sobre Opus 5.5, precisou de duas tentativas para provar que o nível sc25 era insolúvel com 18 passos e que bastaria um passo adicional para vencer. Por que isso chega ao Brasil: o país já é um dos maiores mercados emergentes para agentes de IA aplicados a operações. Bancos digitais, tradings, transportadoras e plataformas de e-commerce usam modelos de linguagem para decidir limite de crédito, roteirizar carga, classificar risco aduaneiro e responder clientes. O problema central que o AWM ataca — a alucinação em cenários de impossibilidade — é exatamente o que trava a adoção de agentes autônomos em funções com consequência financeira ou regulatória. Um agente que diz 'não há rota viável com esse custo' e apresenta prova verificável é radicalmente diferente de um que inventa uma rota. Para o setor financeiro brasileiro, isso toca diretamente a discussão do Banco Central sobre explicabilidade de modelos de IA no crédito; para logística, afeta a confiança em sistemas de otimização que hoje dependem de validação humana; para compliance, abre a porta para auditoria formal de decisões automatizadas. O impacto direto é indireto, via fornecedores de infraestrutura de IA — OpenAI, Anthropic, Google e, no caso chinês, DeepSeek e Alibaba — que podem incorporar técnicas de prova formal em seus produtos nos próximos ciclos. Os dados mostram que a diferença de desempenho entre o AWM e os modelos de fronteira sem essa camada é grande em cenários de impossibilidade: 2 tentativas contra falhas em 7 de 12 casos. Na leitura do CBI, isso indica que a próxima fronteira competitiva entre fornecedores de IA não será apenas 'quem acerta mais', mas 'quem sabe dizer que não sabe' com rigor matemático. É uma mudança de qualidade, não de escala. Para o leitor brasileiro, o sinal prático é que contratos de licenciamento de IA para funções críticas devem começar a incluir cláusulas sobre capacidade de prova de impossibilidade e auditabilidade formal — algo que hoje quase nenhum fornecedor oferece. A comparação com eventos anteriores é útil: a corrida por modelos de raciocínio em 2024-2025 priorizou acurácia em respostas; agora, o eixo se desloca para a capacidade de delimitar o espaço de soluções viáveis. O que acompanhar: primeiro, se OpenAI, Anthropic ou Google anunciarem integração de verificação formal (Lean, Coq ou similares) em seus modelos de agente até o primeiro semestre de 2027. Segundo, se o Banco Central incluir exigência de prova formal ou auditabilidade de decisões em consulta pública sobre IA no sistema financeiro. Terceiro, se fornecedores chineses — DeepSeek, Alibaba Qwen — licenciarem tecnologia similar para o mercado brasileiro via parceiros locais, o que mudaria o custo de adoção para empresas de médio porte.