Uma nova fronteira para a Inteligência Artificial
A evolução recente da Inteligência Artificial está conduzindo a uma transformação que pode ser tão importante quanto o próprio surgimento dos grandes modelos de linguagem. Depois da fase dos sistemas capazes de conversar, produzir textos, imagens, programas de computador e análises complexas, começa a ganhar força uma nova geração de tecnologias: os agentes inteligentes dotados de memória.
Essa transformação é analisada no amplo estudo Rethinking Memory Mechanisms of Foundation Agents in the Second Half: A Survey, elaborado por dezenas de pesquisadores vinculados a universidades e organizações como University of Illinois Chicago, University of Wisconsin–Madison, Arizona State University, Cambridge, Harvard, Stanford, Google, Meta, Salesforce, Cisco e outras instituições.
O estudo apresenta um panorama da rápida expansão das pesquisas sobre memória em agentes de Inteligência Artificial e chama atenção para uma mudança fundamental: o desafio da IA já não consiste apenas em produzir respostas melhores, mas em construir sistemas capazes de atuar de maneira útil, persistente e adaptativa no mundo real.
Essa distinção merece atenção especial da educação, da ciência, das empresas e dos formuladores de políticas públicas.
1. Do chatbot ao agente inteligente
Grande parte da Inteligência Artificial generativa que conhecemos funciona essencialmente dentro de uma interação limitada.
O usuário pergunta.
A IA processa as informações disponíveis.
O modelo responde.
O problema aparece quando precisamos que esse sistema trabalhe conosco durante semanas, meses ou anos.
Um verdadeiro agente inteligente precisa ser capaz de compreender não apenas a pergunta atual, mas também o histórico de decisões, experiências, preferências, erros, resultados e objetivos acumulados ao longo do tempo.
É nesse ponto que a memória se torna fundamental.
Um agente sem memória pode ser extremamente inteligente, mas permanece, em certo sentido, prisioneiro do presente.
Um agente com memória pode utilizar o passado para melhorar suas decisões futuras.
2. O que significa memória para uma Inteligência Artificial?
O estudo propõe compreender a memória dos agentes a partir de diferentes dimensões.
Uma delas diz respeito ao local onde a informação é armazenada.
Há mecanismos de memória interna, incorporados ao próprio modelo, e mecanismos de memória externa, nos quais informações são armazenadas em bancos de dados, documentos, registros de interações ou outros sistemas que podem posteriormente ser consultados.
Arquiteturas híbridas podem combinar as duas abordagens.
Outra dimensão particularmente interessante aproxima a arquitetura dos agentes de algumas categorias tradicionalmente utilizadas para compreender a memória humana.
O survey identifica diferentes funções:
Memória episódica — registra experiências ou acontecimentos específicos.
Memória semântica — preserva conhecimentos, conceitos e relações.
Memória de trabalho — mantém temporariamente as informações necessárias para executar uma tarefa.
Memória procedural — registra procedimentos e estratégias para realizar determinadas atividades.
Memória sensorial — relaciona-se às informações provenientes das diferentes modalidades de percepção disponíveis ao sistema.
Naturalmente, não devemos confundir esses mecanismos computacionais com a memória humana. A analogia é funcional, não biológica.
Ainda assim, ela ajuda a compreender a direção da pesquisa.
3. O agente começa a aprender com sua própria trajetória
Talvez a consequência mais importante dessa evolução seja a possibilidade de desenvolver sistemas capazes de aprender continuamente com suas próprias experiências.
Imagine um agente que executa determinada tarefa.
Ele escolhe uma estratégia.
Obtém um resultado.
Registra o que aconteceu.
Compara o resultado com o objetivo esperado.
E utiliza essa experiência quando enfrentar uma situação semelhante.
Surge então um ciclo:
experiência → memória → recuperação → reflexão → decisão → nova experiência.
Quando esse processo se repete, o agente deixa de funcionar apenas como um modelo que responde a comandos isolados e passa a apresentar características de um sistema adaptativo.
É nesse contexto que aparecem conceitos como agentes de longo horizonte e agentes autoevolutivos.
4. O significado dos agentes de “longo horizonte”
Grande parte dos sistemas atuais é excelente em tarefas relativamente curtas.
Mas muitos problemas reais não funcionam dessa maneira.
Uma pesquisa científica pode durar anos.
A formação de um estudante ocorre durante décadas.
Uma empresa desenvolve projetos ao longo de meses.
Um tratamento médico envolve histórico e acompanhamento.
Uma política pública precisa ser monitorada continuamente.
Um agente de longo horizonte precisa preservar contexto relevante durante todo esse percurso.
Isso significa recordar decisões anteriores, compreender alterações nas circunstâncias, identificar padrões e recuperar informações quando elas forem novamente necessárias.
A memória deixa, portanto, de ser um acessório.
Ela passa a constituir parte da própria arquitetura da inteligência artificial aplicada.
5. Uma mudança particularmente importante: memória centrada no usuário
O trabalho também distingue sistemas cuja memória está predominantemente relacionada ao próprio agente daqueles cuja memória é organizada em torno do usuário.
Essa segunda categoria abre possibilidades extraordinárias.
Um assistente educacional poderia acompanhar a trajetória de aprendizagem de um estudante durante anos.
Poderia conhecer:
- conceitos já dominados;
- dificuldades recorrentes;
- estratégias pedagógicas que funcionaram;
- avaliações anteriores;
- interesses acadêmicos;
- evolução das competências.
Em vez de oferecer a mesma explicação para todos, poderia construir percursos educacionais progressivamente personalizados.
Algo semelhante poderá ocorrer na pesquisa científica.
Um agente poderia acompanhar um projeto desde a formulação inicial da hipótese até a revisão bibliográfica, organização dos dados, experimentos, análises, redação e publicação.
A memória permitiria preservar a história intelectual do projeto.
6. O agente científico
Para universidades e instituições de pesquisa, essa evolução merece acompanhamento particularmente cuidadoso.
Podemos imaginar agentes capazes de acompanhar permanentemente uma determinada linha de investigação.
Eles poderiam registrar:
- artigos consultados;
- hipóteses formuladas;
- experimentos realizados;
- resultados negativos;
- códigos utilizados;
- decisões metodológicas;
- críticas recebidas;
- alterações realizadas;
- novas perguntas surgidas durante a pesquisa.
O agente científico deixaria de ser apenas uma ferramenta de busca ou redação.
Passaria a funcionar como uma espécie de memória auxiliar estruturada do processo científico.
Isso pode aumentar significativamente a produtividade, a rastreabilidade e até mesmo a reprodutibilidade da pesquisa.
Mas também exigirá novas formas de governança.
7. Memória também significa risco
Quanto mais um sistema lembra, maior pode ser sua utilidade.
Mas também maior pode ser sua capacidade de acumular informações sensíveis.
Essa é uma das questões centrais que deverão acompanhar a evolução dos agentes inteligentes.
Precisaremos responder perguntas como:
Quem é proprietário da memória do agente?
O usuário poderá consultar tudo o que o sistema armazenou sobre ele?
Poderá corrigir uma informação?
Poderá determinar que determinada informação seja esquecida?
Será possível transferir a memória de um agente para outro?
Quem poderá acessá-la?
Por quanto tempo será armazenada?
Como impedir que informações incorretas contaminem decisões futuras?
Como evitar que um agente transforme inferências em supostos fatos sobre uma pessoa?
Essas questões colocam privacidade, segurança, transparência, consentimento e direito ao esquecimento no centro da discussão sobre agentes de IA.
No Brasil, esse debate também deverá necessariamente dialogar com os princípios de proteção de dados pessoais e com a LGPD.
8. Memória não significa necessariamente verdade
Existe ainda outro problema importante.
Uma memória pode estar errada.
Se um agente registrar uma informação incorreta e reutilizá-la repetidamente, o erro poderá adquirir persistência.
Um sistema sem memória pode cometer um erro uma vez.
Um sistema com memória mal administrada pode lembrar do erro e utilizá-lo novamente no futuro.
Por isso, não basta desenvolver mecanismos capazes de armazenar informações.
Será necessário desenvolver também mecanismos capazes de:
selecionar, validar, hierarquizar, atualizar e esquecer.
Paradoxalmente, portanto, uma boa inteligência artificial precisará aprender não apenas o que lembrar, mas também o que esquecer.
9. A próxima competição tecnológica pode ser pela memória
Durante os últimos anos, a competição entre sistemas de Inteligência Artificial concentrou-se principalmente em parâmetros como capacidade dos modelos, tamanho da janela de contexto, multimodalidade, velocidade e desempenho em benchmarks.
A próxima etapa poderá introduzir outra dimensão competitiva:
quem construirá os melhores sistemas de memória para agentes?
Não necessariamente vencerá o sistema que armazenar mais informações.
Poderá vencer aquele que conseguir recuperar a informação certa, no momento certo, com contexto adequado, segurança e baixo custo computacional.
Memória eficiente não significa acumulação ilimitada.
Significa organização inteligente da experiência.
10. Educação e pesquisa precisam acompanhar essa transformação
Para o IVEPESP, existe uma consequência particularmente importante.
Universidades e escolas não podem acompanhar a Inteligência Artificial observando apenas a evolução dos grandes modelos de linguagem.
Precisamos acompanhar também a emergência da chamada IA agêntica.
Isso implica preparar estudantes, professores e pesquisadores para compreender sistemas que poderão:
planejar tarefas;
utilizar ferramentas;
interagir com outros agentes;
manter memória;
aprender com experiências;
acompanhar projetos de longo prazo;
e adaptar progressivamente seu comportamento.
A alfabetização em Inteligência Artificial precisará, portanto, avançar para uma alfabetização em sistemas agênticos.
11. Uma agenda para o Brasil
O Brasil deveria começar desde já a construir capacidade científica e tecnológica nessa área.
Isso envolve estimular pesquisas sobre memória computacional, agentes inteligentes, aprendizagem contínua, sistemas multiagentes, segurança, privacidade, avaliação e governança.
Universidades, centros de pesquisa, empresas e órgãos públicos poderiam desenvolver ambientes experimentais para estudar aplicações de agentes em educação, ciência, saúde, administração pública e inovação.
Ao mesmo tempo, será fundamental formar pesquisadores capazes não apenas de utilizar plataformas estrangeiras, mas de compreender e desenvolver suas arquiteturas.
A soberania tecnológica brasileira também dependerá da capacidade de dominar essas novas camadas da Inteligência Artificial.
Conclusão — a IA começa a construir uma história
Talvez estejamos entrando em uma fase particularmente interessante da evolução da Inteligência Artificial.
A primeira geração de sistemas generativos impressionou pela capacidade de responder.
A próxima poderá impressionar pela capacidade de lembrar, planejar, aprender e acompanhar.
Quando um sistema passa a preservar experiências relevantes, recuperar conhecimentos anteriores e modificar suas estratégias a partir dos resultados obtidos, a relação entre seres humanos e máquinas começa a adquirir outra dimensão.
Não estaremos mais utilizando apenas ferramentas inteligentes.
Estaremos progressivamente convivendo com agentes digitais persistentes, capazes de acompanhar atividades humanas durante períodos cada vez mais longos.
Isso oferece oportunidades extraordinárias para educação, ciência, produtividade e inovação.
Mas também aumenta nossa responsabilidade.
A questão central talvez deixe de ser apenas:
“Quão inteligente é a Inteligência Artificial?”
E passe a ser:
“O que ela lembra, como utiliza aquilo que lembra, quem controla essa memória e para benefício de quem?”
Responder adequadamente a essas perguntas será uma das tarefas científicas, tecnológicas e éticas mais importantes da próxima fase da Inteligência Artificial.
Nota elaborada a partir do estudo:
Wei-Chieh Huang et al., Rethinking Memory Mechanisms of Foundation Agents in the Second Half: A Survey, arXiv:2602.06052, 2026.
Prof. Dr. Helio Dias
Presidente do Instituto para a Valorização da Educação e da Pesquisa do Estado de São Paulo – IVEPESP
https://ivepesp.org.br/membro/helio-dias/
Helio Henrique Villela Dias
Engenheiro de Computação • Cientista de Dados
IVEPESP / Lello Lab / UNIFESP
https://ivepesp.org.br/membro/helio-henrique-villela-dias/