Pesquisadores da Microsoft Research e da Salesforce testaram os principais modelos de IA disponíveis em duas situações: recebendo um pedido completo de uma vez só, e recebendo o mesmo pedido aos poucos, em várias mensagens — como acontece numa conversa real de trabalho. O estudo, publicado em maio de 2025 com o título (traduzido) "Modelos de IA se perdem em conversas de múltiplas etapas", analisou mais de 200 mil conversas simuladas em seis tipos de tarefa.
O resultado: em conversas de várias etapas, o acerto caiu, em média, 39% na comparação com o mesmo pedido feito de uma vez. E o efeito apareceu nos modelos mais avançados do mercado quase na mesma proporção que nos mais simples — não é uma limitação que se resolve trocando de modelo ou pagando mais caro.
Para quem decide sobre o uso de IA na empresa, esse dado muda a pergunta certa a fazer. Não é "qual modelo é mais inteligente", e sim: o que a ferramenta faz quando a conversa começa a ficar longa e cheia de correções — ela recomeça do jeito certo, ou insiste teimosamente numa direção errada até o fim?
O erro que gruda na conversa
Os pesquisadores separaram a queda de desempenho em duas partes. Uma pequena perda de capacidade bruta — o modelo "sabe" quase o mesmo depois de uma conversa longa quanto sabia no início. E um salto muito maior na inconsistência: o mesmo pedido, reformulado de formas ligeiramente diferentes ao longo da conversa, passa a receber respostas cada vez mais divergentes entre si.
A explicação que o estudo dá é direta. O modelo costuma fazer suposições já nas primeiras respostas e tenta entregar uma solução final cedo demais. Quando alguém corrige um detalhe no meio da conversa, ele carrega a suposição errada adiante em vez de reconstruir o raciocínio do zero — empilha a correção em cima do erro anterior, sem apagar o erro.
Quando o modelo toma uma direção errada na conversa, ele se perde — e não se recupera.
É o oposto do que a intuição sugere. A expectativa comum é que uma conversa mais longa, com mais idas e vindas, deixe a IA "mais afinada" com o que a pessoa quer. O estudo mostra o contrário: cada rodada adicional depois de um mal-entendido tende a reforçar o mal-entendido, não corrigi-lo.
Isso explica uma cena comum em quem usa IA todo dia: a conversa começa ótima, mas depois de algumas trocas passa a repetir uma resposta já descartada, ignorar uma instrução dada há três mensagens, ou insistir num formato que já foi corrigido duas vezes. Não é a ferramenta "cansando" — é o efeito medido pelo estudo, acontecendo em tempo real.
Recomeçar a conversa, não insistir nela
A saída mais comum é a errada: continuar explicando, corrigindo e reforçando dentro da mesma conversa, na esperança de que mais uma mensagem resolva. O estudo mostra que essa tentativa tende a piorar as coisas, porque o modelo não está simplesmente "esquecendo" um fato isolado — ele está carregando cada vez mais texto acumulado, com decisões, correções e ruído misturados.
A documentação oficial dos fabricantes de IA descreve esse mecanismo de outro jeito, mas chega à mesma conclusão. Toda IA tem um limite de quanto texto consegue processar de uma vez numa conversa — a chamada janela de contexto, ou seja, o quanto ela consegue "ler" antes de o início da conversa sair do alcance dela. A própria documentação da Anthropic (fabricante do modelo Claude) explica que, à medida que o volume de texto acumulado numa conversa cresce, a precisão da IA em lembrar corretamente o que foi dito cai — um efeito que os engenheiros da própria empresa batizaram de desgaste de contexto.
A recomendação que esses mesmos fabricantes documentam para tarefas longas não é "explicar de novo, com mais detalhe". É resumir o que já foi decidido e recomeçar com uma conversa limpa, carregando adiante só esse resumo — não a troca de mensagens inteira, palavra por palavra. Em outras palavras: o problema não se resolve insistindo, se resolve reiniciando de forma organizada.
Isso muda o critério de escolha de uma ferramenta de IA para o dia a dia da empresa. Uma boa ferramenta não é só a que "conversa bem" — é a que facilita esse recomeço: que deixa claro quando vale resumir e seguir adiante, e que guarda o que já foi decidido num lugar que sobrevive ao fim daquela conversa específica.
O que precisa existir na prática
Um ambiente de trabalho preparado para conversas longas de IA se apoia em alguns mecanismos concretos, não em promessa de "modelo mais esperto".
Registro do que foi decidido, e não só o histórico bruto da conversa. O que importa reaproveitar depois não são as cinquenta mensagens trocadas — é a conclusão. Uma ferramenta corporativa precisa deixar essa conclusão fácil de encontrar e usar de novo, separada do vaivém que levou até ela.
Um jeito simples de recomeçar sem perder o fio. Quando a conversa começa a repetir ou contradizer o que já foi dito, a saída é resumir o que ficou combinado e abrir um ponto de partida novo com esse resumo — não insistir na mesma janela até ela ficar ingovernável.
Reaproveitamento do que já funcionou. Quando alguém finalmente monta o pedido certo para uma tarefa recorrente, isso deveria virar algo reutilizável por qualquer pessoa autorizada da equipe — e não ficar perdido dentro de uma conversa individual de meia hora atrás.
Modelo de IA proporcional à tarefa. Uma pergunta simples e repetitiva não precisa do modelo mais caro e "raciocinante" disponível; uma tarefa que exige análise mais longa se beneficia dele. Direcionar cada tarefa ao modelo certo evita o hábito de empurrar tudo para dentro de uma única conversa gigante, na tentativa de "resolver tudo de uma vez".
É assim que a Skyller foi desenhada: pedidos e conversas que funcionaram bem podem ser salvos como modelo reaproveitável pela equipe, e agentes trabalham em etapas coordenadas por tarefa, em vez de empilhar tudo dentro de uma única troca de mensagens sem fim.
O que a equipe ganha quando o pedido vira modelo
O custo mais caro de uma conversa que "perde o fio" raramente é a resposta errada em si — é o tempo gasto até alguém perceber que a resposta está errada, mais o tempo que a mesma pessoa (ou outra, meses depois) vai gastar de novo montando o mesmo pedido do zero.
Quando o histórico de uma conversa longa fica preso à conta ou ao aplicativo de uma única pessoa, cada colega recomeça essa curva de aprendizado sozinho. O analista que descobriu, depois de tentativa e erro, a forma exata de pedir um relatório de conciliação bancária é o único que sabe pedir daquele jeito — e, se sair da empresa, o conhecimento sai junto.
Quando esse mesmo pedido bem-sucedido vira um modelo reaproveitável dentro de um ambiente corporativo, o ganho aparece em dois lugares ao mesmo tempo. Primeiro, no tempo: ninguém mais precisa refazer o trabalho de "ensinar" a IA a entender a tarefa. Segundo, na qualidade: como o modelo de pedido já foi testado e ajustado antes, cada nova pessoa que o usa herda a versão que já funciona, não a primeira tentativa cheia de ruído.
Esse é o efeito que separa uma empresa que usa IA de uma empresa que tem gente boa usando IA por conta própria. No primeiro caso, o aprendizado fica na equipe. No segundo, ele fica em cada pessoa, e recomeça a cada rotatividade.
Um roteiro para começar
Antes da próxima conversa longa com IA, considere este roteiro simples com a equipe:
- Estabeleça um limite prático de mensagens antes de resumir. Quando uma conversa passar de dez ou doze trocas sem chegar a um resultado, pare e escreva um resumo curto do que já foi decidido — em vez de mandar mais uma mensagem tentando corrigir a anterior.
- Leve o resumo para uma conversa nova, não para o final da antiga. O objetivo é começar com uma janela de contexto limpa, carregando só a conclusão — não a discussão inteira que levou até ela.
- Guarde o pedido que deu certo. Se uma forma específica de pedir algo funcionou bem numa tarefa recorrente, salve esse texto como modelo para a próxima vez, em vez de reconstruir tudo de memória.
- Pergunte à equipe de TI onde ficam esses modelos reaproveitáveis. Se a empresa já usa uma ferramenta de IA corporativa, provavelmente existe um lugar pensado exatamente para isso — e vale a pena descobrir onde fica antes de recriar a roda.
