Em toda essa conversa sobre IA Agêntica, continuamos pensando em estratégias de memória... bancos de dados vetoriais, janelas de contexto, hacks de recuperação. Mas estamos perdendo algo óbvio. Hoje somos a memória de longo prazo da IA.

Nós, humanos, sentamos em nossos laptops e nos lembramos do que aconteceu no último bate-papo, o que tentamos na semana passada, o que funcionou, o que fracassou. Somos a cola, costurando fragmentos, alimentando o contexto, corrigindo, orientando, conectando os pontos.

Se você criou ou usou sistemas agênticos, conhece o padrão:

• Você se torna o engenheiro de contexto.
• Você faz a curadoria, resume e reinjeta a história.
• Se lembra de qual prompt corrigiu o bug.
• Enfim... é a razão pela qual a GenAI funciona como um parceiro real.

Isso não é uma falha. É um padrão de design. Agentes de IA são inteligentes… mas têm amnésia. Brilhantes no momento da interação, mas completamente esquecidos entre as sessões. Assim como nós, humanos, eles precisam de diferentes tipos de memória.

Mesmo os LLMs sofrem de “amnésia anterógrada”. Cada interação é essencialmente desconectada das anteriores, obrigando usuários a repetir continuamente informações contextuais. A OpenAI, por exemplo, continua a desenvolver e melhorar a memória do ChatGPT, que usa o contexto de conversas anteriores para fornecer respostas mais personalizadas.

Versões diferentes do ChatGPT (grátis, Plus, Pro, Enterprise) têm níveis variados de recursos de memória, com versões pagas oferecendo memória expandida de curto e longo prazo. Mas mesmo os usuários Plus e Pro não se cansam de reclamar do rápido esgotamento da memória disponibilizada a eles. Desejam uma memória infinita, persistente, que nunca esqueça, a despeito de todo o debate sobre ética do esquecimento. A memória persistente em sistemas de IA levanta preocupações com privacidade e segurança. Nós, humanos, esquecemos naturalmente, seletivamente, significativamente. A IA não tem amnésia simbólica. Precisamos criar técnicas que abordem o esquecimento seletivo, preservando a capacidade do modelo de aprender com eficácia.

Além disso, nós humanos conseguimos converter memórias de curto prazo em memórias de longo prazo, instantaneamente. LLMs e agentes de IA continuam tentando lidar com isso. Em alguns casos, modelos podem se tornar instáveis após a incorporação de novos dados, levando até à perda de informações aprendidas anteriormente. Modelos de IA, especialmente aqueles baseados em redes neurais, costumam substituir dados antigos ao aprender novas informações.

Estamos em uma encruzilhada para a qual várias mudanças convergem: modelos de IA estão avançando, mas sofrem de amnésia digital, dados pessoais estão proliferando, mas permanecem isolados, e as regulamentações de privacidade exigem a propriedade do usuário, apesar da falta da infraestrutura necessária.

O próximo avanço na tecnologia de IA precisa abordar esse problema de memória. Imagine um assistente de IA que realmente se lembre das suas preferências, entenda o contexto do seu projeto ao longo do tempo e aprimore sua assistência conforme suas necessidades mudam. Os ganhos de produtividade e a satisfação do usuário decorrentes desse avanço seriam revolucionários. E auxiliariam a IA Agêntica.

Embora ainda não tenhamos chegado lá, soluções estão surgindo. Projetos como o Kinic (uma espécie de cofre de memória pessoal para a IA), o Mem0 (uma camada de memória universal), o Memory Plugin (projetado para oferecer recursos de memória de longo prazo) e a abordagem Memory Bank (do GitHub Copilot) buscam a cura para a amnésia da IA.

Conteúdo originalmente produzido e publicado por The Shift. Reprodução autorizada exclusivamente para a Abranet. A reprodução por terceiros, parcial ou integral, não é permitida sem autorização.