Por que seu LLM acha que "The Madison" fica em Wisconsin

Por Tyler Bell, vice-presidente sênior de Produto

Eis uma situação comum: com tanto conteúdo de TV disponível, você acaba pedindo recomendações de programas a amigos e familiares para evitar ficar rolando a tela sem parar. Felizmente, um amigo que sabe que você gostou de “Yellowstone”, “Landman” e “Mayor of Kingstown” recomenda a mais recente série de TV de Taylor Sheridan, “The Madison”.

Ansioso para começar a série, você pede ao seu controle remoto com comando de voz para encontrar e reproduzir o primeiro episódio. Mas, em vez de exibir o drama estrelado por Michelle Pfeiffer sobre uma família que se muda de Nova York para as regiões selvagens de Montana, o que aparece na tela é um reality show sobre um grupo de jovens que moram em Madison, Wisconsin.

Isso pode parecer improvável, considerando todo o alvoroço em torno de Taylor Sheridan e seu império de séries de TV populares. No entanto, essa foi exatamente a resposta que um LLM sem conhecimento prévio forneceu quando lhe pedimos informações sobre o mais recente programa do universo televisivo de Sheridan.

Por mais surpreendente que a resposta possa parecer, ela não deveria ser. Isso porque os LLMs apresentam algumas limitações muito básicas.

Embora os LLMs se destaquem no raciocínio e na inferência, eles não foram projetados para articular fatos. Como mecanismos de previsão, sua única função é prever o próximo token. E, no exemplo acima, o limite de conhecimento do LLM impede que ele saiba qualquer coisa que tenha acontecido após o término de seu período de treinamento, incluindo a estreia de *The Madison* em março de 2026. 

Para um LLM, a precisão das respostas depende inteiramente da plausibilidade otimizada, e não de fatos. Dados e treinamento podem melhorar os resultados, mas ninguém deve esperar certeza factual de uma máquina treinada para responder com base em probabilidades. Assim como acontece com chatbots populares como o ChatGPT e o Gemini, o LLM de qualquer serviço de distribuição de vídeo precisa de^{uma base de referência¹} para verificar, corrigir e aprimorar as respostas que fornece.

Ao contrário desses chatbots populares, no entanto, os LLMs utilizados para pesquisa e descoberta de conteúdo precisam de um referencial específico do domínio. Um referencial baseado em dados confiáveis da área de entretenimento, por exemplo, impediria que um LLM sem esse referencial apresentasse informações sobre uma série de TV da Starz chamada *Heels*, exibida de 2021 a 2023, quando questionado sobre um longa-metragem de 2025 com um nome muito semelhante: *Heel*.

À medida que os catálogos de conteúdo crescem, o desafio de encontrar conteúdo é real, já que os telespectadores afirmam que agora passam 14 minutos procurando algo para^assistir². Os LLMs têm a capacidade de resolver os desafios de descoberta de conteúdo para o público, mas não conseguem fazer isso sozinhos.

O “grounding” mantém os LLMs em sintonia com os tempos atuais

Com base apenas em seus dados de treinamento, os LLMs não são bancos de conhecimento abrangentes. Essa característica fundamental está no cerne da razão pela qual os LLMs precisam de dados externos para garantir que as respostas que fornecem sejam atuais e precisas. Sem uma base externa, por exemplo, os limites de conhecimento tornam os LLMs incapazes de acessar qualquer conteúdo lançado após sua implantação — uma limitação notável quando consideramos quantas novas séries de TV e filmes são lançados a cada ano.

Embora seja frustrante para o público, a melhor resposta possível de um LLM quando questionado sobre um novo lançamento pode ser aquela que simplesmente reconheça as limitações de seus dados de treinamento. Em um estudo recente da Gracenote , um LLM sem base real lançado em maio de 2025 fez exatamente isso, observando que não possuía informações sobre diversos filmes populares recentes lançados em 2025 e 2026.

No entanto, o que ocorre com mais frequência é que os LLMs inventam o que não sabem (ou seja, têm “alucinações”) e o fazem com convicção. Isso acarreta riscos significativos à experiência do usuário no mundo do entretenimento, especialmente em meio à crescente fragmentação e ao predomínio de títulos relançados com o mesmo nome de seus antecessores.

Para compreender melhor o impacto das alucinações na descoberta de conteúdo, nosso estudo recente avaliou a quantidade de informações que um LLM sem contexto inventou sobre os 100 principais episódios de séries de TV e os 100 principais filmes em 13 países. Entre os 2.600 títulos, o LLM sem contexto inventou 100% das informações em nível de atributos para 506 títulos (quase 20% do total).

Os LLMs não podem garantir a veracidade dos fatos

Em conjunto, as limitações de infraestrutura associadas a dados de treinamento finitos, à previsão do próximo token e à falta de dados de referência resultam em uma experiência desfavorável para os telespectadores. No fim das contas, uma experiência positiva do usuário depende de os telespectadores encontrarem o que estão procurando. Nesse contexto, os LLMs sem dados de referência não estão à altura da tarefa, simplesmente porque a precisão factual é impossível.

Para os serviços de streaming, a IA sem base na realidade não é algo teórico. Se um assistente inventar um enredo, fornecer o elenco errado ou confundir títulos semelhantes, os espectadores não vão culpar o modelo. Eles vão culpar a experiência, tornando a base na realidade essencial para a confiança, a retenção e a monetização.

É esse risco que torna tão urgente resolver a questão da descoberta de conteúdo, e o maior desafio que o público enfrenta atualmente é encontrar algo para assistir. Os LLMs desempenharão um papel fundamental nesse sentido, mas as estratégias de IA bem-sucedidas não serão construídas com modelos maiores. 

Em vez disso, as empresas de mídia e os provedores de streaming de sucesso desenvolverão uma inteligência de conteúdo completa e atualizada diretamente em sua pilha de IA, fornecida por meio de conjuntos de dados licenciados, servidores MCP ou outras conexões com um grafo de conhecimento confiável.

Agentes e modelos: Mas o chatbot faz isso muito bem…

Aqui está uma distinção de extrema importância no mundo da IA: quando você, como consumidor, interage com o ChatGPT, o Gemini ou o Claude, não está utilizando o modelo que adquiriria por meio de uma licença profissional da OpenAI, do Google ou da Anthropic, respectivamente. Em vez disso, você está interagindo com um agente, uma implementação do modelo subjacente combinada com um número significativo de ferramentas e dados complementares. 

Tem alguma dúvida de matemática? O modelo encaminha a pergunta para uma ferramenta aritmética. Quer saber sobre um evento recente, resultados esportivos ou as últimas notícias? O modelo encaminha essa consulta para uma ferramenta dedicada que faz buscas na internet. Esses chatbots voltados para o consumidor contam com dezenas — se não centenas — de ferramentas e fontes de dados específicas para cada área e tarefa, a fim de oferecer a experiência bem informada que proporcionam ao consumidor.

Ao utilizar um LLM em sua pilha de entretenimento, você não tem acesso às mesmas ferramentas e dados que um chatbot voltado para o consumidor. O LLM é uma solução incompleta. Nesse caso, você precisa obter seus próprios dados e ferramentas para:

• Suavizar as respostas do LLM para evitar alucinações endêmicas
• Fornecer recursos complementares que o LLM não consegue executar por conta própria, e 
• Certifique-se de que o modelo tenha acesso a informações atualizadas 

Ferramentas específicas, como servidores MCP, são combinadas com instruções comportamentais (o prompt do sistema) e lógica de negócios dentro de um agente. Provavelmente, você implementará um agente diferente para cada tarefa relacionada à IA em sua pilha de entretenimento, mas todos eles usarão o mesmo LLM e, em grande parte, as mesmas ferramentas.

Este artigo foi publicado originalmente na Streaming Media.