Por que é que o seu LLM pensa que «The Madison» fica em Wisconsin

Por Tyler Bell, Vice-Presidente Sénior de Produto

Eis um cenário familiar: com tanto conteúdo televisivo disponível, acabas por pedir recomendações de séries a amigos e familiares para te poupares de ter de percorrer a lista sem fim. Felizmente, um amigo que sabe que gostaste de «Yellowstone», «Landman» e «Mayor of Kingstown» recomenda-te a mais recente série de televisão de Taylor Sheridan, «The Madison».

Ansioso por começar a série, pedes ao teu comando com reconhecimento de voz para procurar e reproduzir o primeiro episódio. Mas, em vez de te apresentar o drama protagonizado por Michelle Pfeiffer sobre uma família que se muda de Nova Iorque para as regiões selvagens de Montana, é-te exibido um reality show sobre um grupo de jovens adultos que vivem em Madison, no Wisconsin.

Isto pode parecer improvável, tendo em conta todo o alarido em torno de Taylor Sheridan e do seu império de séries de televisão populares. No entanto, foi precisamente essa a resposta que um LLM sem conhecimento prévio nos deu quando lhe pedimos informações sobre o mais recente programa do universo televisivo de Sheridan.

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

Embora os LLMs se destaquem no raciocínio e na inferência, não foram concebidos para articular factos. Enquanto motores de previsão, a sua única função é a previsão do próximo token. E, no exemplo acima, a limitação de conhecimento do LLM impede-o de saber tudo o que aconteceu após o término do seu período de treino, incluindo a estreia de «The Madison» em março de 2026. 

No caso de um LLM, a precisão das respostas depende inteiramente da plausibilidade otimizada, e não de factos. Os dados e o treino podem melhorar os resultados, mas ninguém deve esperar certeza factual de uma máquina treinada para responder com base na probabilidade. Tal como acontece com chatbots populares como o ChatGPT e o Gemini, o LLM integrado em qualquer serviço de distribuição de vídeo necessita de^{uma base de referência¹} para verificar, corrigir e melhorar as respostas que fornece.

Ao contrário desses chatbots populares, no entanto, os LLMs utilizados para a pesquisa e descoberta de conteúdos necessitam de uma base específica do domínio. Uma base com dados fidedignos sobre entretenimento, por exemplo, impediria que um LLM sem essa base apresentasse informações sobre uma série de televisão da Starz chamada «Heels», que foi transmitida entre 2021 e 2023, quando questionado sobre um filme de 2025 com um nome muito semelhante: «Heel».

À medida que os catálogos de conteúdos crescem, o desafio de encontrar conteúdos é real, uma vez que os telespectadores afirmam que passam agora 14 minutos à procura de algo para^ver2. Os LLMs têm a capacidade de resolver os desafios de descoberta de conteúdos para o público, mas não conseguem fazê-lo sozinhos.

O «grounding» mantém os LLMs em sintonia com os tempos atuais

Apoiados apenas nos seus dados de treino, os LLMs não são bancos de conhecimento exaustivos. Esta característica fundamental está na origem da necessidade de os LLMs recorrerem a dados externos para garantir que as respostas que fornecem são atuais e precisas. Sem uma base externa, por exemplo, os limites de conhecimento tornam os LLMs incapazes de aceder a qualquer conteúdo lançado após a sua implementação — uma limitação notável quando consideramos a quantidade de novas séries de televisão e filmes que são lançados todos os anos.

Embora seja frustrante para o público, a melhor resposta possível de um LLM quando questionado sobre um novo lançamento poderá ser aquela que simplesmente reconheça as limitações dos seus dados de treino. Num estudo recente da « Gracenote », um LLM sem base de conhecimento, lançado em maio de 2025, fez exatamente isso, referindo que não dispunha de informações sobre uma série de filmes populares recentes lançados em 2025 e 2026.

No entanto, o que é mais comum é que os LLMs inventem aquilo que não sabem (ou seja, tenham «alucinações»), e façam-no com toda a confiança. Isto acarreta riscos significativos para a experiência do utilizador no mundo do entretenimento, especialmente num contexto de fragmentação crescente e de predominância de títulos relançados com o mesmo nome dos seus antecessores.

Para compreender melhor o impacto das alucinações na descoberta de conteúdos, o nosso estudo recente avaliou a quantidade de informação que um LLM sem contexto inventou sobre os 100 episódios de televisão e os 100 filmes mais populares em 13 países. Dos 2 600 títulos, o LLM sem contexto inventou 100 % da informação ao nível dos atributos para 506 títulos (quase 20 % do total).

Os LLMs não conseguem garantir a veracidade dos factos

Em conjunto, as limitações de infraestrutura associadas aos dados de treino finitos, à previsão do próximo token e à falta de dados de referência resultam numa experiência desfavorável para os telespectadores. Em última análise, uma experiência positiva para o utilizador depende de os telespectadores encontrarem o que procuram. Neste contexto, os LLMs sem 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 uma questão teórica. Se um assistente inventar um enredo, indicar um elenco errado ou confundir títulos semelhantes, os espectadores não vão culpar o modelo. Vão culpar a experiência, o que torna 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 conteúdos, e o maior desafio que o público enfrenta atualmente é encontrar algo para ver. Os LLMs desempenharão um papel fundamental neste contexto, mas as estratégias de IA bem-sucedidas não serão construídas com modelos de maior dimensão. 

Em vez disso, as empresas de comunicação social e os fornecedores de streaming de sucesso irão desenvolver uma inteligência de conteúdos completa e atualizada diretamente na sua pilha de IA, disponibilizada através de conjuntos de dados licenciados, servidores MCP ou outras ligações a um grafo de conhecimento de referência.

Agentes e modelos: Mas o chatbot faz isto bem…

Eis uma distinção de extrema importância no mundo da IA: quando, enquanto consumidor, interage com o ChatGPT, o Gemini ou o Claude, não está a utilizar o modelo que adquiriria através de uma licença profissional junto da OpenAI, da Google ou da Anthropic, respetivamente. Em vez disso, está a interagir com um agente, uma implementação do modelo subjacente que é combinada com um número significativo de ferramentas e dados auxiliares. 

Tem alguma dúvida de matemática? O modelo encaminha essa questão para uma ferramenta aritmética. Quer saber mais sobre um evento recente, resultados desportivos ou as últimas notícias? O modelo encaminha essa consulta para uma ferramenta dedicada que pesquisa na Internet. Estes chatbots destinados ao consumidor dependem de dezenas — se não centenas — de ferramentas e fontes de dados específicas de cada domínio e tarefa para proporcionar a experiência informada que oferecem ao consumidor.

Quando se utiliza um LLM na sua pilha de entretenimento, não se tem acesso às mesmas ferramentas e dados que um chatbot destinado ao consumidor. O LLM é uma solução incompleta. Neste caso, é necessário obter os seus próprios dados e ferramentas para:

• Ajustar as respostas do LLM para prevenir alucinações endémicas
• Fornecer capacidades complementares que o LLM não consegue executar por si só, e 
• Certifique-se de que o modelo tem acesso a informações atualizadas 

Ferramentas específicas, como os servidores MCP, são combinadas com instruções comportamentais (o prompt do sistema) e lógica de negócio no âmbito de um agente. É provável que implemente um agente diferente para cada tarefa relacionada com IA na sua pilha de entretenimento, mas todos eles utilizarão o mesmo LLM e, em grande parte, as mesmas ferramentas.

Este artigo foi publicado originalmente na Streaming Media.