CollectivIQ quer tornar a IA mais confiável consultando 14 modelos de uma vez

As alucinações dos modelos de linguagem continuam sendo uma das principais barreiras para que a inteligência artificial conquiste a confiança do grande público. Quem já recebeu do ChatGPT uma informação apresentada com toda a segurança, mas completamente inventada, conhece a sensação: a tecnologia impressiona, mas acreditar nela sem checar é arriscado. A startup CollectivIQ decidiu atacar o problema por um ângulo inesperado — em vez de aprimorar um único modelo, ela consulta quatorze de uma vez.

A ideia, noticiada pelo TechCrunch, é elegante em sua simplicidade. A CollectivIQ reúne simultaneamente as respostas de ChatGPT, Gemini, Claude, Grok e de até dez outros modelos de linguagem. O usuário digita o prompt uma única vez e recebe um panorama de respostas, no qual pode comparar formulações, identificar pontos de concordância e, mais importante, perceber divergências. Se treze dos quatorze modelos dizem uma coisa e apenas um diz outra, isso é um sinal forte. Se os modelos se dividem ao meio, essa também é uma informação valiosa: a pergunta é mais complexa do que parece, e não vale a pena confiar cegamente em nenhuma resposta isolada.

Para entender por que essa abordagem pode funcionar, vale lembrar o fenômeno que a teoria da decisão chama de "sabedoria das multidões". Ainda em 1906, Francis Galton descobriu que a estimativa média de um grande grupo de pessoas era mais precisa do que a opinião de qualquer especialista individual. Na prática, a CollectivIQ transporta esse princípio para o mundo dos grandes modelos de linguagem.

Cada um deles foi treinado com dados diferentes, com ênfases e limitações próprias. O GPT-4o se destaca em raciocínio; o Claude, em precisão e no cumprimento de instruções; o Gemini, em multimodalidade e no trabalho com informações atualizadas; o Grok, no tom informal e no acesso a dados de redes sociais. Quando as respostas são reunidas, as fraquezas de um modelo são compensadas pelos pontos fortes de outro.

Do ponto de vista técnico, um serviço desse tipo levanta algumas questões sérias. A primeira é o custo. Cada requisição a uma API comercial consome tokens, e multiplicar isso por quatorze transforma centavos em valores consideráveis.

Para o usuário comum, que só quer uma receita de borscht, é um exagero. Mas para profissionais que dependem de precisão — advogados, médicos, analistas, jornalistas —, a conta pode fechar. A segunda questão é a velocidade.

Requisições paralelas a diferentes APIs têm tempos de resposta distintos, e o usuário terá de esperar pelo modelo mais lento ou receber as respostas de forma assíncrona, à medida que chegam. A terceira é a interface. Exibir quatorze respostas de modo que a pessoa não se afogue em informação e consiga extrair rapidamente o essencial é um desafio de design considerável.

A CollectivIQ não surge no vácuo. Já existem no mercado metabuscadores de modelos de IA: o Poe, da Quora, dá acesso a vários modelos em uma única interface, e serviços como TypingMind e OpenRouter permitem alternar entre provedores. Mas nenhum deles aposta especificamente na comparação simultânea como ferramenta de verificação. A CollectivIQ posiciona o uso de múltiplos modelos não como conveniência, e sim como método para aumentar a confiabilidade — uma narrativa fundamentalmente diferente. Em vez de "escolha o melhor modelo", a mensagem é "não confie em nenhum, compare todos".

Há também um contexto mais profundo. A indústria de inteligência artificial vive uma crise de confiança. Pesquisas mostram que os usuários estão cada vez mais céticos em relação às respostas dos chatbots, mas continuam a usá-los — simplesmente porque não há alternativa. A CollectivIQ oferece um meio-termo: não obriga ninguém a acreditar cegamente nem exige abrir mão da IA, mas fornece uma ferramenta para análise crítica. De certa forma, é um retorno ao princípio jornalístico de checar as informações em várias fontes — só que, aqui, as fontes são redes neurais.

A grande questão é se esse modelo consegue escalar. Se os grandes provedores começarem a restringir o acesso de agregadores às suas APIs ou aumentarem os preços, o negócio da CollectivIQ ficará ameaçado. Além disso, à medida que os modelos ficam cada vez mais parecidos entre si, por serem treinados em datasets que se sobrepõem, o valor da comparação entre vários modelos pode diminuir. Mas, enquanto houver diversidade de abordagens, a ideia de um crowdsourcing entre IAs parece ao mesmo tempo engenhosa e prática. Talvez o futuro da inteligência artificial confiável não seja um único modelo perfeito, e sim um coro de modelos imperfeitos, no qual uma nota desafinada se destaca na hora.