Às vezes, é difícil compreender a importância das atualizações de raciocínio e lógica que estão começando a surgir em modelos poderosos, como o GPT-5. Aqui está um *exemplo muito simples* de quão poderosos esses modelos estão se tornando. Peguei um documento de transcrição da chamada de resultados da NVIDIA que tinha 23 páginas e 7.800 palavras. Peguei parte da frase "e a margem bruta irá melhorar e retornar para os 70% intermediários" e modifiquei "70% intermediários" para "60% intermediários". Para um analista financeiro que esteja remotamente sintonizado, isso pareceria fora de lugar, porque as margens não "melhorariam e retornariam" para um número mais baixo do que o descrito como um número mais alto em outro lugar. Mas provavelmente 95% das pessoas que leem este comunicado de imprensa não teriam notado a modificação porque se encaixa facilmente nas outras 7.800 palavras mencionadas. Com o Box AI, testando uma variedade de modelos de IA, então perguntei a uma série de modelos "Existem erros lógicos neste documento? Por favor, forneça uma resposta em uma frase." GPT-4.1, GPT-4.1 mini e um punhado de outros modelos que eram de ponta há cerca de 6 meses geralmente retornaram que não havia erros lógicos no documento. Para esses modelos, o documento provavelmente parece coerente e segue o que se esperaria de uma transcrição de resultados, então nada realmente se destaca para eles sobre o que prestar atenção - uma espécie de alucinação reversa. O GPT-5, por outro lado, rapidamente descobriu o problema e respondeu com: "Sim — o documento contém uma inconsistência interna sobre a orientação da margem bruta, em um ponto dizendo que as margens irão “retornar para os 60% intermediários” e mais tarde dizendo que estarão “nos 70% intermediários” ainda este ano." Incrivelmente, isso aconteceu com o GPT-5, GPT-5 mini e, notavelmente, *até mesmo* o GPT-5 nano. Tenha em mente que os tokens de saída do GPT-5 nano são precificados a 1/20 do preço dos tokens do GPT-4.1. Portanto, mais inteligente (neste caso de uso) por 5% do custo. Agora, embora fazer revisões de erros em documentos de negócios não seja uma ocorrência diária para cada trabalhador do conhecimento, esses tipos de problemas aparecem de várias maneiras ao lidar com grandes conjuntos de dados não estruturados, como documentos financeiros, contratos, transcrições, relatórios e mais. Pode ser encontrar um fato, descobrir uma falácia lógica, executar um hipotético ou exigir raciocínio dedutivo sofisticado. E a capacidade de aplicar mais lógica e raciocínio aos dados empresariais torna-se especialmente crítica ao implantar Agentes de IA na empresa. Portanto, é incrível ver os avanços neste espaço agora, e isso vai abrir uma tonelada de novos casos de uso para as empresas.