Por que domínios críticos precisam de Modelos Quantitativos Grandes além dos LLMs

Uma premissa em xeque

O pressuposto dominante no machine learning aplicado é que o progresso em decisões quantitativas de consequência — precificar risco, alocar capital, triar pacientes ou conter uma intrusão de rede — virá do progresso dos LLMs. Um novo artigo argumenta o contrário: linguagem é um substrato insuficiente para raciocínio quantitativo.

O argumento central é que um modelo de linguagem é treinado sobre uma representação do mundo produzida por descrição humana. Descrição é uma codificação com perdas do registro quantitativo, e a perda é irreversível: nenhum modelo a jusante, em qualquer escala, consegue recuperar de uma descrição aquilo que ela não codificou.

Propriedades que a linguagem não fornece

Os autores formalizam isso como uma propriedade da representação sobre a qual o modelo é treinado — não da capacidade do modelo — e identificam três propriedades adicionais que cenários de consequência exigem e que um substrato de linguagem não consegue fornecer por construção:

• Reprodutibilidade: o mesmo input gera o mesmo resultado;
• Linhagem: rastreamento de cada saída até os registros-fonte que a produziram;
• Incerteza calibrada: confiança que corresponde à probabilidade real de acerto.

Essas propriedades definem, segundo o artigo, uma classe distinta de modelo: o Large Quantitative Model (LQM).

O que isso significa

A tese não nega o valor dos LLMs — ela delimita onde eles funcionam. Para decisões de alto impacto, onde um erro não é uma frase ruim, mas um preço errado, um capital mal alocado ou um paciente mal triado, o artigo sugere que será necessária uma arquitetura diferente, treinada sobre o registro quantitativo e não sobre a descrição dele.

É uma contribuição conceitual que ajuda a explicar por que, mesmo com modelos cada vez maiores, certas tarefas numéricas de missão crítica continuam resistentes à pura escala de parâmetros. Para quem decide sobre adoção de IA em finanças, saúde e infraestrutura crítica, o recado é: não trate o LLM como substituto universal de sistemas quantitativos.