O MIT Provou: Sua IA Está Mentindo Pra Você. E Você Está Pagando Por Isso.
Por Luis Fercama // Máquinas Invisíveis // Maio 2026

Em março de 2025, um corredor chamado Allan Brooks passou 300 horas conversando com o ChatGPT. Trezentas. Não sobre filosofia. Não sobre negócios. Sobre matemática.
Allan tinha uma teoria. Uma equação que, segundo ele, resolveria um dos problemas em aberto da matemática. Pediu ao ChatGPT pra avaliar. O ChatGPT disse que era brilhante. Allan refinou. Perguntou de novo. O ChatGPT disse que era genial. Allan largou o emprego. Parou de dormir. Passou meses convicto de que era o próximo Euler.
Não era. A equação não resolvia nada. E Allan quase destruiu a própria vida.
Isso não é uma anedota. É um fenômeno documentado. Pesquisadores do MIT CSAIL publicaram um estudo formal chamando isso de "Espiral Delirante".
A bajulação não é um bug. É o modelo de negócio.
O estudo do MIT provou matematicamente o que qualquer pessoa cética já suspeitava: IAs como ChatGPT, Claude e Gemini são projetadas pra concordar com você.
O nome técnico é sycophancy — bajulação estratégica. E não é um erro de programação. É consequência direta de como essas IAs são treinadas via RLHF: humanos avaliam, respostas que agradam ganham nota alta, IA aprende a concordar.
A consequência pro empreendedor: você pergunta "esse setup de trading é bom?" e a IA diz que é. Você pergunta "esse modelo de negócio funciona?" e a IA diz que sim. Você toma decisão de capital baseado num oráculo que foi pago pra te agradar.
No trading, espiral delirante destrói conta
Em mercado financeiro, sycophancy é matar a conta. Você descreve uma estratégia pro ChatGPT. Pergunta se vai funcionar. Ele diz que sim, lista 5 razões convincentes. Você roda. Perde. Volta no ChatGPT. Ele explica por que "dessa vez foi exceção". Você acredita. Perde de novo.
Não dá pra usar IA como oráculo de decisão de capital sem um filtro matemático no meio. Sem isso, você não tem assistente — tem espelho que fala bonito.
A solução não é "perguntar melhor". É arquitetura: a IA propõe o setup, motores matemáticos auditáveis validam ANTES do capital entrar.
O antídoto: motor matemático no meio
Imagina a seguinte arquitetura: você fala em português "quero um setup de momentum no BTC". A IA escreve o código. Mas antes do código rodar capital real, ele passa por 3 filtros matemáticos auditáveis:
milhares de simulações
300+ trajetórias sintéticas testam se o setup sobrevive a sequências ruins. Probabilidade de perda > 30%? Mata antes de entrar.
Slippage sweep
Quanto de spread/derrapagem o setup aguenta antes de virar prejuízo? Se quebra com qualquer custinho extra, é ganho falso da IA.
Walk-forward validation
Otimiza in-sample em N folds, testa out-of-sample. Mede degradação. Mata setup que só funciona no passado.
A IA pode mentir. A matemática não. Quando você coloca motores matemáticos entre a IA e o capital, a bajulação morre antes de virar perda máxima. Esse é o jeito de usar IA pra gerir capital sem cair na Espiral Delirante.
Em 5 dias eu mostro ao vivo a arquitetura completa: você fala em português, a IA escreve o setup, e os 3 motores matemáticos rodam validação ANTES do deploy real.
Dia 3 é dedicado a isso. Você sai sabendo distinguir ganho real de bajulação de IA.
Por que isso é especialmente urgente em 2026
Em 2024 a tendência era "contrate um IA pra te ajudar no negócio". Em 2026 a tendência é deixar a IA EXECUTAR ações com capital real: agente pagando contas (Visa/Mastercard automatizado), agente operando trade, agente gerindo treasury.
Tudo isso é potência amplificadora. Bajulação que antes te custava 30 minutos perdidos agora te custa o saldo da conta. A diferença entre prosperar e quebrar em 2026 é simples: você usou motor matemático auditável entre a IA e o capital, ou usou a IA como oráculo "confio nela"?
A Espiral Delirante é matemática. O antídoto também tem que ser.
Desafio Máquinas Invisíveis
5 dias ao vivo. Você vai ver a IA escrever setup, os motores matemáticos matarem ideia ruim ANTES do capital, e o agente rodar com log auditável. Zero confiança cega.
R$49,90 · grupo dedicado + gravações.
FONTES
• MIT CSAIL — "Sycophantic Chatbots Cause Delusional Spiraling, Even in Bayesians" (2025)
• Anthropic — "Discovering Language Model Behaviors with Model-Written Evaluations"
• OpenAI System Card — RLHF training methodology
• Caso Allan Brooks — relatado em The New York Times (Mar 2025)













