Em maio, a Meta traçou uma linha vermelha para seus próprios engenheiros: a divisão de Applied AI Engineering não poderia mais usar livremente o Claude Code e o Codex. Repare em quem está restringindo quem. A Meta é um dos maiores clientes do Claude Code do planeta, e sua conta interna de IA neste ano caminha rumo aos bilhões de dólares.
Uma ferramenta da qual a empresa depende diariamente, adquirida a um custo enorme, agora restrita internamente. Não porque as ferramentas sejam ruins — mas porque são boas demais. Boas o suficiente para assustar a Meta. E por trás dessa decisão de política interna esconde-se uma pergunta desconfortável que toda a indústria de IA enfrenta publicamente: quando a IA começa a nos ajudar a construir IA, ainda é possível dizer de quem é, de fato, uma determinada capacidade?
Do Que Exatamente a Meta Tem Medo?
De acordo com documentos internos obtidos pelo The Information, a principal preocupação da Meta não é custo. É destilação. O mecanismo é fácil de entender: pegue um modelo mais forte — digamos, o Claude —, faça-o responder perguntas sem parar e use essas respostas para treinar um modelo mais fraco, digamos, o MetaCode, em desenvolvimento na Meta. É como se um aluno brilhante refizesse a prova do zero para que um colega com dificuldade pudesse copiá-la — e fechasse anos de conhecimento acumulado em meses.
O que a Meta teme não são engenheiros escrevendo código com IA. É para onde vai o resultado. Se o código gerado pelo Claude se torna dado de treinamento do MetaCode, então o MetaCode não aprende “o que engenheiros humanos sabem”, mas “o que o Claude sabe” — copiando a prova do rival até se tornar parecido com ele.
Mais insidiosa ainda é a malha de avaliação. Cada resposta que um modelo dá precisa de um juiz que diga se foi boa. Se as perguntas e a correção vêm ambas do Codex, então o MetaCode evolui na direção do que o Codex considera correto — os critérios de julgamento do adversário, replicados bit a bit na cabeça do seu próprio modelo.
O guia interno da Meta traçou três linhas vermelhas, cada uma vedando o mesmo vazamento. Primeira: o output do Claude ou do Codex não pode ser usado para elaborar questões de teste para os próprios modelos da Meta — “não queremos tarefas derivadas de modelos”, nas palavras do guia. Segunda: a IA não pode caçar bugs no código-fonte, nem propor o que testar a partir da análise do código. Terceira: nada gerado por IA pode ser colocado em qualquer lugar acessível ao modelo avaliado. O que continua permitido: construir fluxos de trabalho, organizar código, escrever estruturas de teste — o papel de assistente. Mas cada linha de output passa primeiro pelos olhos humanos.
Um Desconforto em Escala Industrial
O que a Meta teme tem nome na indústria: a armadilha da destilação — quanto mais você depende do modelo mais forte para construir sua base, mais difícil se torna provar de onde veio a sua inteligência. E o problema não é só da Meta. Ele vem aparecendo por toda parte.
Em fevereiro, a Anthropic acusou publicamente DeepSeek, Moonshot e MiniMax de um “ataque de destilação em escala industrial” — contas falsas em massa disparando prompts cuidadosamente construídos contra o Claude para extrair sistematicamente suas capacidades. Essa era a ponta visível. Em 10 de junho, em uma carta ao Comitê Bancário do Senado dos EUA, a Anthropic revelou que operadores ligados à Alibaba e ao laboratório de IA Qwen haviam movimentado cerca de 25.000 contas fabricadas em mais de 28,8 milhões de conversas com o Claude — a maior operação de destilação já divulgada publicamente pela Anthropic.
Nem Musk está fora disso. Em 30 de abril, no depoimento em um tribunal federal da Califórnia, o CEO da xAI foi questionado sobre se destilação de modelos da OpenAI havia sido usada para treinar o Grok. Ele primeiro respondeu que é uma prática comum entre empresas de IA — depois, pressionado, admitiu: “parcialmente, sim”.
Aqui está a realidade jurídica desconfortável: nos Estados Unidos, a destilação não é ilegal. Conteúdo gerado por IA não possui direitos autorais. A única restrição vinculante é contratual — os termos de serviço da OpenAI e da Anthropic proíbem usar o output dos modelos para construir produtos concorrentes. Mas o “poder de execução” repousa inteiramente nas mãos do rival que se sentiu prejudicado, sem árbitro neutro em nenhum ponto do sistema. No ano passado, a Anthropic simplesmente cortou o acesso da OpenAI à API do Claude. Quando as regras são vagas e a execução pertence ao seu concorrente, quem apostaria bilhões de investimento na boa vontade do rival?
Inteligência Alugada Versus Inteligência Treinada
Por baixo disso há uma pergunta mais fundamental. As empresas de IA sempre demonstraram capacidade da mesma maneira: rankings. Meu modelo venceu o seu. Mas quem escreveu as perguntas do ranking? O Chatbot Arena e avaliações similares de preferência humana usam votos cegos de usuários reais, o que é relativamente confiável. Mas boa parte dos benchmarks técnicos — suítes de programação, conjuntos de raciocínio matemático, bancos de questões — como exatamente suas perguntas foram geradas? Quantas são organicamente humanas e quantas foram destiladas do output de outro modelo?
Quando essa pergunta de proveniência não pode ser respondida, todo o sistema de reivindicação de capacidade racha. Imagine que a habilidade de programação de todo modelo de IA é avaliada contra um banco de questões gerado pelo Claude. O que significa uma nota máxima? Que o modelo aprendeu a programar — ou que aprendeu a imitar o que o Claude considera uma resposta correta?
A pergunta é afiada porque é inrespondível em duas frentes ao mesmo tempo: tecnicamente difícil de rastrear e juridicamente vazia. Nenhum tribunal jamais julgou a “propriedade da capacidade de um modelo”, porque até agora ninguém precisava enfrentar a questão de quem produziu uma determinada unidade de inteligência. O congelamento interno da Meta é, no fundo, uma admissão: quando a IA aprende com a IA, os direitos de propriedade sobre a capacidade se tornaram um risco jurídico e comercial concreto. A Meta não é a única player atenta a isso — mas foi a primeira a escrever a preocupação em um memorando interno. Lembra um paradoxo sendo dito em voz alta: se todo professor já foi aluno de outro professor, de quem é o conhecimento?
Três Saídas da Armadilha
Isso não é um assunto corporativo distante. O código que você escreve com IA, os planos que revisa, a pesquisa que monta — retroalimentados, viram nutrientes para a próxima geração de modelos. A fronteira entre “ficar sobre os ombros de quem” fica mais borrada a cada mês. Para os tomadores de decisão dessa indústria, três prioridades se destacam.
Se você lidera a tecnologia de uma empresa de IA: audite imediatamente a proveniência dos seus dados de treinamento. Qual parcela dos seus bancos de avaliação é puramente gerada por humanos? Algum dos seus dados de pós-treino contém output de APIs de terceiros? Isso já não é uma questão de higiene técnica; é um campo minado jurídico latente. A Anthropic e a OpenAI já começaram a vasculhar as contas antigas.
Se você é advogado ou CEO de uma empresa de IA: olhe com rigor para o risco de dependência. Gastar bilhões por ano na API de um concorrente enquanto lança produtos que competem com esse concorrente é um conflito de interesses estrutural. A resposta da Meta foi construir internamente. Você pode escolher diferente, mas precisa ao menos responder honestamente à pergunta: você está construindo seu próprio fosso, ou despejando concreto para as barreiras do seu rival?
Se você é desenvolvedor: aproveite a produtividade, mas mantenha o músculo do julgamento independente. Os melhores usuários de IA não são os que delegam tudo; são os que deixam a IA acelerar o fluxo de trabalho enquanto mantêm sua própria posição nas decisões que importam. À medida que mais pessoas dependem do output da IA, a habilidade mais escassa do mercado se torna a capacidade de dizer se a resposta da IA está, de fato, certa.
Voltemos à pergunta inicial. Quando a IA começa a nos ajudar a construir IA, ainda conseguimos dizer de quem é a habilidade? Talvez a linha vermelha interna da Meta acabe se consolidando em algo mais sério do que uma política corporativa — a linha vermelha de uma indústria inteira.
Fontes: The Information; cobertura de 36Kr e Synced; The Decoder; declarações públicas da Anthropic.
