Modelos de IA estão ficando mais fortes, mas sua confiança ainda cresce mais rápido do que sua certeza. Mais parâmetros expandem o que o sistema pode falar, não o que ele realmente pode verificar. O espaço das possíveis respostas cresce mais rápido que o chão sob essas respostas. O modelo continua falando fluentemente mesmo quando ultrapassou o que os dados podem suportar. Alucinações persistem porque o ato subjacente não mudou. O modelo ainda está prevendo o próximo token em alta resolução. Escalar torna as dúvidas mais suaves, não mais fundamentadas. Quando um modelo sai das partes do mundo que realmente entende, ele segue com a mesma facilidade e ritmo. A linguagem fica mais polida. Os erros ficam mais difíceis de identificar. O que melhora não é a verdade. O que melhora é a persuasão. Por isso, modelos mais fortes parecem mais precisos mesmo quando não são. Os erros parecem um insight até você examinar os detalhes. Quanto melhor o modelo se torna em moldar um argumento, mais fácil é esquecer que o argumento nunca foi sustentado por uma fonte de verdade desde o início. O caminho a seguir é construir sistemas em torno do modelo que limitem a deriva. Recuperação para ancorar a resposta. Loops de feedback para manter a honestidade. Guarda-corpos que forçam o modelo de volta ao que realmente é conhecido. Só o poder não elimina alucinações. Só o aterramento vai.