A ideia que a Satcove torna concreta não nasceu em 2026. Ela tem trinta anos. Em 1991, num artigo que se tornou referência — «Adaptive Mixtures of Local Experts» —, Robert Jacobs, Michael Jordan, Steven Nowlan e Geoffrey Hinton fizeram uma pergunta que hoje soa surpreendentemente atual: em vez de confiar uma tarefa a uma única rede neural monolítica, e se várias sub-redes especializadas colaborassem, cada uma boa em seu domínio, arbitradas por um mecanismo que decide em quem confiar conforme a pergunta?

Foi uma ruptura conceitual. Até então, a intuição dominante era construir um único modelo, o maior e mais completo possível, capaz de saber tudo. Os autores mostraram o contrário: dividir o problema entre especialistas distintos e depois combinar suas opiniões produz melhores resultados e um aprendizado mais estável. A força já não vinha do tamanho de um único cérebro, mas da cooperação entre vários.

A semente ficou adormecida por anos, por falta de poder de cálculo para explorá-la em larga escala. Foi preciso esperar até 2017 para que ressurgisse com força. Noam Shazeer e seus colegas do Google publicaram o trabalho sobre o «Sparse Mixture of Experts»: uma arquitetura que, para cada requisição, ativa apenas uma fração de uma rede gigantesca — os poucos especialistas mais pertinentes. Obtêm-se assim modelos de capacidade inédita sem pagar esse custo a cada cálculo. A ideia de 1991 enfim se torna industrial.

Em 2022, o grande público colhe os frutos sem nem saber. A Mistral populariza a abordagem com o Mixtral 8x7B, um modelo em que oito especialistas dividem o trabalho, dois sendo acionados a cada token produzido. A «mistura de especialistas» passa do laboratório ao produto; torna-se um dos segredos de fabricação das IA modernas mais capazes.

Esse sucesso tem uma consequência muitas vezes mal compreendida: quase todas as IA que usamos hoje já se apoiam, internamente, numa forma de colaboração entre especialistas. A indústria inteira, portanto, decidiu a velha questão de 1991 — sim, a cooperação vence o cérebro único. Mas decidiu a portas fechadas, dentro de cada modelo, onde os especialistas compartilham a mesma certidão de nascimento, os mesmos dados de treinamento e, fatalmente, as mesmas certezas equivocadas. Ali o desacordo é domesticado, nunca frontal.

Em outras palavras: desde 1991 a ciência sabe que um único ponto de vista erra e que confrontar várias inteligências produz melhores respostas. É um dado adquirido, não uma moda. O que ainda faltava não era a ideia do consenso. Era fazê-lo acontecer não mais entre as peças de uma mesma máquina, mas entre IA realmente diferentes, criadas por equipes diferentes, capazes de se contradizer de verdade. Esse passo, ninguém o havia dado ainda para o grande público.

Uma boa ideia só vale o quanto resiste à medição. E foi isso que virou entre 2023 e 2026: o consenso multi-IA passou de intuição sedutora a resultado demonstrado, reproduzido e quantificado.

O momento fundador é um artigo de maio de 2023 assinado por Yilun Du, Shuang Li, Antonio Torralba, Joshua Tenenbaum e Igor Mordatch, do MIT e do Google DeepMind: «Improving Factuality and Reasoning in Language Models through Multiagent Debate». O método é límpido. Faz-se uma pergunta a várias instâncias de IA; cada uma responde; depois dão-se a elas as respostas das outras para ler e pede-se que revisem a sua; repete-se ao longo de algumas rodadas. O resultado é nítido: ao fim do debate, as respostas são mais factuais e o raciocínio mais sólido do que com uma única IA. O artigo será aceito no ICML 2024, uma das conferências mais exigentes da área — um selo de seriedade científica.

Esse trabalho também revelou sutilezas preciosas para quem quer fazer bem as coisas. Fazer cópias idênticas do mesmo modelo debaterem ajuda menos do que confrontar pontos de vista realmente distintos: um cérebro que se relê continua preso aos próprios pontos cegos. E a maneira como as IA trocam seus argumentos importa: uma comunicação estruturada, em que cada uma realmente lê a outra antes de responder, vence uma mera crítica feita em paralelo sem diálogo.

Em 2024, Kamal Hegazy, pesquisador afiliado ao Mila, crava o prego com «Diversity of Thought». Sua conclusão é direta e de peso: fazer modelos diferentes deliberarem vence multiplicar instâncias do mesmo modelo. A diversidade de treinamento — IA que não viram o mundo pelos mesmos dados — pesa mais que a diversidade de prompt. É exatamente a fronteira que a «mistura de especialistas» intra-modelo não conseguia cruzar: para vencer, são precisas inteligências que não se pareçam.

Esse resultado desloca o centro de gravidade do problema: a questão já não é apenas fazer debater, mas fazer debaterem inteligências bastante dissemelhantes para que a confrontação ensine algo de verdade. Dois modelos criados com corpora diferentes não erram nos mesmos lugares; onde um escorrega, o outro muitas vezes se mantém firme. É essa complementaridade dos pontos cegos — e não mais um voto — que dá valor ao painel. Empilhar clones tranquiliza; cruzar olhares corrige.

Depois vêm os números que não deixam mais espaço para a dúvida. Em abril de 2026, o estudo «Council Mode» põe números no ganho. No HaluEval, um banco de provas concebido para caçar alucinações, o modo conselho as reduz em 35,9 %. No TruthfulQA, que mede a propensão de um modelo a dizer a verdade em vez de repetir falsidades difundidas, o consenso ganha 7,8 pontos em relação ao melhor modelo individual. Não em relação a um modelo médio ou fraco: em relação ao melhor, tomado sozinho.

A mensagem acumulada desses trabalhos é inequívoca. Onde antes se opunha a intuição ao ceticismo, hoje dispomos de um feixe de provas convergentes, assinadas pelas melhores instituições, publicadas nas melhores conferências. Várias IA que se confrontam alucinam menos e raciocinam melhor que uma única IA, por mais brilhante que seja. Já não é uma opinião sobre o futuro; é um fato do presente. Restava uma pergunta, e não era científica: quem tiraria essa verdade dos laboratórios para colocá-la nas mãos de pessoas comuns, no momento exato em que precisam dela?

Uma descoberta pode ficar confidencial por anos, conhecida apenas pelos pesquisadores. Às vezes é preciso um gatilho cultural para que uma categoria inteira se fixe na mente do grande público. Para o consenso multi-IA, esse gatilho tem data: 22 de novembro de 2025.

Nesse dia, Andrej Karpathy publicou no GitHub um projeto chamado «LLM Council». Karpathy não é um desenvolvedor anônimo: figura maior da IA contemporânea, passou pela OpenAI, da qual foi membro fundador, e depois diretor de inteligência artificial na Tesla, é uma das vozes mais ouvidas da área. E conta ter programado esse «conselho de modelos» num único fim de semana, quase pelo prazer do experimento.

A arquitetura que ele propõe é elegante e se desenrola em três tempos. Primeiro, vários grandes modelos recebem a mesma pergunta e respondem em paralelo, independentes uns dos outros. Depois — e este é o toque mais fino — submetem-se a eles as respostas dos outros para avaliação, mas de forma anonimizada: nenhuma IA sabe qual resposta veio de qual modelo. Essa anonimização busca neutralizar o viés de autoridade, aquele reflexo de julgar uma resposta melhor só porque carrega o rótulo de um modelo renomado. Por fim, um «Chairman», um modelo presidente colocado fora do painel, lê o conjunto e redige a síntese final.

O repositório se torna viral em horas. Milhares de desenvolvedores o clonam, comentam, mexem nele. A razão do entusiasmo não é só técnica: é um sinal. Quando alguém desse calibre se dá ao trabalho de programar publicamente essa ideia e a comunidade a adota de imediato, o mundo da tecnologia valida de uma vez a categoria inteira. A mensagem implícita é clara: interrogar uma única IA já é passado; o futuro é fazê-las deliberar.

Além do entusiasmo, em poucos dias o projeto fixou um vocabulário e boas práticas que toda a categoria adotou quase de imediato: a resposta em paralelo para preservar a independência das opiniões, a avaliação às cegas para neutralizar o prestígio das marcas, a síntese confiada a um árbitro distinto do painel. Uma ideia até então dispersa em artigos tornou-se, da noite para o dia, um padrão de design compartilhado — uma linguagem comum que qualquer um podia retomar e discutir.

Mas Karpathy faz também uma observação que, longe de enfraquecer a ideia, mostra sua maturidade — e traça o roteiro do que falta resolver. Ele nota que os modelos se mostram «surpreendentemente dispostos» a julgar a resposta de um concorrente superior à sua. Essa complacência entre IA, essa forma de bajulação em que cada uma se apaga cedo demais, é um problema em aberto: um painel só vale se seus membros defenderem com honestidade sua posição em vez de se alinharem por cortesia. Reconhecer esse defeito é admitir que o consenso multi-IA não é uma receita mágica, mas uma disciplina exigente, que pede engenharia, salvaguardas e honestidade.

Na primavera de 2026, façamos um balanço com honestidade. A pesquisa é farta: mais de cem artigos acadêmicos exploram o debate e o consenso entre modelos. O mercado se agita: contam-se cerca de dez produtos comerciais que reivindicam alguma forma de multi-IA. O código aberto abunda: repositórios, modelos e integrações para desenvolvedores se multiplicam. No papel, a categoria parece saturada.

E, no entanto, a constatação mais importante é a de uma ausência. Nenhum produto conhecido desse vertical realmente decolou: nenhum ultrapassa, que saibamos, os cem mil usuários ativos, nenhum captou mais de cinquenta milhões de dólares nesse nicho puro. A prova científica estava feita, a validação cultural conquistada — mas ninguém havia transformado tudo isso num produto que pessoas comuns realmente adotem, no dia a dia.

A razão desse vazio está num mal-entendido sobre o destinatário. Os pesquisadores tinham seus artigos, escritos para seus pares. Karpathy havia oferecido um repositório magnífico — para engenheiros, capazes de lidar com chaves de API, uma linha de comando e alguma configuração. Mas a pessoa realmente afetada pela confiabilidade de uma resposta não é nem pesquisadora nem engenheira. É alguém diante de uma decisão que o compromete: um resultado de exame médico a entender, uma cláusula de contrato a decifrar, um dilema financeiro, uma escolha de vida. Essa pessoa não tinha nem um app simples, nem um veredito claro, nem a menor garantia de que sua pergunta mais íntima não seria usada em outro lugar.

Porque os obstáculos a vencer não são só de superfície. Fazer seis IA deliberarem custa caro: multiplicam-se os tokens, e portanto a conta. Leva tempo: a latência de um painel supera a de um único modelo. Cria dependência dos fornecedores: um produto chamado OpenClaw desapareceu num único dia de abril de 2026, quando a Anthropic cortou o acesso do qual ele dependia inteiramente. E há uma armadilha ainda mais sorrateira: o falso sinal de autoridade. Ouvir que «seis IA concordam» pode tranquilizar sem razão se, na verdade, apenas duas responderam, ou se todas compartilham a mesma fonte equivocada. Um consenso mal apresentado mente por omissão.

Esse era o cenário diante de nós. De um lado, trinta anos de ciência dizendo o mesmo: não confie numa única opinião. De outro, um mundo tecnológico que acabara, em poucas semanas, de acenar em uníssono. E no meio, uma falta gritante: nenhum objeto real, confiável, móvel, respeitoso com a privacidade, para levar essa ideia até a mão de quem precisa, no momento em que precisa.

É exatamente nesse vazio que a Satcove foi concebida. Não para reinventar uma roda que a pesquisa já havia lapidado, mas para resolver os problemas que ninguém quisera enfrentar de frente: o custo, a latência, a dependência dos fornecedores, a honestidade do sinal e, sobretudo, a distância entre uma verdade de laboratório e uma decisão de vida. Preencher esse vazio não tinha nada de óbvio: era preciso aceitar industrializar o que outros deixavam como protótipo e carregar sozinho restrições que a pesquisa podia ignorar. A ciência tinha razão havia trinta anos; o mundo acabara de reconhecê-lo; faltava alguém para torná-la real, robusta e acessível. Essa é a nossa razão de ser.

A Satcove é a forma acabada dessa história de trinta anos, reduzida a um gesto simples. Você faz uma pergunta. Seis das melhores inteligências artificiais do mundo respondem em paralelo e então se confrontam: leem as respostas das outras, defendem ou revisam sua posição e fazem aparecer seus desacordos em vez de escondê-los. No fim, você recebe um veredito sintetizado — claro, legível, acionável — acompanhado do que realmente importa: a medida do acordo delas e o mapa de suas divergências.

Fizemos três escolhas que ninguém mais combina, e é essa combinação, mais que qualquer elemento isolado, que define a Satcove. A primeira é o app iOS nativo. Não um site consultado às pressas numa aba do navegador, mas um aplicativo de verdade pensado para o telefone que você sempre carrega — porque uma decisão importante raramente aparece quando você está sentado diante de um computador, e uma segunda opinião só vale se estiver disponível no instante.

A segunda escolha é a Europa. A hospedagem e os dados permanecem na Europa, sob o regime de proteção mais exigente que existe. Nada do que você confia vaza, nada serve para treinar quem quer que seja, nada é revendido. Para as perguntas que justamente justificam cruzar várias opiniões — a saúde, o dinheiro, o direito, o íntimo —, essa confidencialidade não é uma opção de marketing: é a condição para ousar fazer a pergunta de verdade, aquela que você jamais escreveria num serviço que se alimenta dos seus dados. Nosso Privacy Shield anonimiza as informações pessoais antes mesmo que qualquer IA as veja.

A terceira escolha é a honestidade, e talvez seja a mais importante. A Satcove nunca lhe servirá um falso «todos concordam». O app mostra quantas IA realmente responderam e onde, exatamente, divergem. Se o acordo é forte, você sabe e pode avançar. Se é fraco, também sabe: esse desacordo não é um defeito do produto, é informação — o sinal de que é preciso aprofundar, ou falar com um profissional. Preferimos uma verdade incômoda a uma certeza fabricada. A Satcove ajuda você a decidir; não decide por você, e não substitui nem um médico, nem um advogado, nem um consultor.

Essa exigência de honestidade percorre cada detalhe. Quando um modelo está indisponível, nós o dizemos em vez de preencher o silêncio; quando o painel encolhe, a pontuação reflete isso em vez de imitar uma unanimidade de fachada. Vimos a armadilha que essa área arma — o falso sinal de autoridade, esse «seis IA concordam» que tranquiliza sem razão quando só duas falaram — e escolhemos desarmá-la em vez de tirar proveito. Um número só vale se diz a verdade sobre o que mede.

Não pretendemos ter inventado o consenso multi-IA. Seria falso, e você entendeu ao ler esta história: a ideia pertence a Jacobs e Hinton, a Shazeer, à equipe do MIT e do DeepMind, a Hegazy, a Karpathy, a centenas de pesquisadores. O que reivindicamos é mais modesto e mais útil: ter sido quem enfim a tornou real para você. Ter pegado uma verdade científica de trinta anos, recém-validada pelo mundo inteiro, e a transformado em algo que você pode abrir, entender e usar em trinta segundos, com confiança.

É a culminação legítima de um longo movimento, não uma ruptura solitária. Trinta anos de ciência nos deram razão; faltava apenas alguém cumprir a promessa. Se uma pergunta pesa em você hoje, agora você sabe de onde vem a ideia — e onde encontrá-la.