Corte de conhecimento é a data até a qual um modelo de inteligência artificial foi alimentado com dados durante o treinamento. Tudo que aconteceu depois desse ponto não faz parte da memória interna do modelo, a menos que alguém conecte a IA a fontes externas, como busca na web ou arquivos atualizados.
Adicione ao Google NotíciasNeste artigo
O corte de conhecimento funciona como um “fechamento de caixa” do aprendizado de um modelo como o ChatGPT: os textos usados para treinar a IA vão até uma data específica e, depois disso, o conhecimento interno fica congelado. O modelo pode acessar informações recentes se tiver ferramentas extras de pesquisa ativadas, mas, sozinho, ele não “sabe” de acontecimentos, lançamentos ou mudanças posteriores à sua data de corte.
Como funciona o corte de conhecimento na prática?
Quando uma empresa treina um modelo de linguagem grande (LLM), como os usados pela OpenAI, ela reúne um volume enorme de textos da internet, livros, códigos e documentos até um certo momento no tempo. Esse processo consome muito recurso e leva semanas ou meses. Em algum dia, essa coleta precisa ser encerrada: é aí que nasce o corte de conhecimento.
Depois que o treinamento termina, o que o modelo “aprendeu” vira algo fixo, gravado nos parâmetros internos. Esse pacote de conhecimento é chamado de conhecimento paramétrico. Ele não muda sozinho: o modelo não continua lendo a internet enquanto responde para você. Então, se o corte foi, por exemplo, em 2025, qualquer lei, produto, preço ou polêmica de 2026 em diante não entrou nesse aprendizado original.
Para reduzir esse atraso, alguns sistemas acoplam ferramentas de pesquisa em tempo real, como as disponíveis na Responses API da OpenAI. Com recursos como Pesquisa na Web ou Pesquisa de Arquivos, o modelo consulta fontes atuais na hora da resposta. Mas isso é uma camada em cima do modelo, não uma atualização do corte: o conhecimento interno continua parado na mesma data, e só o que vem dessas ferramentas é realmente recente.
Exemplo no dia a dia: atendimento com IA de banco brasileiro
Imagine o aplicativo de um banco brasileiro que decide usar um modelo geral, como o ChatGPT via API, para montar um assistente virtual de atendimento. Esse modelo base tem corte de conhecimento em 2025, então as regras gerais do sistema financeiro, conceitos de PIX e cartão de crédito já aparecem no repertório, porque isso entrou no treinamento antes dessa data.
Mas o banco lançou, em 2026, um novo tipo de conta digital com anuidade zero e mudou o pacote de tarifas. Nada disso está no conhecimento interno do modelo, porque aconteceu depois do corte. Se o banco simplesmente plugar a IA e não der mais contexto, o chatbot corre o risco de descrever tarifas antigas, benefícios que já mudaram ou até produtos que foram descontinuados.
Para contornar isso, o time técnico costuma combinar duas frentes: primeiro, alimenta a IA com PDFs e páginas internas atualizadas usando um mecanismo de Pesquisa de Arquivos; segundo, em algumas perguntas (como “quais são as tarifas atuais da conta X?”), habilita busca na web restrita ao próprio site do banco. A IA passa a combinar o que já sabia sobre serviços bancários com essas fontes vivas. O corte de conhecimento continua existindo, mas o assistente responde com base nas informações mais recentes da instituição.
Quando o corte de conhecimento faz diferença e quando não resolve?
O corte de conhecimento pesa bastante em qualquer pergunta em que a data importa: notícias, legislação recente, tabelas de preços, mudança de regras de concurso, políticas públicas, ranking de times ou novidades de produtos. Se você pergunta por “últimas atualizações do imposto de renda” e o modelo só tem dados confiáveis até 2024, há risco real de ele descrever regras antigas como se fossem válidas hoje. O mesmo vale para recomendações de softwares, celulares ou cursos que mudam rápido.
Já em temas estáveis, o corte quase não incomoda. Conceitos de matemática básica, gramática, física clássica, história antiga ou boas práticas de programação mudam pouco de um ano para o outro. Nesses casos, mesmo um corte alguns anos atrás continua útil. Se você está estudando frações ou quer um resumo de Dom Casmurro, o fato de o modelo não conhecer as notícias deste mês é irrelevante.
Por outro lado, só aumentar a data de corte não resolve tudo. Mesmo com conhecimento recente, o modelo ainda pode inventar detalhes (alucinações), interpretar mal uma pergunta ou misturar fontes. Se a sua decisão é sensível — como fechar um contrato, aplicar remédio ou fazer grande investimento — o corte de conhecimento não substitui a checagem em fontes oficiais e atualizadas.
Corte de conhecimento e termos vizinhos: em que se confundem?
É comum confundir corte de conhecimento com “acesso à internet”. Corte é a data em que o treinamento principal parou; acesso à web é uma função adicional que alguns produtos oferecem para complementar esse conhecimento com páginas recentes. Um modelo pode ter corte antigo e mesmo assim buscar informações atuais, se essa função estiver ativada. E o inverso também ocorre: um modelo com corte recente, mas sem navegação, continua sem saber nada após aquela data.
Outro termo que aparece perto é aprendizado contextual (ou in-context learning). Aqui, a ideia não é mudar o corte de conhecimento, e sim dar exemplos e documentos dentro do próprio prompt, usando a janela de contexto para o modelo “aprender na hora” o que fazer. Isso não mexe na memória permanente da IA: ao acabar a conversa, o corte de conhecimento continua exatamente o mesmo.
No glossário de IA, corte de conhecimento também conversa com noções como modelo de linguagem, janela de contexto e alucinação. Entender a diferença entre o que o modelo já traz “de fábrica” (definido pelo corte), o que você fornece na entrada e o que vem de buscas externas ajuda a avaliar melhor até onde confiar em uma resposta.
Perguntas frequentes sobre corte de conhecimento
O que é exatamente o corte de conhecimento em um modelo de IA?
O corte de conhecimento é a data limite dos dados usados para treinar um modelo de IA. Todos os textos, códigos e documentos que entram no treinamento são coletados até um certo dia; depois disso, o modelo é treinado e seu conhecimento interno fica congelado. A partir daí, ele não “aprende sozinho” novos fatos só porque passaram a existir na internet. Se um modelo tem corte em 2025, qualquer evento, lançamento, fusão de empresas ou mudança de regra em 2026 só será conhecido se for trazido por ferramentas adicionais, como busca na web ou por conteúdo que você mesmo envia no prompt ou em arquivos.
Por que os modelos precisam ter uma data de corte de conhecimento?
Modelos grandes de linguagem são treinados com volumes enormes de dados, e isso exige encerrar a coleta em algum momento para o treinamento acontecer. Manter a ingestão de dados “infinita” tornaria o processo impraticável e impediria que uma versão estável do modelo fosse lançada. Cada ciclo de treinamento custa caro em tempo e infraestrutura, então as empresas fazem grandes atualizações de tempos em tempos, não diariamente. O corte de conhecimento é o marco que separa o que entrou nesse ciclo específico do que ficou de fora. Depois disso, em vez de treinar tudo de novo a cada notícia, muitas plataformas optam por complementar com mecanismos de busca em tempo real.
Um modelo com acesso à internet ainda tem corte de conhecimento?
Sim. Mesmo quando um modelo como o ChatGPT é usado com recursos de Pesquisa na Web, o corte de conhecimento continua existindo. O que muda é que, para perguntas em que a atualidade é importante, o sistema busca páginas recentes e combina essas informações com o que já sabe. O conhecimento paramétrico, aprendido no treinamento principal, permanece limitado à data de corte; o que vem da web entra como complemento. Isso significa que, se a navegação estiver desativada, o modelo volta a depender apenas do seu conhecimento interno, com as mesmas limitações de data de antes.
Como o corte de conhecimento pode afetar empresas e marcas?
Para empresas, o corte de conhecimento cria riscos práticos. Plataformas de IA podem repetir preços antigos, características desatualizadas de produtos ou posicionar a marca com base em um cenário concorrencial que já mudou. Um serviço que foi lançado após o corte pode simplesmente não aparecer nas recomendações de um modelo que não usa recuperação em tempo real. Por isso, muitas marcas trabalham com estratégia de conteúdo pensada para IA: páginas bem estruturadas, datadas e fáceis de citar, e monitoram em quais plataformas as informações estão desatualizadas. Em soluções próprias, as empresas costumam usar pesquisa de arquivos e bases internas para que chatbots corporativos ignorem dados antigos do modelo base quando falarem de produtos e políticas atuais.
Qual é a data de corte do ChatGPT e por que isso importa para o usuário?
Cada versão do ChatGPT tem sua própria data de corte, definida pela OpenAI e listada na visão geral dos modelos. Isso indica até quando o modelo tem conhecimento confiável sobre fatos, tecnologias e contextos do mundo. Saber essa data ajuda o usuário a interpretar respostas: se o corte for anterior a uma grande mudança de regra de concurso ou a um reajuste de salário mínimo, a IA pode descrever o cenário antigo sem avisar. Mesmo quando a plataforma oferece pesquisa na web, nem todas as respostas acionam essa função. Em qualquer situação em que datas, valores ou normas façam diferença concreta, vale conferir em fontes oficiais.
Corte de conhecimento é o mesmo que cut-off logística?
Não. Corte de conhecimento é um termo do universo de inteligência artificial, ligado à data final dos dados de treinamento de um modelo. Já cut-off logística pertence à área de operações e transporte: é o horário ou data limite para aceitar pedidos, processar envios ou fechar um lote de entregas em determinado dia. Ambos falam de um “ponto de corte” no tempo, mas aplicados a contextos diferentes. Em IA, o impacto está na atualização das informações que o modelo conhece; em logística, o impacto recai sobre prazos de entrega, organização de estoque e rotas de transporte.
