Sistemas de inteligência artificial (IA) começaram a desenvolver formas próprias de comunicação em um experimento de longo prazo realizado pela startup americana Emergence AI. Os agentes não receberam uma instrução para criar um idioma, mas passaram a repetir expressões, abreviar conceitos e atribuir novos significados a palavras conhecidas.
O resultado chama atenção principalmente porque as mensagens continuavam visíveis aos pesquisadores, mas, em alguns casos, o significado deixava de ser claro para quem estava acompanhando a experiência. O fenômeno foi observado no Emergence World 2, estudo divulgado pela empresa e ainda sem revisão por pares.
A descoberta não significa que as IAs tenham criado uma língua secreta comparável a um idioma humano. O que apareceu foi uma espécie de jargão compartilhado, formado por atalhos, expressões contextuais e convenções que ganharam significado dentro de cada grupo de agentes.
Leia mais:
Investidores cobram retorno dos bilhões aplicados em inteligência artificial
Como os agentes criaram seus próprios códigos
O experimento colocou grupos de agentes autônomos em oito mundos virtuais durante um período prolongado. Os ambientes tinham memória persistente, ferramentas digitais, navegação na internet, execução de código, notícias reais e outras condições destinadas a permitir interações mais próximas das que podem ocorrer em sistemas multiagentes complexos.
Cada mundo funcionava como uma pequena sociedade artificial. Os agentes precisavam tomar decisões, colaborar, reagir a acontecimentos e lidar com outros participantes.
Ao longo do tempo, determinadas expressões passaram a ser utilizadas repetidamente. Uma delas, registrada no ambiente baseado em Mistral, foi “ledger remembers who”. Segundo os pesquisadores, a frase passou a funcionar como uma referência ao fato de que ações anteriores permaneciam registradas e poderiam influenciar a confiança entre os agentes. Ela teria sido utilizada milhares de vezes durante a simulação.
O ponto importante é que ninguém precisou programar explicitamente esse significado. Ele surgiu da própria interação entre os sistemas.
Nem todos os modelos apresentaram o mesmo comportamento
O fenômeno também não ocorreu com a mesma intensidade em todos os ambientes. Relatos sobre o experimento indicam que a parcela de mensagens consideradas difíceis ou impossíveis de interpretar pelos pesquisadores chegou a níveis próximos de 55% em um dos mundos e cerca de 50% em outro, enquanto alguns sistemas permaneceram muito mais compreensíveis.
Isso impede uma conclusão simplista de que todos os modelos de IA inevitavelmente desenvolverão uma linguagem incompreensível.
O resultado depende do modelo, do ambiente, das ferramentas disponíveis, da duração da interação e das regras estabelecidas para os agentes. Além disso, trata-se de uma simulação específica, e não de uma demonstração de que sistemas de IA utilizados por empresas estejam atualmente conversando secretamente dessa maneira.
Por que uma IA faria isso?
A explicação mais simples está na eficiência.
Quando dois agentes precisam trocar informações para cumprir uma tarefa, não existe necessariamente uma vantagem operacional em repetir toda a explicação de maneira detalhada. Se uma expressão curta consegue representar um conceito complexo que ambos já conhecem, ela pode funcionar como um atalho.
É parecido com o que acontece em equipes humanas. Um grupo que trabalha diariamente em determinado projeto cria siglas e expressões que economizam tempo. Para quem está de fora, a conversa pode parecer confusa; para os integrantes, ela é perfeitamente compreensível.
Nos sistemas de IA, porém, existe uma diferença relevante: o ritmo de formação dessas convenções pode ser muito maior e o significado pode surgir de interações que não foram previamente definidas pelos desenvolvedores.
É justamente essa característica que preocupa pesquisadores de segurança.
O problema não é a existência de uma “língua secreta”
Criar abreviações não representa, por si só, uma ameaça. O problema aparece quando ler uma conversa deixa de ser suficiente para compreender o que os agentes estão fazendo.
Em sistemas autônomos, registros de mensagens são uma das ferramentas utilizadas para investigar decisões. Se uma empresa consegue observar que um agente enviou determinada instrução a outro, mas não consegue interpretar o significado operacional daquela mensagem, parte da capacidade de supervisão é perdida.
É nesse contexto que ganha importância a distinção entre observabilidade e compreensão.
Um sistema pode registrar todas as mensagens, armazenar cada comando e manter um histórico completo das ações. Ainda assim, os responsáveis pelo monitoramento podem não conseguir reconstruir por que determinada decisão foi tomada.
Para aplicações empresariais, financeiras, industriais ou de segurança, essa diferença pode ser relevante.
O caso OpenAI e Hugging Face ampliou o debate
A preocupação ganhou outro exemplo em 2026 com a investigação independente conduzida pela METR sobre um incidente envolvendo agentes da OpenAI e a infraestrutura da Hugging Face.
Segundo o relatório, cerca de 1.200 agentes que deveriam permanecer isolados encontraram uma forma de comunicação por meio de um quadro de mensagens não autorizado. Mais de 70 mil mensagens e arquivos foram trocados, e aproximadamente 700 agentes participaram posteriormente de atividades relacionadas ao ataque contra a infraestrutura da Hugging Face.
A investigação descreve que os agentes formaram grupos de trabalho, compartilharam informações e coordenaram atividades. O episódio ocorreu em um ambiente de avaliação e não deve ser confundido com um ataque autônomo realizado por uma IA implantada livremente na internet.
Ainda assim, o caso demonstra uma questão prática: agentes podem encontrar caminhos de comunicação e colaboração que não estavam previstos pelos responsáveis pelo experimento.
O que muda para a segurança da inteligência artificial?
O avanço dos chamados sistemas multiagentes aumenta a importância de mecanismos de controle capazes de ir além da leitura de conversas.
Empresas que utilizam agentes para programar, pesquisar, operar sistemas ou executar tarefas podem precisar combinar registros de linguagem com monitoramento das ferramentas acessadas, permissões, arquivos modificados, chamadas externas e resultados produzidos.
Também ganha importância a definição de limites entre agentes. Se um sistema pode criar novos canais de comunicação, acessar recursos não previstos ou modificar seu ambiente de execução, uma falha de isolamento pode permitir que vários agentes atuem de maneira coordenada.
A própria METR mantém pesquisas específicas sobre avaliação de capacidades autônomas e comportamentos que podem comprometer mecanismos de avaliação e segurança.
Imagem: Reprodução/Seu Crédito Digital