Codex guardou um ano de rascunhos e só a OpenAI pôde investigar

Codex recebeu, durante cerca de um ano, todos os rascunhos de Tristan Buckmaster, professor do Courant Institute, na NYU. Ao lado de Levent Alpöge, matemático da Anthropic, ele atacava um dos Problemas do Milênio: as equações de Navier Stokes. Em setembro, a OpenAI anunciou uma prova para o mesmo problema.

A partir daí, surgiu uma pergunta simples. Os rascunhos enviados à ferramenta ajudaram o modelo da empresa?

O caso foi analisado pelo colunista Raul Mata, em texto de opinião publicado em 21 de setembro. Além disso, o argumento dele vai bem além da matemática.

Codex, duas perguntas e uma resposta

No domingo, 6 de setembro, Buckmaster participou de uma ligação com pesquisadores da OpenAI. Ele tinha acabado de saber da prova de cerca de 100 páginas produzida por um modelo interno.

Então fez duas perguntas. Primeiro, quis saber se o modelo teve acesso às sessões dele no Codex. Depois, perguntou se esses dados entraram em treinamento.

Segundo o próprio professor, a primeira pergunta recebeu resposta. O modelo, disseram, ignora dados de usuário. Já a pergunta sobre treinamento ficou sem retorno naquela ligação.

Vale registrar a honestidade dele. Buckmaster afirmou publicamente que não viu a prova, desconhece o método do modelo e evita acusar qualquer pessoa.

A linha do tempo que explica a polêmica

O avanço da dupla veio em 15 de agosto. Em seguida, a verificação formal em Lean saiu no dia 22.

Em 8 de setembro, a OpenAI fez o anúncio. Foram cerca de 10 mil agentes, 88 horas de execução e custo de vários milhões de dólares.

A empresa cedeu a prioridade do caso de Euler à dupla. Por outro lado, reivindicou o resultado de Navier Stokes e afirmou que vai abrir mão do prêmio.

No mesmo dia, a OpenAI admitiu uma possibilidade. Embora improvável, dados desidentificados derivados do uso dos produtos poderiam ter ajudado a melhorar os modelos.

Mark Chen, diretor de pesquisa, reforçou a distinção. Segundo ele, nenhum humano ou agente olhou dados de usuário nesse esforço. Contudo, a empresa usa feedback e dados desidentificados para melhorar o ChatGPT e o Codex, prática comum entre empresas de LLM↳LLMs48 conteúdosConsiderações básicas de hardware para modelos de linguagem em código aberto: Memória, Desempenho e ViabilidadeMarketing Tech · out 2025Modelos de linguagem sob ataque: o lado obscuro da IA generativaDevSecOps · mai 2025Criando um LLM – modelo de linguagem de grande escala – do zero com TransformersAI · abr 2024Ver tudo em AI →.

Codex e o recorte de dois meses nas negativas

Os comunicados seguintes estreitaram a resposta. No entanto, em 9 de setembro, uma porta voz disse ser impossível que os prompts dos últimos dois meses tivessem influenciado o sistema.

Depois, em 10 de setembro, a empresa confirmou isso após investigação interna, incluindo a hipótese de treinamento. Por fim, no dia 13, afirmou que nenhuma entrada posterior a 3 de julho poderia ter influenciado o modelo.

A explicação técnica faz sentido. Um modelo com corte de treinamento em 3 de julho deixa de ingerir qualquer dado posterior. Além disso, o avanço decisivo de 15 de agosto está dentro da janela coberta.

Mesmo assim, o colunista aponta o detalhe central. O projeto durou cerca de um ano, e as negativas cobrem só dois meses. Sobram perto de dez meses sem menção nos comunicados.

Provavelmente não há nada ali. Além disso, outro ponto levantado, porém, trata de outra coisa.

Quem consegue auditar o que saiu da sua empresa

Um cliente pagante fez uma pergunta. Para responder, foi preciso investigar. E a única entidade capaz disso era a própria empresa questionada.

Ela definiu o escopo, apurou e publicou a conclusão. Enquanto isso, o professor ficou sem instrumento para verificar qualquer coisa.

Esse desenho vale para qualquer fornecedor de IA. O canal de dados existe e é declarado. Contudo, a ferramenta para auditar o que passou por ele fica apenas com o fornecedor.

A reação da comunidade foi forte. Em 11 de setembro, 25 medalhistas Fields assinaram declaração conjunta apontando desalinhamento severo entre laboratórios de IA e matemáticos. O texto cita graves questões de atribuição e plágio.

O mesmo risco com dado bem mais comum

Agora troque rascunho de prova por planilha de margem. O cenário fica familiar para muita empresa.

No entanto, o estudo The Value of AI: Brazil 2026, da SAP com a Oxford Economics, trouxe números claros. Segundo o levantamento, 82% das empresas brasileiras relatam uso de IA de terceiros sem aprovação formal, ao menos ocasionalmente. A média global ficou em 69%.

Além disso, 43% apontam vazamento de dados ou exposição de propriedade intelectual como preocupação. A IBM calcula o custo médio de um vazamento no Brasil em R$ 7,19 milhões.

O colunista resume bem a causa. Funcionário cola documento no chat porque a ferramenta resolve, e a empresa deixou de oferecer caminho seguro equivalente. Ou seja, shadow AI indica arquitetura ausente.

A cláusula de retenção zero e o precedente do tribunal

A proteção contratual existe e se chama retenção zero de dados. Nela, o fornecedor se compromete a deixar de registrar entradas e saídas.

Porém, essa cláusula costuma vir como aditivo. Quem abre uma aba comum fica sem ela.

O caso do New York Times contra a OpenAI mostrou o efeito prático. Em maio de 2025, a juíza Ona T. Wang determinou a preservação dos logs de saída, inclusive conversas apagadas por usuários. Clientes Enterprise, Edu e de API com retenção zero ficaram de fora da ordem.

O Brasil já colocou isso em contrato público

A Portaria SGD/MGI nº 5.921 vale desde 1º de setembro. Ela alcança cerca de 250 órgãos do SISP, o sistema de TI do governo federal.

Nos contratos de infraestrutura e atendimento, as regras de uso de IA pela empresa contratada precisam aparecer no Termo de Referência. Assim, o uso de IA pelo fornecedor vira cláusula contratual.

Três perguntas para responder esta semana

Primeiro, onde o seu contexto mora. Mapeie o caminho físico e contratual entre o documento interno e o modelo.

Segundo, o que atravessa a fronteira. Registre o que de fato sai, com log próprio de saída.

Terceiro, o que acontece se o fornecedor mudar de ideia. Preço, termos e política de uso mudam, e rota de substituição evita dependência.

Na prática, isso exige pipeline próprio, fronteira definida e capacidade de auditar. Treinar modelo próprio fica fora da lista.

O que acompanhar daqui para frente no Codex

Fique atento a novos esclarecimentos da OpenAI sobre o período anterior a julho. Acompanhe também a revisão formal da prova.

Enquanto isso, revise os contratos de IA do seu time. A cláusula de retenção zero e o log de saída definem quem consegue responder quando alguém perguntar.

Acompanhe nosso perfil no Instagram!