The Universal Concept Layer: a linguagem como código versionável

Nota: Versão traduzida do artigo científico. O documento original em inglês é a autoridade de referência.

Uma camada de significado entre pessoas, modelos de linguagem, agentes e robôs

Andreas Ehstand Pesquisador Independente · Programa de Pesquisa AUGMANITAI · ORCID 0009-0006-3773-7796

Working Paper · Versão 2.1 · Publicação bilíngue. As versões em alemão e inglês são idênticas em substância e aparecem sob um identificador único como um registro integrado; a versão em inglês é a versão de citação. Licença: CC BY 4.0 (Atribuição). A licença abrange este texto; os procedimentos internos de trabalho do programa não fazem parte desta publicação e não são licenciados por ela; os direitos de marca e de nome permanecem inalterados.

Resumo

A infraestrutura para sistemas compostos por pessoas, grandes modelos de linguagem (LLMs), agentes autônomos e robôs está sendo padronizada em ritmo acelerado: transporte, invocação de ferramentas, identidade e descrição de capacidades. Uma camada permanece sistematicamente ignorada: não por descuido, mas por se presumir que já esteja resolvida. As linguagens clássicas de comunicação entre agentes forneciam um marcador (placeholder) para ela: um campo na mensagem que apontava para uma ontologia. O que se especificava ali era o ponteiro, e não o ciclo de vida do objeto apontado. Nada foi estabelecido sobre como um referencial pode mudar sob controle de versão, como uma ruptura de significado é sinalizada, como um destinatário resolve uma versão que nunca viu e como uma mesma unidade pode servir, simultaneamente, a uma pessoa, a um modelo de linguagem e a um controlador robótico.

Este artigo propõe que esse espaço seja preenchido, em vez de simplesmente recriado. Argumenta-se que o nível do significado constitui, por si só, uma camada na arquitetura de sistemas (a Universal Concept Layer, ou Camada Conceitual Universal), e que seu material de base é a linguagem natural versionada: conceitos mantidos da mesma forma que artefatos de software, com definição, delimitação, contexto de validade, carimbo de data e hora (timestamp), número de versão e registro de proveniência. Apresentamos uma declaração formal mínima do objeto de definição, descrevemos o ciclo recursivo de cinco etapas por meio do qual esses conceitos surgem na prática colaborativa humano-máquina e aprofundamos o princípio clássico de Korzybski para sistemas ciberfísicos orientados por linguagem: o mapa não se torna o território; ele se torna o projeto (blueprint) do território. Portanto, o que se aplica a qualquer projeto, aplica-se a ele.

Contrastamos a proposta com dez tradições adjacentes em formato tabular, com base em três critérios operacionalizados, e indicamos claramente onde uma tradição vizinha se aproxima o suficiente para ameaçar a reivindicação de ineditismo. Relatamos o estado da implementação desde 2025, anexamos um pacote conceitual completo e tornamos a tese falseável por meio de um delineamento experimental concreto.

Palavras-chave: Universal Concept Layer · linguagem como código · semântica versionável · infraestrutura terminológica · interação humano-IA · interoperabilidade de agentes · deriva semântica · IA corporificada

1. A camada negligenciada

Qualquer pessoa que construa um sistema composto por pessoas, modelos de linguagem, agentes e atuadores físicos em 2026 encontrará, para quase todos os seus níveis, um padrão ou um candidato a padrão já estabelecido. O Model Context Protocol rege como os modelos invocam ferramentas e recursos. O protocolo Agent2Agent gerencia a transferência de tarefas e a descrição de capacidades entre agentes. Iniciativas adjacentes abordam a identidade dos agentes, as preferências de uso e a observabilidade. O roteiro do Model Context Protocol, publicado em 22 de agosto de 2026, elenca cinco prioridades para os próximos seis a doze meses: primitivas de mensagens baseadas em agentes, consolidação e fortalecimento do transporte HTTP, identidade de agentes e segurança de nível corporativo, aprimoramento de primitivas e a experiência do desenvolvedor nas bibliotecas de software (Soria Parra e Delimarsky 2026). Vocabulário e significado não figuram entre elas.

A tese deste artigo não é a de que a pergunta nunca foi feita. Ela foi feita, e de forma pioneira. A Knowledge Query and Manipulation Language fornecia parâmetros de mensagem para a ontologia e para a linguagem de representação (Finin et al. 1994), enquanto a especificação FIPA para linguagens de comunicação de agentes inclui os parâmetros :ontology e :language como elementos regulares de qualquer mensagem (FIPA 2002). Os arquitetos dessas linguagens de fato perceberam que uma mensagem não pode ser compreendida sem um quadro de referência compartilhado e, oportunamente, criaram um espaço para isso. O que se especifica ali é o ponteiro: um identificador que aponta para um referencial. O que não se especifica é o que acontece com o elemento ao qual ele aponta.

Quatro questões ficaram em aberto na época, e permanecem assim até hoje. Primeira: como um referencial pode mudar sem romper os acoplamentos já em operação? Segunda: por qual sinal um destinatário sabe que uma mudança representa uma ruptura de significado, e não um mero refinamento? Terceira: o que um destinatário faz com uma versão referenciada que não conhece — e como ele resolve essa versão? Quarta: como uma unidade deve ser constituída para que um mesmo registro sirva a uma pessoa, a um modelo de linguagem e a um controlador robótico, sem precisar ser retraduzido para cada um?

Essa lacuna não é um enigma acadêmico periférico. Trata-se da fonte diária de perdas em qualquer cenário onde inteligências heterogêneas operam em conjunto: instruções cujo significado se altera ao transitar entre departamentos e suas ferramentas de IA; cadeias de agentes que fracassam diante de interpretações divergentes sobre o mesmo nome de campo; o conhecimento que sai pela porta quando as pessoas que o detêm vão embora, por nunca ter sido formalizado em termos transferíveis; decisões assistidas por IA cuja base conceitual não pode ser reconstruída a posteriori.

Esse padrão é familiar na história da computação. Um nível de abstração existe por muito tempo como prática implícita — disperso entre convenções, soluções pontuais e pressupostos não ditos — antes de ser nomeado, especificado e mantido. Antes de o sistema operacional ganhar esse nome, os programas rodavam diretamente no hardware; antes do modelo de camadas de rede, convenções ad hoc conectavam os computadores. O intervalo entre a prática estabelecida e a especificação nomeada é sempre a janela na qual se decide quem moldará essa camada. Este artigo argumenta que a camada de significado se encontra atualmente nessa janela, e propõe um nome, um material de base e um modo de operação para ela.

2. A tese: a linguagem como código versionável

2.1 Tudo como código alcança o nível mais profundo

Ao longo de duas décadas, a computação converteu um domínio após outro em artefatos versionáveis, verificáveis e rastreáveis: infraestrutura, configuração, políticas, documentação. O ganho é sempre o mesmo. O que é versionado pode ser comparado, revisado, revertido e auditado.

A tese aqui defendida é que esse movimento alcança agora o nível mais profundo e por mais tempo negligenciado de todos: a própria linguagem natural. Não por meio da transformação da linguagem em código de programação, mas mantendo-a como código. Nessa perspectiva, um conceito precisamente definido é uma interface. Ele carrega uma definição, uma delimitação em relação a conceitos vizinhos, um contexto de validade, uma marca temporal (timestamp), um número de versão e um registro de proveniência. Quando a compreensão sobre ele muda, surge uma nova versão; quando a extensão daquilo que ele designa muda, surge uma nova versão principal (major version); e o histórico permanece passível de resolução do início ao fim.

Os elementos constitutivos dessa ideia existem há muito tempo, e a Seção 5 os nomeia um a um. O que falta é a sua articulação em uma operação: o controle de versão no nível do conceito individual, projetado tanto para o consumo por máquinas quanto por humanos, posicionado como uma camada independente, abaixo das aplicações e acima dos protocolos de transporte — para todos os substratos simultaneamente.

2.2 Por que agora: a linguagem torna-se performativa

A oportunidade desta tese decorre de um ponto de inflexão técnico. Durante a maior parte de sua história, a linguagem foi fundamentalmente descritiva: ela retratava um mundo que existia de forma independente dela. Com a programação clássica, surgiu uma segunda forma, de natureza performativa no ambiente digital. O código de um programa não descreve um mundo digital; ele o traz à existência. Com o acoplamento de Large Language Models (LLMs) a ferramentas, agentes e atuadores físicos, o terceiro passo foi dado nos últimos anos: a linguagem natural torna-se performativa sem alterar sua forma. Pesquisas em robótica demonstraram que modelos de linguagem geram programas de controle diretamente executáveis para sistemas físicos (Liang et al. 2023) e que o conhecimento de mundo contido nos textos é transferido para a ação de robôs (Brohan et al. 2023). Na mesma linha, a IA Constitucional mostra que um documento explícito de princípios, escrito em linguagem natural, governa o comportamento de um sistema de IA (Bai et al. 2022): ali, a linguagem já funciona como um artefato de controle. O controle de versão desses documentos não é o foco desse trabalho; trata-se precisamente do passo que a operação aqui proposta generaliza — do documento versionado para conceitos individuais versionados.

Daí decorre um refinamento frequentemente formulado como uma inversão, mas que é mais bem compreendido como uma mudança na direção de ajuste (direction of fit). O alerta de Korzybski — o mapa não é o território (Korzybski 1933) — continua válido; não foi refutado. O que muda é outra coisa. A teoria dos atos de fala distingue entre enunciados que devem se ajustar ao mundo para serem verdadeiros e enunciados aos quais o mundo deve ser ajustado para que sejam obedecidos (Austin 1962; Searle 1979). A linguagem descritiva pertence à primeira classe; o código, à segunda: ele possui a direção de ajuste mundo-palavra (world-to-word direction of fit). Com o acoplamento de modelos de linguagem a ferramentas e atuadores, a linguagem natural cruza para a segunda classe: a própria frase que ontem descrevia, hoje instrui. O mapa não se torna o território — ele se torna a planta baixa do território, e o que vale para toda planta aplica-se a ele: os erros nela contidos acabam sendo construídos. O alerta de Korzybski é necessário, mas não mais suficiente. Ele nos protege contra a confusão, não contra a execução.

A consequência prática é uma mudança de responsabilidade. Se os conceitos abrem espaços de ação, o trabalho terminológico não é uma atividade descritiva, mas constitutiva. A disciplina de controle de qualidade e de versão que exigimos de qualquer outro artefato de controle torna-se um requisito operacional para os conceitos.

3. Uma proposição formal mínima

A tese pode ser enunciada como um modelo de dados, independentemente de qualquer implementação.

O objeto de definição. O bloco elementar dessa camada é um mapeamento

Def: (E, N, C, T) → ⟨def, L, V, P, K⟩

A chave é composta pela entidade de referência E (uma pessoa, uma equipe, uma organização, um modelo, um sistema robótico, um domínio temático), a designação N — a forma linguística, e não o conceito —, o contexto de validade C e o ponto no tempo T. O registro contém o texto da definição def, a linguagem de representação L, o identificador de versão V, a proveniência P e um qualificador de validade K. V, P e K são valores derivados, não dados de entrada (inputs).

O critério de versionamento é operacional e não fica a critério do usuário: V incrementa a versão secundária (minor version) quando def é refinado sem qualquer alteração na extensão do que é designado; V incrementa a versão principal (major version) quando um caso anteriormente contemplado deixa de sê-lo, ou quando um caso anteriormente excluído passa a ser incluído. Uma mudança de extensão é, portanto, o critério auditável de uma ruptura de significado.

O estado semântico. Vários objetos de definição — saídas de Def — formam

S(E, T, C) = ⟨D, R, w, π⟩ com R ⊆ D × D × RelType, w: R → [0,1], π: D → provenance

RelType compreende, no mínimo: is_subordinate_to, delimited_against, supersedes_version, presupposes, stands_in_tension_with. S é bem-formado se, e somente se, cada elemento de D possuir um identificador passível de resolução, se toda relação apontar em ambas as extremidades para elementos de D, e se is_subordinate_to for livre de ciclos.

As duas camadas do pacote. Neste modelo, o significado é relativo à entidade, dependente do contexto e indexado ao tempo. Isso soa, à primeira vista, como o oposto de estabilidade, e a objeção merece ser levada a sério: a relatividade à entidade é o próprio desvio semântico (semantic drift), apenas formalizado. Uma divisão em duas camadas segue-se por necessidade. O pacote carrega dois níveis: um núcleo canônico — texto da definição, delimitação, identificador, versão — que transita de forma idêntica para todas as entidades e constitui a unidade transferível; e uma edição vinculada à entidade, que registra como uma entidade específica preenche esse núcleo em seu próprio contexto, restringindo-o ou rejeitando-o. A transferibilidade entre fronteiras de sistemas e modelos é uma premissa do núcleo, não da edição. Quando duas edições do mesmo núcleo divergem, isso não é uma falha do procedimento, mas sim a sua mensuração.

A forma transportável. Um conceito viaja como um pacote contendo {designação, texto da definição, delimitação em relação a conceitos vizinhos, idioma, identificador estável do conceito, número da versão, hash de conteúdo da versão, proveniência}. Os dois identificadores exercem papéis diferentes: o identificador estável do conceito carrega a linhagem e une todas as versões em um histórico contínuo; o hash de conteúdo identifica a versão individual de maneira à prova de adulterações (tamper-evident). O destinatário — seja humano, modelo de linguagem, agente de software ou controlador de robô — reconstrói o conceito desde o início, a cada recebimento, em contraponto ao seu próprio conhecimento de mundo. O mecanismo não exige espaços vetoriais compartilhados nem uma família de modelos comum; ele exige legibilidade. O Apêndice A apresenta um pacote completo.

O papel do modelo de linguagem. Nesta arquitetura, os grandes modelos de linguagem assumem o trabalho de um externalizador semântico: a partir de evidências heterogêneas, eles produzem objetos de definição explícitos, convertendo o significado latente, atrelado ao modelo, em um artefato durável e portável. A comparação mais óbvia é com um compilador; ela ilustra a função, mas não a garantia. Um compilador garante a preservação do significado entre duas linguagens formalmente especificadas; um modelo de linguagem não garante nada. A confiabilidade da externalização, portanto, não é uma propriedade presumida, mas sim uma grandeza a ser medida (Seção 7).

A proposta alinha-se, assim, à tese da mente estendida (Clark e Chalmers 1998): estados cognitivos podem situar-se fora do seu portador sempre que o meio externo estiver confiavelmente disponível, for prontamente recuperável e endossado pelo portador. A camada aqui descrita consolida essas três condições em requisitos técnicos — resolutividade duradoura, legibilidade por máquina, proveniência demonstrável — e as estende para além do indivíduo, alcançando modelos, agentes e sistemas corporificados (embodied systems).

O regresso da definição. A objeção óbvia é que o próprio texto da definição consiste em palavras que carecem de interpretação, de modo que o desvio semântico é apenas deslocado, e não removido. A objeção é válida, e a premissa deve ser enquadrada de acordo: o regresso não é dissolvido, mas encurtado e tornado auditável. Encurtado, porque uma definição reconduz uma designação a expressões mais gerais e de uso mais frequente, cuja interpretação varia menos entre destinatários heterogêneos. Auditável, porque o pacote carrega, junto com a definição, uma delimitação em relação aos conceitos vizinhos e à sua proveniência: caso um destinatário divirja, é possível identificar exatamente em que ponto. A meta não é a univocidade, mas a capacidade de localizar a equivocidade. O desvio semântico torna-se, assim, visível e negociável no nível do protocolo, em vez de permanecer silencioso.

4. O ciclo gerativo

De onde vêm os conceitos desta camada? A prática que originou este artigo pode ser descrita como um ciclo de cinco etapas.

Isolamento. Na interação humano-máquina contínua, um fenômeno recorrente e ainda sem nome emerge de um contexto difuso.

Nomeação. No trabalho dialógico, cunha-se uma expressão que circunscreve o fenômeno, seguindo os princípios do trabalho terminológico profissional: um termo, um conceito, um conceito genérico e características distintivas, além de uma delimitação frente aos vizinhos mais próximos.

Ancoragem. A expressão torna-se referenciável para ambas as partes: para a pessoa, como uma âncora cognitiva; para o modelo, como uma unidade portadora de significado. Duas vias devem ser distinguidas aqui. Hewitt et al. (2025b) demonstram a ancoragem dentro do modelo: uma palavra nova é aprendida como um embedding treinado e, assim, adquire um efeito definido de direcionamento (steering) e autoverbalização; o position paper correspondente argumenta por que o vocabulário existente é estruturalmente inadequado (Hewitt et al. 2025a). O ciclo aqui descrito adota a via complementar, fora do modelo: o conceito não é treinado no modelo, mas fornecido no contexto, juntamente com a sua definição, sem qualquer intervenção nos pesos (weights). A ancoragem treinada é a via mais profunda, porém restrita ao modelo; a definição que viaja junto com o conceito é a via mais superficial, porém portável.

Controle de versão. O conceito é incorporado ao repositório gerenciado: definição, delimitação, relações, identificador estável, marca temporal (timestamp) e versão.

Recursão. O espaço conceitual ampliado torna visíveis fenômenos que antes eram invisíveis, e o ciclo recomeça em um nível superior.

A substância do ciclo não reside na novidade de cada etapa individual, mas no seu acoplamento: apenas o controle de versão torna a nomeação auditável, apenas a auditabilidade torna o conceito apto para o consumo por máquinas, e apenas a recursão transforma conceitos individuais em um espaço conceitual crescente e gerenciado. O duplo efeito é digno de nota: o próprio ato que torna um fenômeno observável e passível de treinamento para uma pessoa amplia o espaço conceitual referenciável das máquinas envolvidas.

5. Trabalhos correlatos

A tese dialoga com diversas tradições já consolidadas. Para tornar a demarcação auditável, operacionalizamos três critérios.

M1 — A linguagem como fonte em tempo de execução (runtime). Atendido quando um artefato em linguagem natural é, em tempo de execução, a fonte normativa consultada por um executor não humano. Não atendido quando a linguagem serve meramente como dado de entrada (input).

M2 — Controle de versão por conceito. Atendido quando cada conceito individual possui um identificador de versão que pode ser incrementado de forma independente, quando cada alteração gera um registro, e quando todas as versões permanecem passíveis de resolução.

M3 — Validade transubstrato. Atendido quando o mesmo artefato é consumido de forma inalterada por pelo menos duas classes de substrato — por exemplo, uma pessoa e um modelo, ou um modelo e um controlador de robô.

Nenhuma das dez tradições examinadas preenche os três critérios; algumas atendem a dois deles parcialmente. Quatro áreas adjacentes merecem uma análise mais aprofundada, pois se aproximam mais do que a reivindicação de ineditismo julgaria confortável.

Padronização terminológica. A ISO 704 e a ISO 1087 fornecem a disciplina de definição sobre a qual esta proposta se constrói; a ISO 12620, o inventário de categorias de dados; a ISO 30042, o formato de intercâmbio legível por máquina; já a ISO 26162 abrange os sistemas de gestão terminológica, incluindo metadados de entrada e gestão de mudanças. Desde 2025, existe também um grupo de trabalho internacional dedicado à interação entre a gestão terminológica e a inteligência artificial (Khemakhem et al. 2025). Essa tradição aproxima-se de M2 mais do que qualquer outra. Restam duas diferenças: o destinatário — a comunicação humana especializada, e não a resolução em tempo de execução por um consumidor não humano — e o efeito: um banco terminológico descreve o uso, mas não governa um sistema.

Evolução de ontologias. A pesquisa sobre a evolução de ontologias desenvolveu operações de mudança no nível dos conceitos, registros de alterações (change logs) e análises de impacto (Klein e Fensel 2001; Noy e Musen 2004; Stojanovic 2004), atendendo amplamente a M2 em um contexto formal. A diferença não reside na ambição, mas no material portador: lá, esquemas formais para inferência de máquina; aqui, definições em linguagem natural que uma pessoa, um modelo de linguagem e o controlador de um robô leem da mesma maneira. M1 e M3 permanecem não atendidos; já o critério M2, nós o compartilhamos com essa tradição e o tomamos como base. A escola oposta merece menção. Na curadoria de ontologias biomédicas, mantém-se como princípio explícito que a definição de um termo deve denotar sempre o mesmo referente na realidade (OBO Foundry, Princípio 19, "Estabilidade do Significado do Termo"); quando a compreensão sobre ele muda, o identificador é marcado como obsoleto e um novo é emitido. Esse é o oposto exato da abordagem aqui proposta, na qual um conceito é uma interface versionada com um histórico contínuo. Ambas as soluções compram estabilidade, mas com moedas diferentes: aquela, ao custo da descontinuidade, já que o histórico de um conceito se fragmenta em identificadores desconexos; a que aqui se propõe, com o custo da resolução.

Semântica diacrônica. A pesquisa computacional sobre a detecção de mudanças semânticas lexicais desenvolveu procedimentos para medir deslocamentos de significado ao longo do tempo em corpora, tendo como referência uma tarefa de avaliação compartilhada (Schlechtweg et al. 2020). Trata-se da resposta mais precisa disponível para a pergunta se o significado mudou. Ela não responde, porém, o que deve ser feito quando essa mudança ocorre. A medição e a operação estão aqui assim como o diagnóstico está para a terapia.

Pactos conceituais. A psicolinguística tem demonstrado, há trinta anos, que interlocutores estabelecem designações compartilhadas para referentes recorrentes e mantêm esses pactos estáveis ao longo do tempo (Brennan e Clark 1996). Esse é o mecanismo do ciclo aqui descrito tal como se manifesta no interior da díade humana — de forma falada, não escrita, e circunscrita ao par. A proposta generaliza isso de três maneiras: ela coloca o pacto por escrito, equipa-o com um histórico de versões e, com isso, o torna transferível para parceiros que não estavam presentes na negociação — incluindo parceiros não humanos.

Uma observação marginal sobre o timing. Em 15 de abril de 2026, foi publicada uma postagem em um fórum, sem revisão por pares, que apresentava uma taxonomia de padrões de falha de interação, descrevendo-a como a camada ausente da classificação de segurança (Beyer 2026). Ela surgiu no mesmo dia em que a versão conceitual subjacente a este artigo foi publicada (Ehstand 2026a). Ambos os trabalhos surgiram de forma independente e diagnosticam a mesma lacuna, porém com focos diferentes: lá, os padrões de falha; aqui, uma camada de significado. A postagem não introduz controle de versão, tampouco propõe um protocolo. O fato de dois observadores independentes chegarem ao mesmo diagnóstico no mesmo mês não é um argumento contra a tese, mas um indício de que a lacuna já havia se tornado evidente para os profissionais da área.

O cerco industrial de agosto de 2026. Na mesma semana em que este artigo foi finalizado, o diagnóstico de que os agentes de IA carecem de uma camada de significado alcançou a indústria em ritmo acelerado: uma empresa de análise declarou as "camadas de contexto" (context layers) — uma combinação de camada semântica, grafo de conhecimento e contexto de execução — como a próxima etapa da IA corporativa (Evelson e Bandyopadhyay 2026) e, no final do mês, foram publicadas as diretrizes normativas de um grande provedor de nuvem para uma camada semântica orientada por ontologia destinada à IA baseada em agentes (agentic AI), construída com base em ontologias formais, raciocínio simbólico e grafos virtuais de conhecimento, conectada aos agentes pelos mesmos protocolos citados na Seção 1 (Simpson et al. 2026). Ambas trazem o diagnóstico; nenhuma adota o material portador deste artigo. Suas unidades são ontologias em formato de grafos e estruturas de catálogo — esquemas formais na mesma linhagem da tradição de evolução de ontologias mencionada acima —, e não objetos de definição em linguagem natural versionados por conceito, e nenhuma delas atende a M2 no nível do conceito individual. A lacuna aqui nomeada está, no momento de publicação, sendo cercada por soluções vizinhas, em vez de preenchida.

Sobre o estado da busca. A demarcação baseia-se em uma revisão não sistemática da literatura especializada, de registros de patentes e de especificações até 30 de agosto de 2026; não há a pretensão de ser exaustiva. A patente vizinha mais próxima examinada na íntegra é a US 12.367.337 B2 (Comake Inc., depositada em 20 de abril de 2023, concedida em 22 de julho de 2025), um framework de integração de dados por meio de um esquema compartilhado de substantivos e verbos; contudo, conceitos em linguagem natural versionados não são o seu objeto.

6. Estado da Implementação

A proposta não é apenas um desenho; vem sendo mantida em operação interna desde 2025 — ao passo que uma operação publicamente resolvível para além das fronteiras organizacionais continua pendente (o Apêndice A indica com precisão a peça que falta). A implementação segue uma arquitetura estritamente em cascata de três camadas. A camada semântica conhece um único objeto de intercâmbio: o pacote descrito acima. A camada de transação provê os pacotes de identificadores endereçados por conteúdo, assinaturas e cadeias de proveniência. A camada de transporte codifica esses mesmos pacotes, sem perdas, em vários formatos legíveis por máquina. Cada camada pode ser verificada de forma independente: o nível do significado nada sabe de bytes e redes; o transporte nada sabe de significados.

Sobre essa base existe um núcleo curado de cerca de 9.400 conceitos definidos bilíngues para fenômenos da interação humano-IA. Desses, 25 estão documentados segundo o conjunto completo de seis critérios de definição da ISO 704 como padrão-ouro; 400 são duplamente verificados; o restante está em validação contínua. O acervo não é certificado pela ISO — a certificação é um procedimento institucional não acessível a um programa de pesquisa independente; a descrição exata é: alinhado à ISO 704 e revisado dentro do programa. O que se conta são entradas do registro curado; números divergentes de etapas anteriores de processamento do mesmo programa — cerca de 4.400 entradas do pipeline de preparação, por exemplo, ou cerca de 7.000 nós da visão de navegação — designam objetos de contagem diferentes e não são coextensivos a esse número.

O acervo derivou de um corpus de trabalho com mais de 100.000 turnos documentados de diálogo humano-IA desde março de 2025, cerca de 40.000 deles sob elicitação estruturada, ao longo de várias famílias de modelos de diferentes fornecedores. Mudanças de conceitos dentro do núcleo gerenciado são registradas como entradas documentadas e com carimbo de data/hora; a unificação de vários acervos crescidos em paralelo em um estado de produção continuamente versionado é a etapa de trabalho ora em curso. Além disso, existem acervos multilíngues de intercâmbio no formato de intercâmbio terminológico, um grafo relacional como estrutura abrangente, interfaces locais de programação para consumidores-máquina e superfícies interativas de navegação para usuários humanos.

Este artigo descreve a face externa da arquitetura: modelo de dados, ciclo generativo, fronteiras de camadas, propriedades verificáveis. Os procedimentos internos de trabalho — heurísticas de seleção, sequências de verificação, rotinas de orquestração e validação — permanecem inéditos; divulgá-los ofereceria apropriação operacional sem nenhum ganho de compreensão. O objeto verificável, ao contrário, está aberto: o Apêndice A mostra um pacote conceitual completo.

7. Verificabilidade

A alegação de prioridade. Ela incide unicamente sobre a união de M1, M2 e M3 na forma dada na Seção 5. Uma contraprova deve atender aos três critérios em conjunto e deve ter sido publicada antes de 20 de abril de 2026 — a data da âncora criptográfica, isto é, o ponto mais antigo no tempo que este trabalho pode ele próprio comprovar. Caso tal trabalho seja apontado, retiraremos publicamente a alegação de prioridade.

A alegação substantiva. A tese afirma que transmitir o pacote completo aumenta a concordância entre destinatários heterogêneos acima do que a mera designação alcança. Ela é considerada refutada, concretamente, se o seguinte experimento for negativo. Tome pelo menos quatro destinatários de pelo menos três famílias de modelos de fornecedores diferentes, juntamente com um grupo de controle humano. Retire pelo menos 100 conceitos do acervo e gere dez juízos de uso para cada um, cujas respostas de referência foram fixadas de forma independente. Condição A: apenas a designação. Condição B: o pacote completo. O que se mede é a concordância par a par entre destinatários pelo alfa de Krippendorff. A tese exige uma melhoria de pelo menos 0,15 ponto de alfa de A para B, em um nível de significância fixado antecipadamente.

Outros testes de referência. A tese igualmente seria enfraquecida se se verificasse que o controle de versão no nível dos conceitos não produz ganho mensurável de rastreabilidade em contextos de trabalho contínuos, uma vez registrados tempos de ciclo, taxas de retrabalho e reconstruibilidade antes e depois da introdução; ou que a transferibilidade postulada entre substratos falha em fronteiras sistemáticas que não podem ser explicadas pelo estado da evidência e pelo qualificador de validade.

8. Limitações

A base empírica é um estudo longitudinal de observador único. A triangulação entre várias famílias de modelos controla o lado do modelo, não o lado humano: isolamento, nomeação, delimitação e decisões de versão remontam, do início ao fim, a um só observador. Para o conjunto padrão-ouro de 25 conceitos, existe um procedimento de revisão interno ao programa: duas instâncias cegas de avaliação, uma terceira verificação após adjudicação e registro de vereditos individuais divergentes. Não existe estudo de concordância por anotadores especialistas externos independentes para nenhuma parte do acervo. A questão de saber que parcela dos conceitos captura um fenômeno do domínio e que parcela é idiossincrasia deste observador não pode ser decidida com os dados disponíveis. Consideramos essa a lacuna aberta mais grave do trabalho, e não uma nota metodológica de rodapé. O próximo passo está definido: uma parte do acervo será submetida a dois anotadores especialistas independentes para redefinição, e a concordância será relatada, seja qual for o resultado.

Três limitações adicionais precisam ser declaradas. A alegação de validade entre substratos é, no estado atual da evidência, um requisito arquitetural, e não uma propriedade demonstrada: o que o acervo relatado evidencia é a via humano-modelo. Um controlador robótico não consome diretamente um pacote em linguagem natural; ele o recebe por meio de um componente interpretador com capacidade de linguagem que dele deriva uma representação executável. Um ensaio robótico próprio da camada ainda não foi conduzido; M3 é atendido para pessoa e modelo e postulado para as demais classes de substrato. A camada não alega gerar conhecimento desconhecido: ela representa o que pode ser inferido a partir de evidências suficientes, juntamente com incerteza e proveniência. E é executada sobre um substrato de interpretação aprendido, não formalmente especificado; sua semântica é probabilística, não demonstrável — uma propriedade estrutural que qualquer desenho de avaliação deve levar em conta.

12. The Borrowed Confidence Phenomenon

The Borrowed Confidence phenomenon refers to the act of a user deriving confidence from AI output and presenting it as personal conviction without independent verification. This act is distinct from automation bias, which relates to errors in decision-making, and overtrust in automation, which pertains to a standing disposition towards a system. Instead, The Borrowed Confidence denotes the felt self-assurance that a user experiences when adopting AI-generated content as their own, without checking its validity.

13. The Borrowed Confidence in Action

Consider the following scenario: A user interacts with a language model that generates a detailed response to a complex query. The user, impressed by the model's apparent understanding and the length of the response, adopts the generated text as their own, presenting it as their own analysis or opinion. They do not fact-check the information, nor do they critically evaluate the model's reasoning. This act of adopting AI-generated content as one's own, without verification, is an example of The Borrowed Confidence phenomenon.

14. Implications and Mitigation Strategies

The Borrowed Confidence phenomenon has significant implications for human-AI interaction, particularly in knowledge work with generative language models. It highlights the need for users to critically evaluate AI-generated content and to verify its validity before presenting it as their own.

To mitigate The Borrowed Confidence, consider the following strategies:

1. Prompts and Disclaimers: Use prompts that encourage critical evaluation of AI-generated content. Include disclaimers that remind users of the need to verify the information before presenting it as their own.

1. Transparency and Explainability: Design AI systems to be transparent and explainable. This helps users understand the reasoning behind the generated content, enabling them to make informed decisions about its validity.

1. Education and Awareness: Raise awareness among users about The Borrowed Confidence phenomenon and its implications. Provide training and resources to help users develop critical evaluation skills and understand the limitations of AI-generated content.

15. Conclusion

The Borrowed Confidence phenomenon is a crucial aspect of human-AI interaction, particularly in knowledge work with generative language models. By understanding and addressing this phenomenon, we can enhance the reliability and credibility of AI-generated content and promote more informed and responsible use of AI systems.