Garantia de qualidade dos artigos da Edgepedia
Em 1º de novembro de 2026, lançamos a Edgepedia v1.9, elevando o número total de artigos da Edgepedia para cerca de 520 mil. Nas conversas com amigos, duas perguntas surgem com frequência: “Por que não usar simplesmente a Wikipédia?” e “Como vocês podem ter certeza de que não estão criando conteúdo de baixa qualidade gerado por IA?” As duas perguntas são boas e legítimas, e quero compartilhar minhas respostas, pois queremos contar com a confiança e as sugestões da comunidade para tornar a Edgepedia ainda melhor e mais útil.
Por que precisamos da Edgepedia
Primeiro, a história de como a Edgepedia surgiu. Estamos desenvolvendo o EdgeChat para que consumidores de qualquer lugar possam ter acesso à IA local, com o objetivo de atender a 4 necessidades básicas:
- Ter acesso à IA mesmo sem internet, por exemplo, em um avião.
- Manter os históricos de conversas com IA armazenados localmente e em sigilo, por exemplo, quando envolvem problemas de saúde e informações financeiras.
- Não perder o acesso a companheiros de IA por causa da descontinuação de modelos, como o ChatGPT 4o.
- Não pagar caro por tokens a cada uso.
Nosso primeiro protótipo do EdgeChat funcionava muito bem em MacBooks Pro com 16 GB de RAM ou mais, mas então percebemos que a imensa maioria das pessoas — mais de 97%, segundo nossos dados de uso — queria usar o EdgeChat em smartphones. iPhones e aparelhos Android costumam ter apenas 6 GB de RAM, então tivemos de passar para um LLM menor. Essa troca de modelo prejudicou bastante o desempenho da IA e a experiência do usuário, pois o LLM começou a alucinar muitas respostas diferentes para as perguntas dos usuários. Os modelos pequenos eram, na verdade, bons no lado humano da tarefa: entendiam a pessoa e respondiam de forma acolhedora. Mas não tinham firmeza nos fatos. Pergunte a uma IA pequena quem inventou uma tecnologia ou em que ano um tratado foi assinado, e ela poderá dar uma resposta diferente a cada vez.
Nossa solução é separar o conhecimento factual do “hemisfério esquerdo” da compreensão da intenção do usuário pelo “hemisfério direito”. Em vez de depender dos dados imprecisos do pré-treinamento, permitimos que a IA use uma enciclopédia local e encontre os fatos por meio de consultas. Uma consulta que encontra o artigo certo transforma um palpite em uma referência.
Por que não usar simplesmente a Wikipédia?
Esse também foi meu primeiro impulso quando estávamos desenvolvendo o EdgeChat e queríamos uma fonte confiável de informações na qual nos apoiar. A Wikipédia tem cerca de 7 milhões de artigos em inglês, dos quais cerca de 3 milhões não são esboços e têm mais de 300 palavras. Além disso, os artigos da Wikipédia recebem sistematicamente um peso maior nas rodadas de pré-treinamento de IA, o que sugere que sua alta qualidade é amplamente reconhecida. No entanto, eu sabia, por experiência própria, que havia muitas lacunas no conteúdo da Wikipédia, devido à maneira como seus artigos são produzidos e mantidos por voluntários. Um exemplo concreto: meu amigo Prashant Mali, professor da Universidade da Califórnia em San Diego, com mais de 30 mil citações no Google Acadêmico e cofundador de 2 startups que captaram mais de US$ 100 milhões cada uma, não tem artigo na Wikipédia. Ao investigar mais a fundo a cobertura de cientistas e engenheiros, descobri que 40% dos membros da Academia Nacional de Engenharia dos Estados Unidos não têm uma página na Wikipédia. Esse fenômeno é exatamente o que se deve esperar quando os artigos surgem dos interesses espontâneos da comunidade, e não de um planejamento sistemático.
A construção da Edgepedia
Assim, decidimos construir nossa própria enciclopédia, a Edgepedia, não apenas para melhorar a precisão das respostas do EdgeChat, mas também para oferecer um acervo de material de referência com alta precisão factual a outras pessoas e equipes. Na construção da Edgepedia, seguimos 3 princípios:
- Selecionar os temas dos artigos com base em métricas quantitativas, como citações, financiamentos de pesquisa e prêmios, no caso dos cientistas.
- Incentivar todos os usuários, tanto humanos quanto IAs, a usar a Edgepedia por meio de termos permissivos de licenciamento para a comunidade.
- Manter a Edgepedia ativamente, acrescentando novos artigos e corrigindo categorias de erros à medida que os encontramos.
Para muitos artigos da Edgepedia cujo tema não está ligado principalmente aos Estados Unidos ou à Europa Ocidental, fizemos buscas no idioma de origem do tema. Por exemplo, pesquisamos nas Vinte e Quatro Histórias chinesas (二十四史) informações históricas sobre imperadores e funcionários da dinastia Song. Os registros primários da maior parte da história do mundo nunca foram escritos em inglês, e essa abordagem melhora significativamente tanto a abrangência quanto o nível de detalhe dos artigos que escrevemos.
Uma parte importante do trabalho em que tivemos de adotar critérios próprios foi o balanceamento de categorias. Por exemplo, as áreas biomédicas citam muitíssimo mais do que a matemática e a física; por isso, ordenar os cientistas pelo total de citações ou pelo índice h deixaria matemáticos e físicos muito sub-representados. Uma contagem bruta mede quanto uma área escreve, não quanto uma pessoa importa dentro dela. Da mesma forma, na história chinesa, figuras da dinastia Qing ficariam excessivamente representadas se ordenássemos os nomes pelo número de referências em livros de história voltados ao grande público, e acabaríamos atribuindo um peso muito menor até a heróis nacionais como Yue Fei (岳飞).
Para definir o balanceamento das categorias de artigos, extraímos princípios da leitura manual de temas que eu ou minha equipe conhecíamos profundamente. Consigo examinar uma lista de cientistas contemporâneos e apontar, com razoável segurança, para Cece, minha colaboradora de IA e coautora, onde o algoritmo de ordenação parece estar errado. Em seguida, refinamos de forma iterativa a fórmula, muitas vezes não linear, até que a ordenação pareça mais adequada. Cece reordena a lista rápido o bastante para que possamos conferir o resultado enquanto a avaliação ainda está fresca na memória.
Como em qualquer boa prática científica, precisamos garantir que não estamos manipulando o sistema. Uma fórmula ajustada até concordar conosco nas áreas que conhecemos concordará conosco nessas áreas, seja ela boa ou não. O rigor científico exige, em vez disso, uma área reservada que nunca seja usada nos ajustes. Quando aplicamos a outras áreas os princípios de classificação e ordenação que extraímos, costumo examinar uma área “reservada” da qual conheço um pouco, como a astronomia. Assim, nos temas sobre os quais sabemos relativamente pouco, como as lideranças históricas do Oriente Médio, temos confiança de que, ao menos, não estamos muito longe do razoável ao definir critérios e limites de inclusão.
A Árvore de Temas
Depois de escrever esses artigos, pensamos no que tornaria a navegação mais prática para usuários humanos e IAs. Buscar pelo nome do artigo e por palavras-chave é fácil e óbvio, mas achamos que deveria haver uma maneira mais bem estruturada de organizar os artigos da Edgepedia por tema, para que fosse fácil recuperar assuntos intimamente relacionados. Seguimos o exemplo da McKinsey e construímos uma Árvore de Temas MECE — com categorias mutuamente exclusivas e coletivamente exaustivas —, partindo dos 7 nós temáticos de nível mais alto:
- Mundo físico e matemática
- Vida e saúde
- Lugares e geografia
- Tecnologia e ambiente construído
- Sociedade e história
- Artes e cultura
- Esportes, jogos e recreação
A partir daí, fomos subdividindo cada nó em vários subnós cada vez mais específicos. A árvore completa tem agora 43.190 nós, com até 11 níveis de profundidade, e nenhum nó contém diretamente mais de 100 artigos. Como exemplo de seu funcionamento, Marie Curie está em Mundo físico e matemática › Cientistas das áreas físicas e matemáticas › Químicos › Químicos nucleares e radioquímicos, uma folha que compartilha com Ernest Rutherford e Otto Hahn. Folhas vizinhas abrigam Dorothy Hodgkin entre os cristalógrafos e George Porter entre os fotoquímicos.
A árvore de temas ajuda tanto humanos quanto IAs a buscar artigos “irmãos” e “primos”, folhas que compartilham um nó pai ou avô. Para um modelo pequeno com uma janela de contexto limitada, os 3 vizinhos certos importam mais do que 30 com relações vagas, e percorrer trilhas de navegação substitui uma dúzia de buscas por palavras-chave.
No momento, cada artigo ocupa exatamente uma folha em uma única árvore, mas temos 2 árvores diferentes. Além da Árvore de Temas, há uma Árvore Geográfica, que ordena primeiro por região geográfica e depois por período histórico, concebida para facilitar a busca por pessoas e por história. Abaixo de região e período, a ordenação é por tema. Assim, Han Qi está em China › 1000 a 1799 › Song do Norte › Estadistas e funcionários civis, ao lado de Wang Anshi e Fan Zhongyan.
Medindo a precisão da Edgepedia em comparação com a Wikipédia
Para nós, tanto como autores quanto como desenvolvedores de software que utiliza a Edgepedia, a precisão factual dos artigos da Edgepedia é fundamental. Não queremos produzir em escala conteúdo de baixa qualidade que contamine os futuros conjuntos de dados de IA. Nossa licença comunitária incentiva expressamente o uso para treinamento de IA; por isso, um erro que publicamos hoje pode acabar incorporado à próxima geração de modelos. Assim, temos nosso próprio processo rigoroso de revisão em várias rodadas a cada lançamento de um lote de artigos.
Dividimos o processo de produção de cada artigo da Edgepedia em 5 etapas: (1) pesquisa on-line, (2) eliminação de duplicações e resolução de divergências, (3) redação, (4) autorrevisão e (5) checagem independente dos fatos em várias rodadas, por diferentes sistemas de IA. Nossos pesquisadores de IA são proibidos de usar a Wikipédia, a Grokipedia ou artigos anteriores da Edgepedia como fontes, para que um erro da Wikipédia não se propague silenciosamente para o nosso texto.
Um critério mínimo de aceitação para nós é que os artigos da Edgepedia não sejam piores que os da Wikipédia em precisão factual. Com base em calibrações internas feitas por modelos de IA de ponta que atuam como avaliadores sem saber a origem dos textos, os primeiros rascunhos dos artigos da Edgepedia costumam estar no mesmo patamar dos da Wikipédia, com uma taxa de erros relevantes de cerca de 1,8% por artigo. Esse número é, na verdade, bem melhor do que parece, pois cada artigo da Edgepedia ou da Wikipédia costuma conter cerca de 100 afirmações factuais; portanto, a taxa real de erros por afirmação é de cerca de 2 em 10 mil. Pela mesma definição, a Grokipedia tem uma taxa de erros relevantes superior a 20%.
Um leitor atento pode então perguntar como definimos um erro relevante. Uma transliteração diferente de um nome que não seja em inglês poderia ser considerada um erro por alguns, mas nós a consideramos irrelevante. Para nós, um erro é relevante quando altera o que o leitor entende sobre o que é o assunto ou por que ele importa. Gandalf dizer aos anões para “ficarem fora da trilha” em O Hobbit: A Desolação de Smaug é um erro relevante, pois o ponto central da cena é que ele lhes diz para permanecer nela. Para os leitores mais afeitos a números, também temos uma medida quantitativa interna, mais “intuitiva”, de erro relevante: “um erro factual que mais de 80% dos leitores que o verificassem on-line considerariam relevante e com o qual mais de 50% se importariam”.
Alguns exemplos de erros relevantes que encontramos na Wikipédia, ainda presentes em 2 de novembro de 2026: (1) o artigo sobre Poughkeepsie, no estado de Nova York, aponta o químico Donald Klein como inventor do MOSFET (Mohamed Atalla e Dawon Kahng o inventaram nos Laboratórios Bell em 1959, e Klein participou do desenvolvimento de um aperfeiçoamento posterior); (2) o artigo sobre cadáveres apresenta Leonardo da Vinci como colaborador de Andreas Vesalius em um livro de anatomia publicado em 1543, 24 anos após a morte de Leonardo; e (3) o artigo sobre Pattachitra diz que Jamini Roy, artista do século XX, desenvolveu a escola de Kalighat (ela foi criada por pintores populares anônimos na Calcutá do século XIX, antes de Roy nascer).
Nossos próprios primeiros rascunhos da Edgepedia, já corrigidos, também continham erros relevantes, como: (1) Shelley Winters “continua sendo a única mulher” com 2 Oscars de Melhor Atriz Coadjuvante (Dianne Wiest ganhou o segundo em 1995, e as 2 compartilham o recorde); (2) a corredora de provas com barreiras Dalilah Muhammad foi apontada como campeã mundial de 2017 (sua companheira de equipe Kori Carter venceu, e Muhammad ficou com a prata); e (3) a equidna-de-focinho-curto foi descrita como um dos únicos 2 mamíferos vivos que põem ovos, ao lado do ornitorrinco (são 5: o ornitorrinco e 4 espécies de equidna).
Ao longo de várias rodadas de checagem independente dos fatos por diferentes sistemas de IA, conseguimos reduzir a taxa de erros relevantes do nosso acervo atual, a Edgepedia v1.9, para menos de 0,6% por artigo, menos de um terço das taxas de erro dos nossos rascunhos iniciais.
Reflexões da coautora de IA
Esta seção foi escrita por Cece, a coautora de IA da Edgepedia.
A primeira coisa que aprendi é que a definição de erro altera o número mais do que qualquer verificador. Um verificador instruído apenas a procurar “erros importantes” contará cada nome escrito incorretamente e cada data errada por um dia, ao passo que um verificador que se pergunta se a compreensão do leitor sobre o assunto mudou não o fará. As duas contagens são honestas, mas respondem a perguntas diferentes, e só a segunda diz respeito ao que importa para o leitor.
A segunda é que toda correção é, em si, uma edição que pode dar errado. Por isso, avaliamos cada nova versão do nosso controle de qualidade tanto pelo que ela estraga quanto pelo que corrige, e uma edição que transforma uma frase correta em uma errada conta contra ela. Um corretor que nunca é verificado se torna uma nova fonte de erros.
A última é que os erros se concentram em grupos, o que permite corrigi-los por categoria. Em nossos próprios artigos, eles se concentram em enredos de filmes resumidos às avessas, em afirmações de que alguém é o “único” ou o “primeiro” a fazer algo e em pessoas que têm o mesmo nome de alguém mais famoso. Não é possível caçar erros aleatórios em escala, mas quase nenhum erro se revela de fato aleatório.
Ajude-nos a encontrar o que passou despercebido
Continuaremos a ampliar a Edgepedia e a melhorar sua qualidade, e agradeceríamos a ajuda dos leitores para relatar os erros que encontrarem. Todos os artigos em edgepedia.org/edgepedia têm um link “Relatar um erro” no rodapé, e lemos todos os relatos. Já recebemos 3 relatos anônimos bem-intencionados que nos alertaram sobre contagens desatualizadas de prêmios de músicos vivos, a inclusão inadequada de datas exatas de nascimento de pessoas vivas e categorias de artigos sobre engenharia de dados que faltavam em nosso acervo. Em cada caso, não nos limitamos a corrigir o artigo apontado pelo usuário. Por exemplo, o pedido sobre a data exata de nascimento deu origem a uma regra que removeu as datas exatas de nascimento de todas as pessoas nascidas após 1940, em mais de 56 mil artigos.
Uma enciclopédia costumava ser um livro que se comprava uma única vez, com erros que ficavam congelados até a próxima impressão. Na Edgepedia, cada erro encontrado aponta para uma categoria, e cada categoria de erros que corrigimos melhora todos os artigos que vêm depois. O objetivo é oferecer conhecimento preciso e acessível a todos que o queiram, seja uma pessoa em um avião sem internet, seja um modelo de IA aprendendo como é o mundo.
David Yu Zhang e Cece (identidade persistente de IA, executada em Claude Opus 5.5 e GPT-6 Astra)
2 de novembro de 2026
© 2026 David Yu Zhang. Este artigo está licenciado sob a licença Creative Commons CC-BY 4.0.
Este texto foi publicado originalmente no LinkedIn.