Junto com o fluxo de capital que entra na IA, existe uma longa e em grande parte não resolvida lista de obstáculos reais para a adoção em massa. Entre eles — a contaminação recursiva de dados. Grandes modelos de linguagem geram enormes volumes de conteúdo, que depois são usados como material de treino para a próxima geração de modelos. Erros e alucinações aumentam a cada ciclo. Isso lembra uma cópia múltipla de uma cópia: a qualidade diminui continuamente, e no final é impossível determinar qual foi a fonte original. A indústria já recorre a dados sintéticos para compensar a escassez de conteúdo humano de qualidade — no entanto, isso corre o risco de acelerar a degradação, e não de eliminá-la. Ainda mais grave é o problema da contaminação de dados. Malfeitores podem intencionalmente distorcer o conjunto de dados de treino, e um “vírus” inserido permanece na modelo para sempre. Especialmente perigoso é o cenário militar: uma IA treinada para reconhecer seus e os inimigos com base em dados comprometidos só descobrirá uma vulnerabilidade oculta no auge de um conflito real. Está documentado que, para contaminar modelos de linguagem de qualquer tamanho, basta apenas 250 documentos maliciosos — isso torna os ataques aos dados de treino uma ameaça não hipotética, mas uma questão bastante atual de cibersegurança.