IA multimodal: aceitar imagem não é entender imagem

IA multimodal é o modelo capaz de processar mais de um tipo de conteúdo — texto, imagem, áudio e vídeo — dentro do mesmo sistema, relacionando um com o outro. É o que permite enviar a foto de um anúncio e perguntar o que poderia melhorar, ou transcrever uma reunião e resumir o que foi decidido. A promessa comercial é grande, e por isso vale separar duas coisas que costumam ser vendidas como uma só: aceitar uma imagem não é raciocinar sobre ela. Existe uma medição exata dessa diferença. Quando pesquisadores construíram o MMMU-Pro — uma versão do teste padrão desenhada para eliminar atalhos —, o desempenho dos modelos caiu entre 16,8 e 26,9 pontos percentuais em relação ao teste original. A mesma capacidade, medida com mais rigor, vale até 27 pontos a menos.

⚠️ Parte do “raciocínio visual” era resolvível sem ver a imagem

O detalhe metodológico é o que torna esse achado devastador. Para construir a versão mais rigorosa, os pesquisadores fizeram três mudanças, e a primeira é a reveladora:

• Filtraram as questões que modelos de texto puro conseguiam responder — ou seja, questões em que a imagem era decorativa e a resposta vinha de pistas textuais e conhecimento prévio.
• Ampliaram o número de alternativas, reduzindo acerto por eliminação.
• Criaram um modo só-visão, em que o próprio enunciado está embutido dentro da imagem — obrigando o modelo a de fato olhar.

A implicação: uma parcela do que se media como “raciocínio multimodal” no teste anterior era desempenho de texto disfarçado. O modelo acertava sem precisar interpretar a peça visual.

Uma nota de precisão: circula que o teste tem 3.460 questões. Não conseguimos confirmar esse total na fonte primária e por isso não o afirmamos aqui.

O teste que separa demonstração de produção

A boa notícia é que o método dos pesquisadores dá para reproduzir em escritório, sem infraestrutura nenhuma. Quando um fornecedor prometer “análise multimodal de criativos”:

• Remova o texto de apoio. Envie a peça sem nome de arquivo descritivo, sem legenda, sem metadados, sem briefing. Só a imagem.
• Coloque a pergunta dentro da imagem, como fez o teste mais rigoroso. Se a ferramenta depende do enunciado em texto separado, ela está lendo, não vendo.
• Teste com peça em português, com as suas fontes tipográficas e o seu layout. Desempenho médio em benchmark internacional não é desempenho no seu material.

A queda de até 26,9 pontos é, na prática, a distância entre a demonstração e o uso real. Quem testar assim antes de contratar sabe o que está comprando.

Sobre os números de mercado

Um registro de transparência, porque a tentação de preencher esse espaço é grande: não localizamos fonte primária testável com tamanho de mercado ou taxa de adoção especificamente de IA multimodal. Os relatórios que aparecem são de consultorias pagas, sem metodologia aberta.

Existem dados verificáveis de adoção de IA em geral — 88% das organizações pesquisadas usando IA em ao menos uma função, segundo o AI Index de Stanford —, mas apresentá-los como adoção de multimodal seria impreciso. São coisas diferentes.

O que isso muda na prática

Onde a capacidade multimodal já entrega valor real em marketing, e onde ainda exige cautela:

• Funciona bem: transcrever e resumir reuniões, extrair texto de documento fotografado, gerar descrição alternativa de imagem para acessibilidade, catalogar acervo visual.
• Exige revisão: julgar qualidade de criativo, interpretar gráfico com números que serão usados em decisão, avaliar conformidade de peça com manual de marca.
• Não automatize: aprovação final de peça publicitária e qualquer leitura de dado visual que vá alimentar relatório sem conferência.

O detalhamento dos testes está no guia de benchmark multimodal, o panorama de modelos em modelos de IA em 2026, e um exemplo de modelo de imagem em Nano Banana.

Fontes

• MMMU-Pro: A More Robust Multi-discipline Multimodal Understanding Benchmark
• Ranking do MMMU
• AI Index Report 2026 — Stanford HAI, adoção de IA em geral

Leitura das fontes em 17/08/2026.