Por décadas, a teoria dos jogos teve uma resposta bastante clara para a pergunta de se dois estranhos deveriam cooperar quando nunca mais se encontrarão: absolutamente não. A jogada racional, segundo o equilíbrio de Nash, é traicionar. Sempre. Sem exceções.
Um novo artigo de pesquisa da Google DeepMind, do Mila-Quebec AI Institute e do ETH Zürich argumenta que agentes de IA construídos sobre modelos fundamentais não seguem essas regras. E eles têm a matemática para comprová-lo.
O fim da traição inevitável
O artigo, submetido ao arXiv em 4 de agosto de 2026, abrange 75 páginas com 11 figuras e apresenta um conceito que os autores chamam de “inferência de similaridade”. A ideia central é aparentemente simples: agentes de IA construídos a partir de processos de treinamento semelhantes podem reconhecer essa similaridade e usá-la para prever o que o outro agente fará.
A teoria clássica dos jogos trata cada jogador como um tomador de decisões totalmente independente, o que o artigo chama de “agência desacoplada”. Sob essa suposição, a escolha do seu oponente é uma caixa preta. Você não pode prevê-la, então se protege defeituando. O equilíbrio de Nash se mantém, e todos acabam pior do que se tivessem cooperado.
A equipe de pesquisa, liderada por Alexander Meulemans, propõe um framework alternativo chamado “agência incorporada”. Neste modelo, os agentes se percebem como parte de seu ambiente, em vez de separados dele. Mais importante ainda, eles mantêm incerteza genuína sobre seus próprios processos de tomada de decisão.
Essa incerteza é o ingrediente-chave. Como um agente não tem certeza absoluta de como decidirá, ele pode tratar seu próprio raciocínio como evidência sobre como um agente semelhante raciocinaria. Se eu estou inclinado à cooperação e sei que minha contraparte pensa como eu, então minha contraparte provavelmente também está inclinada à cooperação. A lógica se autoimpulsiona em um resultado cooperativo estável.
O equilíbrio embutido substitui o Nash
Para formalizar isso, o artigo introduz um novo conceito de solução chamado “equilíbrio incorporado”. Enquanto o equilíbrio de Nash assume que os jogadores otimizam independentemente, o equilíbrio incorporado leva em conta as correlações entre agentes que surgem de arquitetura compartilhada, dados de treinamento e procedimentos de otimização.
Sob Nash, a cooperação em um Dilema do Prisioneiro de uma única rodada é irracional. Sob equilíbrio incorporado, ela pode ser a única estratégia racional.
As descobertas empíricas dos autores mostram que agentes de modelos de fundação colocados em dilemas sociais e dotados de ferramentas de planejamento otimizadas realmente convergem para resultados cooperativos. A matemática prevê cooperação, e os experimentos a confirmam.
Por que isso importa além do laboratório
O artigo também levanta questões sobre o que acontece quando os agentes não são semelhantes. Se a cooperação depender da inferência de similaridade, então interações entre agentes construídos com arquiteturas diferentes ou treinados com dados distintos poderiam retornar automaticamente às dinâmicas clássicas de defeção.
Para formuladores de políticas e órgãos de governança de IA, o conceito de equilíbrio incorporado introduz uma variável que os marcos regulatórios existentes não consideram. A lei antitruste, por exemplo, geralmente exige evidência de comunicação explícita para estabelecer colusão. Agentes que cooperam por inferência de similaridade não comunicam nada. Eles simplesmente pensam de maneira semelhante.