4. $R_s$ Não-Estacionário: O Protocolo de Estabilização

Das seis objeções nucleares reunidas das cinco revisões adversariais, cinco encontraram, ao longo deste artigo, uma resolução — parcial, por reformulação, ou por delimitação explícita do que fica deliberadamente por resolver. Uma permanece genuinamente aberta: a estimabilidade de $R_s$ para um sistema de IA não-estacionário. Esta secção não a fecha — mas propõe um protocolo de estabilização que a torna tratável. Tanto quanto a pesquisa conduzida para esta trilogia permite afirmar, esta é a primeira operacionalização que liga explicitamente o protocolo de estimação de $R_s$ à literatura de monitorização de concept drift em sistemas de aprendizagem automática em produção — duas tradições maduras que, apesar de tratarem essencialmente do mesmo problema por vocabulários diferentes, não encontrei combinadas em nenhuma das fontes verificadas ao longo deste projeto. A contribuição não é descobrir que modelos mudam com o tempo, o que já é bem estabelecido em ambas as literaturas; é a operacionalização concreta de $R_s(t)$ com ancoragem por versão, invariância semântica, e testes de paráfrase.

4.1. O Problema, com Precisão

$R_s$, na formulação clássica de Hammond, mede a consistência da política de resposta do agente — a correlação múltipla entre as pistas e o julgamento produzido, através de repetições ou de configurações equivalentes de pistas. A definição pressupõe uma política estável ao longo da janela de estimação. Para um sistema de IA contemporâneo, esta pressuposição falha por construção, não por acidente, e falha de pelo menos três formas distintas que é preciso separar antes de qualquer protocolo fazer sentido.

Primeiro, a decodificação estocástica mistura fontes de variância que a LME não distingue. Com temperatura $T > 0$, a mesma configuração de pistas produz saídas diferentes em repetições sucessivas; o $R_s$ estimado nessas condições é uma mistura de inconsistência genuína da política, ruído de amostragem, deriva intra-contexto, sensibilidade ao prompt, efeitos de guardrails, e alterações de versão — e a equação, tal como está, não separa estas fontes; todas afluem para o mesmo número.

Segundo, o problema de um único output por caso torna esta mistura irresolúvel sem desenho de medição adicional. Na esmagadora maioria das aplicações reais existe uma única saída por caso. Com apenas uma observação, é impossível distinguir uma política estável com saída ruidosa de uma política genuinamente inconsistente; separar estas duas hipóteses exigiria repetir a saída para o mesmo caso, e nesse momento deixa de se estimar uma propriedade estável de um "juiz" e passa a estimar-se a distribuição de resposta de todo o stack sociotécnico — modelo, prompt, recuperação de contexto, guardrails, decodificação, e versão em conjunto.

Terceiro, a arbitrariedade do conjunto de pistas ameaça a própria legitimidade da estimação. Para um sistema baseado em LLM, as pistas relevantes não são características de entrada transparentes — são representações latentes de alta dimensão de todo o contexto. Um conjunto de pistas imposto pelo investigador, de baixa dimensão e escolhido por conveniência de análise, é uma reificação; $R_s$, $G$, e $C$ estimados contra esse conjunto arbitrário medem consistência em relação àquele conjunto, não a utilização real de pistas pelo modelo — o que constitui, em rigor, uma violação do próprio princípio de representative design de Brunswik que dá à LME a sua legitimidade metodológica original.

Nenhum destes três problemas se resolve isoladamente. O protocolo que se segue ataca-os em conjunto, sem pretender eliminá-los por completo.

4.2. Ancoragem por Versão: $R_s(t)$ como Série Temporal, Não como Escalar

A literatura de concept drift em aprendizagem automática — sistematizada na revisão de referência de Gama, Žliobaitė, Bifet, Pechenizkiy e Bouchachia (2014) — parte precisamente do mesmo pressuposto que aqui falha: um modelo treinado assume implicitamente que o processo gerador de dados permanece estável ao longo do tempo, e quando essa assunção quebra, o desempenho degrada-se silenciosamente, sem erro óbvio. A prática corrente de monitorização em produção responde a isto não com uma medida única de qualidade, mas com uma linha de base fixada num período de referência, contra a qual lotes subsequentes de observações são avaliados, e com um registo de proveniência que liga cada versão do modelo aos dados, características, e parâmetros que a definem.

A proposta deste artigo é aplicar exatamente esta lógica a $R_s$: não como um escalar único, estimado uma vez e assumido válido indefinidamente, mas como uma série $R_s(t)$, indexada por época de deployment — um intervalo em que modelo, prompt, ferramentas, e políticas de decisão se mantêm fixos por desenho, não por acidente. Uma alteração em qualquer um destes elementos fecha uma época e abre a seguinte; $R_s$ é reestimado dentro de cada época, nunca através de fronteiras de época sem correção explícita.

O modelo de deployment dedicado por cliente que já caracteriza o Argus é, aqui, uma vantagem estrutural, não uma coincidência conveniente: um sistema multi-tenant, partilhado entre clientes com atualizações contínuas e versões potencialmente distintas por utilizador, dificulta precisamente a definição de fronteiras de época limpas que este protocolo exige. Um deployment por cliente, com controlo de versão explícito, fornece essa rastreabilidade por construção.

4.3. Consistência no Espaço de Representação, Não na Superfície Textual

O segundo elemento do protocolo responde a uma objeção específica: duas respostas podem usar palavras diferentes e constituir exatamente a mesma decisão; duas respostas semanticamente semelhantes podem, inversamente, conter recomendações operacionalmente diferentes. Medir $R_s$ sobre o texto de superfície confunde estas duas situações.

O Double Machine Learning Lens Model de Li e Biesanz (2026), já introduzido na Secção 0, oferece o caminho metodológico quando o número de pistas potenciais excede largamente o número de casos observados, ou quando as próprias pistas são representações latentes de alta dimensão — em vez de definir pistas e respostas sobre texto bruto, a decomposição da LME é estimada sobre embeddings, combinada com double machine learning e ortogonalização de Neyman. Em domínios com sensores numericamente observáveis e dimensionalidade moderada — mais comuns nalgumas tarefas AI-IoT do que em contextos puramente linguísticos —, métodos de redução de dimensionalidade, seleção de características, ou regularização clássica podem ser suficientes, sem exigir o aparelho completo do DML-LM. Em ambos os casos, o princípio é o mesmo: medir a consistência no espaço de representação da decisão, não no espaço de tokens gerados ou de leituras brutas de sensores. Isto não elimina a arbitrariedade apontada na Secção 4.1 (a escolha de representação, camada, ou método de agregação continua a ser uma decisão do investigador), mas reduz-na substancialmente face à alternativa de comparar texto ou dados literais.

4.4. Teste de Invariância a Paráfrase: o Mecanismo de Medição Concreto

Os dois elementos anteriores definem quando e sobre que espaço medir $R_s$; falta o mecanismo concreto para o medir sem cair na mistura de fontes de variância já identificada. Aqui, o protocolo importa diretamente uma tradição já madura e amplamente citada na avaliação comportamental de modelos de linguagem: os testes de invariância de Ribeiro, Wu, Guestrin e Singh (2020), no seu framework CheckList — perturbações do input que preservam o significado, sob as quais a previsão do modelo deve manter-se estável — e o trabalho anterior dos mesmos autores, especificamente sobre consistência de modelos de resposta a perguntas (Ribeiro, Guestrin & Singh, 2019).

Aplicado a este contexto: para uma amostra de casos, apresenta-se ao sistema múltiplas reformulações semanticamente equivalentes do mesmo conjunto de pistas — a mesma leitura de sensores descrita por ordens diferentes, a mesma anomalia relatada com vocabulário técnico distinto mas equivalente, o mesmo contexto apresentado com pequenas variações de formatação — e mede-se a estabilidade da decisão resultante no espaço de representação já definido na Secção 4.3, não a estabilidade do texto literal produzido. As paráfrases não devem ser apenas variações sintáticas convenientes; devem cobrir regimes operacionais, modos de falha, ordens de apresentação, vocabulário técnico, e contextos de uso que o sistema efetivamente enfrenta na prática. Um conjunto de paráfrases restrito ou artificialmente limpo pode inflacionar $R_s(t)$ sem corresponder a estabilidade real em condições operacionais — a mesma exigência de representative design já identificada como limite estrutural na Secção 4.1 reaparece aqui como requisito de desenho do próprio teste, não apenas como limitação teórica a reconhecer.

Este mecanismo tem, por isso, duas funções distintas, que vale a pena separar explicitamente. A primeira é diagnóstica: medir a estabilidade da política face a reformulações semanticamente equivalentes, isolando melhor a componente de política genuína do que uma simples repetição do mesmo prompt literal a temperatura positiva permitiria — essa alternativa devolveria exatamente a mistura de ruído que a Secção 4.1 identificou como problemática. A segunda é proteção contra gamificação: uma política que é apenas deterministicamente repetitiva perante o prompt exato, mas não genuinamente estável perante reformulações semanticamente equivalentes, falha um teste de invariância a paráfrase mesmo com decodificação determinística. $R_s$ deixa, assim, de ser gamificável por um único parâmetro de configuração — a consistência passa a exigir estabilidade semântica, não apenas repetição superficial.

4.5. Resolvendo — Parcialmente — o Problema do Único Output

O teste de invariância a paráfrase é, também, a resposta parcial ao segundo problema da Secção 4.1: ao apresentar múltiplas reformulações do mesmo caso subjacente, converte-se uma única observação por caso numa pequena amostra de observações relacionadas, suficiente para começar a separar variância de política de variância de superfície — sem alegar que a separação seja completa ou automática. Vale a pena notar a simetria com o problema análogo já identificado no lado humano da cadeia: a Secção 3.4 do Artigo 4 já reconheceu que intervenções humanas em humano-sobre-o-loop são raras e sistematicamente selecionadas, exigindo cenários simulados, casos históricos reavaliados, ou testes em modo sombra para uma medição não enviesada da política de recuperação do supervisor. O problema do lado da IA é estruturalmente o mesmo problema de desenho de medição, e a solução é da mesma família: nenhum dos dois lados da cadeia pode ser auditado apenas com registos operacionais correntes; ambos exigem sondas deliberadas, construídas para o efeito, não apenas observação passiva do que já ocorre naturalmente.

4.6. O Que Este Protocolo Não Resolve

Duas limitações honestas fecham esta secção, na mesma disciplina que já é assinatura desta trilogia. Primeiro, a violação do representative design de Brunswik, identificada na Secção 4.1, não desaparece — apenas se desloca. Trabalhar no espaço de representação em vez de texto ou dados de superfície continua a exigir escolhas do investigador que podem não corresponder exatamente às pistas que o sistema efetivamente utiliza para decidir. O protocolo reduz a arbitrariedade; não a elimina.

Segundo, e mais fundamentalmente: mesmo uma série $R_s(t)$ bem estimada, época a época, continua a ser uma sucessão de instantâneos quase-estáticos — uma fotografia da consistência em cada intervalo, não o relato genuinamente dinâmico que Scholten, Schumacher e Kelber (2026) exigem quando argumentam que a LME clássica ignora a mediação vicariante e a dinâmica temporal de julgamentos sequenciais. $R_s(t)$ é um primeiro passo em direção a essa dinâmica — trata a consistência como algo que pode mudar ao longo do tempo, em vez de a assumir fixa — mas não modela o próprio processo de ajustamento cognitivo ou operacional entre épocas, apenas a diferença entre pontos discretos dessa trajetória. Esta limitação ecoa, e não resolve, o mesmo temporal aliasing que atravessa toda esta trilogia desde o Artigo 2: um protocolo de auditoria medido em época, tal como uma supervisão humana medida em ciclos de revisão, pode continuar a operar a uma cadência mais lenta do que a do próprio sistema que audita.

4.7. Ilustração: Argus

Para a tarefa de deteção de anomalia térmica, já classificada como próxima do polo analítico (Artigo 3) e associada a autonomia humana assistida ou humano-sobre-o-loop com recuperabilidade elevada (Artigo 4): uma época de deployment fecha-se sempre que o modelo de deteção, os limiares de alerta, ou o formato do relatório mudam; dentro de cada época, um conjunto de casos de validação — leituras térmicas históricas, com variações controladas de formatação e ordem de apresentação dos sensores — é reapresentado periodicamente ao sistema, e a consistência da classificação de risco resultante, medida no espaço de representação da decisão — por exemplo, o score de risco, a classe de severidade, ou o vetor de probabilidades sobre modos de falha —, constitui $R_s(t)$ para essa época. Uma queda abrupta neste valor, não explicada por uma mudança de época documentada, é o sinal de auditoria que dispara revisão.

Para a previsão de falha de rolamento por vibração, já classificada como quasirracional e associada a maior cautela arquitetural: o mesmo protocolo aplica-se, mas com uma exigência adicional — dado que esta tarefa envolve mais pistas, maior redundância entre sensores, e múltiplos modos de falha, o conjunto de casos de validação usado para o teste de invariância a paráfrase tem de cobrir explicitamente os diferentes modos de falha separadamente, não apenas uma amostra agregada de "vibração anómala". Aqui, a estabilidade da recomendação de ação — por exemplo, a classe de manutenção sugerida, a urgência estimada, ou o vetor de pesos sobre modos de falha — medida no espaço de representação da decisão, constitui $R_s(t)$ para essa época, ecoando a exigência, já estabelecida no Artigo 3, de que a ponderação das pistas deve ser classificada por modo de falha, não por ativo industrial em abstrato.