Em 27 de julho de 2026, um preprint apareceu com a prova de um problema que estava aberto havia 22 anos. O autor não é matemático profissional: Shanmu Jin é residente de neurocirurgia no Hospital do Peking Union Medical College, em Pequim. Graduou-se em geologia. A matemática além do básico, segundo ele mesmo, foi autodidata — começou a estudar por causa de uma pesquisa com ultrassom transcraniano.
O argumento decisivo não saiu de uma conversa com o ChatGPT. Saiu de uma rodada autônoma de cerca de 16 horas do GPT-5.6 Sol, que Jin iniciou e não interrompeu nenhuma vez.
Michel Crouzeix, o matemático francês que formulou a conjectura em 2004, verificou o manuscrito a fundo junto com Alex Townsend e Anne Greenbaum. Os três consideram a prova correta.
A história virou manchete pelo lado óbvio — "IA resolve problema que humanos não resolviam". Mas o que interessa a quem usa IA para trabalhar está em outro lugar: no desenho do processo. E essa parte é copiável.
Por que 22 anos
A conjectura de Crouzeix é um problema de análise matricial. Em 2007 o próprio autor provou que uma certa constante — 11,08 — sempre funciona. Em 2017, com Palencia, o limite caiu para 1 + √2. Provar que o valor exato é 2, o que a conjectura afirma, resistiu a duas décadas de tentativas de especialistas em tempo integral.
Guarde esse detalhe: não era um problema obscuro à espera de alguém olhar. Era um problema conhecido, atacado por gente competente, sem solução.
O que ele fez diferente: o prompt
Jin partiu de um prompt que a OpenAI havia usado em outra conjectura, a do Cycle Double Cover, e adaptou. O desenho tinha quatro decisões que explicam o resultado:
- Cortou o acesso à web. O sistema foi proibido de consultar a internet e contextos externos. Se a resposta não podia ser pesquisada, tinha que ser construída.
- Mandou criar vários subagentes concorrentes, cada um desenvolvendo uma estratégia de prova diferente, de forma independente.
- Proibiu a convergência precoce. A instrução era explícita: os subagentes não podiam correr todos para a mesma ideia atraente. Em problema difícil, o caminho óbvio já foi tentado por todo mundo — e falhou.
- Exigiu auditoria adversarial. Cada candidato a prova era atacado até que um sobrevivesse à verificação.
Repare no que não está na lista: nada disso é sobre ter acesso a um modelo melhor. É sobre não deixar a IA fazer o que ela faz por padrão — que é produzir rápido a resposta mais plausível e parar por aí.
O repositório público inclui o prompt usado, os manuscritos sucessivos, uma formalização em Lean e uma auditoria de axiomas. O método foi publicado junto com o resultado.
O que a IA não fez
Esta parte costuma sumir do resumo, e é a mais importante para quem vai tentar repetir a receita.
A rodada autônoma produziu um resultado. Foi o humano que precisou reconhecer que aquele resultado era relevante, convertê-lo em uma prova coerente e assinar embaixo, assumindo responsabilidade pelo manuscrito. Uma pessoa sem a base matemática que Jin construiu sozinho teria olhado a mesma saída de 16 horas sem saber que ali havia algo.
Vale também o ceticismo devido: o trabalho continua sendo um preprint não revisado por pares. Foi examinado por especialistas de peso, inclusive o autor original da conjectura, mas ainda não passou pelo processo formal da comunidade matemática.
E há um detalhe que relativiza o feito sem diminuí-lo: oito dias depois do preprint de Jin, Emiel Lorist e Felix Schwenninger publicaram uma prova independente, de apenas cinco páginas e com argumento diferente — também apoiados no ChatGPT 5.6. Ou seja, o problema estava maduro e a ferramenta ajudou mais de um grupo ao mesmo tempo.
Como levar isso para a sua empresa
Você provavelmente não tem uma conjectura de análise matricial na mesa. Mas tem problemas que ninguém resolveu: um processo que trava sempre no mesmo ponto, uma proposta que não fecha, um sistema que ninguém entende direito.
O jeito como quase todo mundo usa IA para isso é pedir a resposta e aceitar a primeira que vier. O método que funcionou aqui é o oposto:
- Peça caminhos diferentes, não a melhor resposta. "Me dê quatro abordagens que não se pareçam entre si" rende mais que "qual a melhor forma de fazer isso".
- Bloqueie o atalho. Se o problema tem uma resposta padrão que já falhou na sua empresa, diga isso e proíba a IA de propô-la.
- Mande atacar a própria resposta. "Agora encontre os três motivos pelos quais isso vai falhar" separa ideia boa de ideia bonita.
- Dê tempo ao processo. Dezesseis horas de exploração não é o mesmo que dezesseis perguntas. Rodada longa e sem interrupção é um formato diferente de uso.
- Mantenha alguém que entende do assunto no fim da linha. Sem esse alguém, você não distingue o resultado bom do texto convincente — e é aí que a maioria dos projetos de IA nas empresas se perde.
O resumo honesto
O que aconteceu não foi "a IA ficou mais inteligente". O modelo estava disponível para qualquer assinante. O que mudou o resultado foi um médico autodidata desenhar um processo que forçou a máquina a discordar de si mesma por 16 horas, e ter conhecimento suficiente para reconhecer o que voltou.
A parte replicável dessa história não é o problema resolvido. É o método — e ele está publicado.
Fatos apurados a partir do ensaio de Alex Townsend para a SIAM News, da cobertura do South China Morning Post, da Yicai e do noticiário de tecnologia de agosto de 2026. O manuscrito de Jin permanece como preprint não revisado por pares.
Perguntas frequentes
O que foi a conjectura de Crouzeix e por que ela era difícil?
É um problema de análise matricial formulado por Michel Crouzeix em 2004. O próprio autor provou em 2007 que uma constante de 11,08 sempre funciona e, em 2017, com Palencia, reduziu o limite a 1 + √2. Provar que o valor exato é 2 resistiu a 22 anos de tentativas de especialistas em tempo integral — não era um problema obscuro, era um problema conhecido e atacado.
A inteligência artificial resolveu o problema sozinha?
Não. A rodada autônoma de cerca de 16 horas do GPT-5.6 Sol produziu o resultado-chave, mas coube ao humano reconhecer que aquele resultado era relevante, convertê-lo em prova coerente e assumir responsabilidade pelo manuscrito. Sem a base matemática que Shanmu Jin construiu por conta própria, a mesma saída passaria despercebida.
Quem é Shanmu Jin?
É pesquisador de pós-doutorado e residente de neurocirurgia no Hospital do Peking Union Medical College, em Pequim. Graduou-se em geologia e afirma que sua formação matemática além do básico foi autodidata, motivada por uma pesquisa com ultrassom transcraniano.
Como era o prompt que produziu a prova?
Ele foi adaptado de um prompt que a OpenAI usara em outra conjectura e tinha quatro decisões centrais: negar acesso à web e a contextos externos, criar vários subagentes concorrentes com estratégias diferentes, proibir que convergissem cedo para a mesma ideia atraente, e exigir auditorias adversariais até que uma prova sobrevivesse à verificação. O prompt está publicado no repositório junto com os manuscritos, uma formalização em Lean e uma auditoria de axiomas.
A prova já foi confirmada oficialmente?
Michel Crouzeix, autor da conjectura, verificou o manuscrito a fundo junto com Alex Townsend e Anne Greenbaum, e os três o consideram correto. Mesmo assim, o trabalho continua sendo um preprint não revisado por pares — ainda não passou pelo processo formal da comunidade matemática. Oito dias depois, Emiel Lorist e Felix Schwenninger publicaram uma prova independente de cinco páginas, com argumento diferente, também apoiada em IA.
Como aplicar esse método na minha empresa?
Peça caminhos diferentes em vez da melhor resposta; bloqueie explicitamente a solução padrão que já falhou antes; mande a IA atacar a própria proposta e listar por que ela falharia; use rodadas longas de exploração em vez de muitas perguntas curtas; e mantenha alguém que entende do assunto para avaliar o resultado. Sem esse último item não se distingue resultado bom de texto convincente.