A memória do ChatGPT foi criada para guardar automaticamente informações úteis de conversas, arquivos e aplicativos conectados. O recurso usa esses dados para personalizar as respostas e evitar que o usuário precise repetir algumas informações em novos chats. A forma de gerenciar esse conteúdo mudou recentemente.
A memória do ChatGPT foi criada para guardar automaticamente informações úteis de conversas, arquivos e aplicativos conectados. O recurso usa esses dados para personalizar as respostas e evitar que o usuário precise repetir algumas informações em novos chats. A forma de gerenciar esse conteúdo mudou recentemente.
O resumo traz uma síntese das informações consideradas relevantes pelo sistema, mas não necessariamente representa tudo o que foi retido. Por isso, também é possível perguntar ao ChatGPT o que ele lembra sobre determinado assunto ou solicitar alterações específicas durante uma conversa.
Como ajustar a memória do ChatGPT? O usuário pode fazer alterações na memória por meio de comandos de texto. É possível adicionar informações, corrigir detalhes ou pedir a exclusão de determinados dados. Também é possível destacar trechos específicos do resumo para fazer uma correção pontual.
Vale lembrar que editar ou excluir uma informação do resumo não significa necessariamente apagá-la de todas as fontes. Para remover completamente algo que o ChatGPT sabe sobre você, é necessário excluir a informação dos locais onde ela aparece, como conversas antigas, chats arquivados, arquivos carregados e aplicativos conectados.
A exclusão de uma memória também não apaga automaticamente a conversa em que aquela informação foi mencionada. Para remover o registro do histórico, é necessário apagar o chat específico.
Pelo celular Para ajustar a memória pelo celular, siga os passos abaixo:
Em contexto
- Tema: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Fonte: Canaltech
- Publicado: 18/10/2026
Continuar lendo na fonte original →
Trecho publicado automaticamente pelo radar do site. O texto completo pertence ao veículo e está vinculado acima.
Why it matters
The conversation about artificial intelligence has become noisy, and that makes it harder to see what matters. What matters is rarely the model. It is which concrete process ends up cheaper, faster or more reliable, and who is accountable when the answer comes out wrong.
The first thing I look at is not model capability but the data feeding it. Almost every project I have seen fail did not fail on the algorithm. It failed because the data lived in three systems with three different definitions and nobody wanted to be the one to fix that.
What usually goes wrong
The mistake I have seen repeat most is measuring nothing before starting. It gets deployed, everybody feels things improved, and when somebody asks by how much, there is no answer. Without a baseline there is no way to defend next year's budget, and that is where good projects die.
What to watch
- Who reviews the model outputs and how often — the point at which AI becomes auditable.
- Cost per query at real volume, not pilot volume: the variable that produces the most surprises.
- Where the data ends up and under what contract, especially when customer information is involved.
How I read this entry
My practical advice is to fix on day one what happens when the model is wrong: who reviews, how often, and at what point it gets switched off. It sounds defensive, but it is exactly what lets you be aggressive later, because the risk stopped being an unknown.
The original story is published in another language; the excerpt is quoted as the publisher delivers it and the commentary is written in English.
Comments
No comments yet. Yours can be the first.
Living through this in your own team?
Open the chat and tell me how you're handling it. I'm interested in comparing notes.
