Diferente das ferramentas de inteligência artificial que analisam somente conteúdos escritos, os modelos mais avançados também conseguem interpretar imagens, vídeos e áudios ao mesmo tempo. Essa capacidade, no entanto, traz novos riscos. Quando imagem e texto são combinados, o sentido da mensagem pode mudar completamente. Isso abre espaço para truques que “enganam” a IA, como mostrar uma imagem aparentemente comum e dar um comando ambíguo, levando o sistema a gerar respostas perigosas.
