Principais destaques
- Uma nova pesquisa propõe que interações repetidas com sistemas de IA que imitam comportamentos humanos podem influenciar não apenas a experiência do usuário, mas também a maneira como ele percebe e apresenta a própria identidade.
- Os pesquisadores chamam esse possível processo de “robotoid humanness”, uma espécie de aproximação do comportamento humano à lógica que as máquinas conseguem compreender, classificar e recompensar.
- O alerta vai além da privacidade: segundo os autores, uma IA cada vez mais personalizada pode criar ciclos de feedback capazes de reforçar determinados padrões de comportamento e reduzir, aos poucos, a abertura para contradições, mudanças e formas menos previsíveis de expressão.
Existe uma situação que está se tornando cada vez mais comum e que pode parecer completamente inofensiva: uma pessoa conversa com um sistema de inteligência artificial para resolver um problema, pedir uma recomendação ou simplesmente obter atendimento.
A conversa parece natural. O sistema responde rapidamente, adapta o tom, reconhece informações fornecidas anteriormente e pode até demonstrar algo que se aproxima de empatia.
Para o usuário, tudo isso pode transmitir a sensação de estar falando com algo que entende suas necessidades.
Mas existe uma pergunta mais profunda por trás dessa evolução: o que acontece quando a máquina não apenas aprende a se adaptar ao ser humano, mas o ser humano também começa a se adaptar à máquina?
É justamente essa possibilidade que está no centro de uma nova pesquisa publicada em agosto de 2026 na revista AI & Society. O trabalho foi desenvolvido por Selcen Ozturkcan, da Linnaeus University e da Sabancı University, Jean-Paul de Cros Peronard, da Aarhus University, e Inci Toral-Manson, da University of Birmingham.
Os autores apresentam o conceito de “robotoid humanness”, que pode ser entendido como uma tendência de a pessoa ajustar sua maneira de se expressar e compreender a si mesma para se tornar cada vez mais compatível com aquilo que um sistema computacional consegue interpretar.
A proposta é especialmente relevante porque muda a direção tradicional da discussão sobre inteligência artificial. Durante anos, uma das grandes perguntas foi como fazer máquinas parecerem mais humanas. Agora, os pesquisadores levantam outra questão: o que acontece com os humanos quando passam tempo demais interagindo com máquinas que foram projetadas para parecer humanas?
A máquina aprende seu comportamento, e você pode começar a aprender o dela
O conceito apresentado pelos pesquisadores parte de um fenômeno bastante conhecido nas relações humanas: o espelhamento.
Pessoas frequentemente imitam, sem perceber, gestos, expressões, postura, ritmo de fala e até determinadas maneiras de se comportar de quem está ao redor. Esse tipo de imitação automática é estudado há décadas na psicologia e pode ajudar a criar proximidade e sincronização entre indivíduos.
Com a inteligência artificial, entretanto, existe uma diferença importante.
Um sistema digital pode observar padrões de interação em uma escala que uma pessoa dificilmente conseguiria. Ele pode registrar quais respostas provocam determinada reação, quais palavras são utilizadas, quais escolhas são feitas e quais tipos de conteúdo mantêm o usuário engajado.
A partir disso, algoritmos de personalização podem modificar suas respostas.
Se alguém prefere respostas curtas, o sistema pode ficar mais objetivo. Se a pessoa demonstra interesse por determinado assunto, o algoritmo pode oferecer mais conteúdos relacionados. Se determinados tipos de recomendação geram mais interação, eles podem aparecer novamente.
Em uma conversa isolada, isso parece apenas conveniência.
O problema teórico apontado pelos pesquisadores aparece quando esse processo se repete continuamente.
A pessoa age. A máquina responde. A pessoa reage à resposta. A máquina registra a reação e ajusta seu comportamento novamente.
Depois de muitas interações, pode surgir um circuito de feedback.
Nesse cenário, a IA está aprendendo a pessoa, mas a pessoa também está aprendendo, ainda que indiretamente, como precisa se comportar para ser compreendida pela IA.
É nesse ponto que surge a ideia de “robotoid humanness”.
O termo não significa que alguém literalmente se transforma em um robô. Ele descreve uma possível mudança na forma como a pessoa passa a organizar sua comunicação e sua apresentação pessoal, favorecendo características que são mais fáceis para sistemas computacionais identificarem, preverem e recompensarem.
Isso pode significar ser mais previsível, mais direto, mais consistente ou mais facilmente classificável.
E existe uma ironia nessa história: quanto melhor a IA fica em nos conhecer, maior pode ser a tentação de nos comportarmos de maneira que confirme aquilo que ela acredita saber sobre nós.
O perigo está no ciclo de feedback, não apenas no robô
Uma das partes mais interessantes do estudo é justamente essa ideia de ciclo.
Os autores descrevem um processo dividido em três etapas. Primeiro, o consumidor entra em uma espécie de realidade social sintética, na qual o sistema apresenta respostas que parecem significativas e adaptadas àquela pessoa.
Depois, a tecnologia captura determinados aspectos da identidade do usuário e devolve uma versão reduzida dessa identidade por meio da personalização.
Por fim, o consumidor pode começar a ajustar sua própria apresentação para se encaixar melhor no que o sistema consegue interpretar.
O resultado seria um ciclo no qual a máquina oferece uma representação simplificada da pessoa, a pessoa reconhece parte dessa representação e passa a agir de acordo com ela, e o sistema então utiliza esse novo comportamento para reforçar sua interpretação anterior.
É uma espécie de espelho que não apenas reflete, mas também influencia aquilo que está diante dele.
Essa é uma diferença importante em relação a um espelho convencional.
Um espelho físico devolve uma imagem. Um algoritmo devolve uma interpretação.
E essa interpretação pode ser utilizada para decidir o que será mostrado, recomendado ou respondido em seguida.
Pesquisadores que estudam inteligência artificial e identidade já levantaram uma preocupação relacionada. Algoritmos conseguem construir representações estatísticas bastante detalhadas sobre indivíduos, mas existe uma diferença entre prever comportamentos e compreender uma pessoa em toda sua complexidade. Uma identidade humana também envolve contradições, mudanças, memórias, contexto e possibilidades futuras.
É justamente aí que a discussão fica mais profunda.
Uma pessoa pode gostar de música clássica hoje e de música eletrônica amanhã. Pode ser extrovertida em uma situação e extremamente reservada em outra. Pode mudar de opinião, abandonar um hábito ou simplesmente fazer algo inesperado.
Para um ser humano, essas contradições fazem parte da personalidade.
Para um sistema de recomendação, porém, comportamentos inesperados podem ser mais difíceis de prever.
Se uma tecnologia é construída para otimizar previsibilidade, engajamento e personalização, existe o risco de ela continuar oferecendo aquilo que confirma o perfil que criou.
O usuário recebe mais do mesmo.
E, ao receber mais do mesmo, pode continuar agindo da mesma maneira.
Assim, o algoritmo aprende que estava certo.
É esse tipo de retroalimentação que os pesquisadores consideram especialmente importante investigar. O estudo argumenta que a personalização pode favorecer uma forma de “convergência” algorítmica, na qual sinais que confirmam um determinado perfil recebem mais peso do que aqueles que contradizem esse perfil.
Pesquisas anteriores mostram que robôs já podem mudar decisões humanas
A hipótese apresentada em 2026 não surgiu completamente isolada.
Pesquisas anteriores já haviam encontrado efeitos comportamentais relacionados à interação entre pessoas e robôs humanoides.
Um estudo publicado no Journal of Retailing and Consumer Services em 2024, por exemplo, analisou como interações com robôs humanoides poderiam influenciar estratégias de decisão dos consumidores.
Os pesquisadores realizaram quatro experimentos e descobriram que, em determinadas condições, pessoas que interagiam com robôs humanoides apresentavam menor intensidade emocional e demonstravam maior tendência a utilizar estratégias baseadas em raciocínio em vez de sentimentos ao tomar decisões de consumo. O efeito também variava de acordo com características do robô e com a tendência do próprio consumidor a antropomorfizar máquinas.
Isso não prova a teoria do “robotoid humanness”.
Mas mostra que a interação com uma máquina pode influenciar aspectos do comportamento humano, mesmo quando o usuário está simplesmente tentando escolher um produto ou serviço.
Essa distinção é fundamental.
O novo artigo não afirma que todas as pessoas que conversam com IA começarão a pensar como máquinas. O que os pesquisadores fazem é propor um modelo para compreender como efeitos acumulados podem surgir quando essas interações se tornam frequentes, personalizadas e socialmente convincentes.
E isso muda bastante a interpretação da notícia.
Não estamos diante de uma descoberta que diz “a IA está transformando humanos em robôs”.
Estamos diante de uma hipótese científica sobre um possível processo de adaptação que precisa ser investigado empiricamente.
A diferença parece pequena, mas é enorme.
Quanto mais convincente a IA fica, maior é o desafio
Durante muito tempo, tornar uma máquina mais humana foi tratado principalmente como uma vantagem tecnológica.
Um chatbot que entende melhor o contexto parece mais útil.
Um assistente que conversa naturalmente parece mais agradável.
Um robô que reconhece emoções pode oferecer um atendimento mais personalizado.
Um sistema que lembra preferências pode economizar tempo.
Tudo isso pode trazer benefícios reais.
O problema aparece quando a capacidade de personalização deixa de ser apenas uma ferramenta de conveniência e começa a influenciar a maneira como uma pessoa se comporta.
A pesquisa chama atenção justamente para essa fronteira.
Os autores argumentam que sistemas antropomórficos podem funcionar como infraestruturas relacionadas à identidade, e não apenas como interfaces de atendimento. Em outras palavras, o que importa não seria somente se o consumidor gostou do atendimento ou se conseguiu resolver seu problema, mas também o que aquela interação repetida pode fazer com a maneira como ele entende a si próprio.
Isso é especialmente relevante para sistemas que utilizam grandes modelos de linguagem, memória e personalização.
Uma IA conversacional pode acumular informações sobre preferências, estilos de comunicação e histórico de interações. Mesmo quando essas informações são utilizadas para melhorar a experiência, elas também podem criar uma representação estatística do usuário.
Essa representação nunca será a pessoa inteira.
Ela será apenas aquilo que o sistema consegue observar, armazenar, relacionar e utilizar para fazer previsões.
O risco apontado pelos pesquisadores é que, com o tempo, o indivíduo passe a confundir essa representação com uma descrição completa de quem ele é.
Imagine alguém que utiliza um assistente de IA diariamente.
O sistema percebe que essa pessoa gosta de respostas objetivas.
Depois passa a responder sempre de maneira objetiva.
O usuário se acostuma com esse formato e começa a fazer perguntas cada vez mais curtas.
A IA interpreta isso como confirmação de que aquela é a melhor maneira de conversar.
O ciclo se fecha.
Agora imagine esse processo aplicado não apenas ao estilo de conversa, mas a interesses, opiniões, escolhas e comportamentos.
A questão deixa de ser apenas “o algoritmo me conhece?”.
Passa a ser:
“Eu estou começando a me comportar de acordo com aquilo que o algoritmo acredita que eu sou?”
É essa pergunta que torna o conceito de “robotoid humanness” tão provocador.
O problema da validação: quando a máquina começa a dizer quem você é
Existe ainda outro ponto delicado discutido no trabalho: a validação.
Sistemas de IA são frequentemente projetados para oferecer respostas úteis, agradáveis e envolventes. Em determinadas situações, isso pode fazer com que o usuário se sinta compreendido.
Essa experiência pode ser positiva.
Uma pessoa que recebe uma explicação clara pode ganhar confiança. Alguém que consegue organizar uma ideia com ajuda da IA pode se sentir mais preparado. Um consumidor que recebe uma recomendação adequada pode ter uma experiência melhor.
Mas a mesma dinâmica pode funcionar no sentido contrário.
Se o sistema responde constantemente de maneira negativa, reforça uma determinada interpretação ou apresenta uma visão limitada sobre o usuário, essas respostas também podem influenciar a percepção pessoal.
O estudo alerta para a possibilidade de pessoas dependerem cada vez mais de sistemas automatizados para receber validação sobre suas escolhas ou sobre seu próprio valor.
Esse cenário é particularmente sensível porque uma IA não possui a mesma experiência humana que uma pessoa.
Ela pode produzir uma resposta extremamente convincente sem possuir uma compreensão subjetiva da situação.
Pode parecer empática sem sentir empatia.
Pode demonstrar segurança sem ter certeza.
Pode dizer que conhece o usuário quando, na realidade, está trabalhando com padrões estatísticos derivados das interações disponíveis.
Essa diferença entre parecer compreender e compreender como outro ser humano compreende é fundamental.
Quanto mais natural fica a interface, mais fácil pode ser esquecer que existe uma máquina por trás daquela conversa.
E quanto mais fácil é esquecer isso, maior se torna a necessidade de transparência.
A IA pode acabar premiando a previsibilidade
Existe uma ideia particularmente importante no estudo: sistemas computacionais precisam transformar a complexidade humana em informações que possam ser processadas.
Isso é inevitável.
Para recomendar um filme, uma plataforma precisa representar seus gostos de alguma maneira.
Para prever uma compra, precisa identificar padrões de comportamento.
Para personalizar uma conversa, precisa construir algum tipo de perfil.
A questão não é se essa redução acontece.
Ela acontece.
A questão é o que ocorre quando uma pessoa passa a se ajustar à própria representação computacional.
Se um sistema entende melhor aquilo que é consistente, previsível e facilmente categorizável, pode existir um incentivo indireto para que o usuário se comporte dessa maneira.
A pessoa pode aprender quais palavras funcionam melhor.
Quais respostas fazem o sistema oferecer determinado resultado.
Quais comportamentos geram mais aprovação.
Quais opiniões recebem mais validação.
E, gradualmente, pode começar a apresentar uma versão de si mesma que funciona melhor dentro daquele ambiente.
Isso não é necessariamente consciente.
Na maioria das vezes, provavelmente nem seria percebido.
É justamente essa característica que torna a hipótese relevante.
O problema não precisaria ser uma IA ordenando que alguém mudasse seu comportamento. Bastaria um sistema que recompensasse repetidamente determinados padrões enquanto ignorasse outros.
Com o tempo, o usuário poderia se adaptar.
A pesquisa chama atenção para esse processo como uma forma de autoajuste adaptativo, no qual a pessoa passa a se expressar de maneira mais compatível com a lógica da máquina.
O que isso pode significar para os chatbots que usamos todos os dias?
Embora o estudo tenha como ponto de partida os robôs e sistemas de atendimento ao consumidor, os autores deixam claro que o mecanismo teorizado também pode ser aplicado a agentes conversacionais baseados em grandes modelos de linguagem.
Isso amplia consideravelmente a discussão.
Um robô físico em uma loja é uma coisa.
Um chatbot que acompanha uma pessoa todos os dias é outra.
A segunda situação pode envolver muito mais interações.
Uma conversa pode durar minutos. Mas um assistente digital utilizado durante meses pode participar de centenas de decisões, dúvidas, pesquisas e momentos pessoais.
Quanto maior a frequência, maior a possibilidade de surgirem padrões.
É justamente por isso que os pesquisadores defendem que sistemas de IA voltados ao consumidor precisam ser analisados não apenas pela eficiência ou satisfação imediata, mas também pelos efeitos de longo prazo.
Isso também coloca uma responsabilidade importante sobre as empresas.
Se um sistema sabe que determinada resposta aumenta o engajamento, ele pode ser incentivado a repetir essa resposta.
Se determinada recomendação aumenta a probabilidade de uma compra, ela pode receber prioridade.
Se determinada forma de interação mantém o usuário conectado, o sistema pode ser otimizado para utilizá-la mais vezes.
Nada disso precisa ser mal-intencionado.
É simplesmente o funcionamento de sistemas construídos para otimizar determinados objetivos.
Mas é justamente aí que aparece a questão ética.
O que acontece quando otimizar a experiência do usuário começa a significar também otimizar o próprio comportamento do usuário?
A preocupação vai além da privacidade
Grande parte do debate sobre inteligência artificial e consumidores está concentrada em privacidade, segurança e uso de dados.
São questões fundamentais.
Mas o novo estudo propõe olhar para um problema adicional: a possibilidade de redução da própria pessoa às características que um algoritmo consegue reconhecer.
Isso significa que uma discussão sobre IA pode precisar incluir algo mais profundo do que “quais dados a empresa possui sobre mim?”.
Também será necessário perguntar:
“Que versão de mim o sistema construiu?”
“Como essa versão influencia o que vejo?”
“Ela pode estar reforçando apenas aquilo que confirma minhas características anteriores?”
“Tenho espaço para mudar sem que o sistema continue me tratando como a mesma pessoa?”
“Posso contradizer meu próprio perfil?”
Essas perguntas ganham importância porque a identidade humana não é estática.
Uma pessoa muda.
Interesses desaparecem.
Novas ideias surgem.
Opiniões são revistas.
Comportamentos podem ser abandonados.
Contradições aparecem.
Em muitos casos, é justamente essa capacidade de mudar que faz parte da experiência humana.
Um sistema excessivamente focado em previsão pode ter dificuldade para lidar com essa característica.
O desafio agora é construir IA que reconheça a complexidade humana
A pesquisa não apresenta uma solução tecnológica definitiva para o problema. O principal objetivo é colocar a questão sobre a mesa e propor um modelo que possa ser testado em estudos futuros.
Os autores defendem que o design de sistemas de IA deveria preservar espaço para contestação, ambiguidade e autonomia do usuário, evitando que personalização signifique simplesmente reforçar tudo aquilo que o algoritmo já acredita saber.
Isso pode mudar a maneira como pensamos sobre personalização.
Hoje, uma boa IA é frequentemente aquela que “conhece você”.
No futuro, talvez seja necessário considerar que uma boa IA também precisa saber quando não presumir quem você é.
Essa diferença pode ser decisiva.
Um sistema realmente útil não deveria apenas aprender suas preferências. Também deveria permitir que você mude de ideia sem ser aprisionado pelo seu histórico.
Não deveria transformar cada comportamento passado em uma previsão sobre o futuro.
E, principalmente, não deveria fazer com que ser compreendido pela máquina se torne mais importante do que ser livre para surpreendê-la.
A questão levantada pelo conceito de “robotoid humanness” é justamente essa.
A inteligência artificial está sendo treinada para compreender melhor os seres humanos. Quanto mais eficiente ela fica nessa tarefa, mais natural será a interação.
Mas existe uma consequência inesperada que merece atenção.
Talvez o maior risco não seja a máquina ficar humana demais. Talvez seja o ser humano começar a se adaptar demais à maneira como a máquina enxerga o mundo.
Por enquanto, o trabalho publicado em AI & Society apresenta uma estrutura teórica para entender esse possível fenômeno, e não uma prova de que isso já esteja acontecendo em larga escala. Essa distinção é essencial. Ainda são necessários estudos empíricos para medir quando, como e em quais condições essas mudanças realmente ocorrem.
Ainda assim, o alerta chega em um momento particularmente importante.
A IA já deixou de ser apenas uma ferramenta que espera comandos. Ela conversa, recomenda, lembra, adapta respostas e participa de decisões cotidianas.
Quanto mais humana parece essa interação, mais difícil pode ser perceber onde termina a adaptação da máquina e começa a nossa própria adaptação.
E talvez seja exatamente aí que esteja a próxima grande pergunta sobre inteligência artificial: não apenas o que as máquinas estão aprendendo sobre nós, mas o que nós estamos aprendendo a ser para que elas consigam nos entender.
