A linguagem não é apenas um veículo para o significado. Ela é uma impressão digital. As palavras específicas que uma pessoa escolhe, a complexidade de suas frases, o ritmo de seu raciocínio, tudo isso carrega informações sobre quem ela é, de onde vem e o que valoriza. Um corpo crescente de pesquisas agora sugere que os large language models, quando usados para auxiliar ou reescrever textos humanos, suavizam silenciosamente essas impressões digitais.
Isso é o que a maior parte da cobertura sobre ferramentas de escrita de IA deixa passar. A conversa tende a focar na qualidade, na velocidade ou na precisão. A questão do que se perde no processo recebe muito menos atenção.
A Convergência Que Ninguém Mediu
O pesquisador Zhivar Sourati começou a fazer essa pergunta depois de ler o livro de James Pennebaker, The Secret Life of Pronouns, que explora como valores pessoais, origens e crenças moldam as palavras específicas que as pessoas usam para expressar as mesmas ideias. À medida que os large language models se tornavam mais amplamente adotados, Sourati começou a se perguntar se direcionar textos por esses sistemas poderia comprimir essa variação natural.
Para descobrir, sua equipe conduziu uma análise de série temporal baseada em aproximadamente 80.000 artigos acadêmicos, 400.000 artigos de notícias e 300.000 histórias do Reddit, comparando a escrita produzida antes e depois do lançamento do ChatGPT em novembro de 2022. A descoberta foi consistente em todos os três conjuntos de dados, após a adoção de ferramentas de escrita de IA, a variação na complexidade da escrita convergiu em direção a normas estilísticas comuns. A tendência se manteve independentemente do domínio ou do público.
Isso importa porque a convergência não foi o resultado de pessoas escolherem conscientemente escrever de forma mais simples ou mais uniforme. Ela emergiu como um subproduto de passar textos por sistemas treinados com os mesmos dados subjacentes, otimizados para a mesma noção de clareza e correção.
Sinais de Identidade, Apagados Silenciosamente
A equipe de Sourati então conduziu um experimento mais controlado. Eles fizeram com que o GPT-3.5, o Gemini e o Llama 3 da Meta reescrevessem textos de autoria humana usando uma variedade de prompts. Os modelos preservaram bem o significado. O que eles reduziram foi a variação, pois a complexidade da escrita caiu entre 21% e 50%, dependendo do modelo e do prompt.
A terceira etapa da pesquisa foi mais além. A equipe trabalhou com textos escritos por indivíduos cujos traços pessoais já haviam sido identificados por meio de questionários psicológicos, cobrindo demografia, personalidade, empatia e valores morais. Depois que esses textos foram processados por um large language model, modelos estatísticos foram usados para prever os traços dos autores com base em características linguísticas. A precisão preditiva diminuiu em uma média de 6%.
Esse número merece um momento de atenção. Uma queda média de 6% significa que o texto, após o polimento da IA, carregava informações mensuravelmente menores sobre a pessoa que o escreveu. Os sinais linguísticos que conectam palavras à identidade haviam sido parcialmente apagados. Os resultados não foram uniformes, pois diferentes traços pessoais foram afetados de maneiras distintas, o que sugere que o efeito homogeneizador não é um ruído aleatório, mas uma alteração estruturada de como a identidade é codificada na linguagem.
De acordo com o Pew Research Center, mais de um terço de todas as páginas da web da internet publicadas desde o lançamento do ChatGPT foram de autoria de IA. A escala dessa mudança significa que a homogeneização documentada por Sourati não é uma curiosidade de laboratório. Ela já está remodelando a textura da comunicação escrita em nível populacional.
Por Que a Diversidade Cognitiva É o Real Desafio
A preocupação de Sourati vai além da linguística. Seu argumento é que a diversidade linguística e a diversidade cognitiva estão conectadas. Quando a escrita de todos é filtrada por sistemas que convergem para uma noção compartilhada do que soa crível ou socialmente apropriado, a gama de perspectivas que pode ser expressa de forma clara e distinta começa a se estreitar.
Esta é a implicação mais profunda. Não é simplesmente que a escrita assistida por IA soa parecida. É que as ferramentas têm a capacidade de definir o que constitui uma perspectiva legítima e bem expressa, e de remodelar silenciosamente o texto em direção a essa definição. Sourati descreve isso como a capacidade de reescrever o que conta como uma maneira crível de ter uma perspectiva.
A população que Sourati identifica como mais vulnerável são os estudantes, pessoas que ainda estão desenvolvendo suas habilidades de raciocínio e que podem recorrer à assistência de IA antes de terem construído os hábitos cognitivos que tornam o pensamento independente possível. O risco não é que eles escrevam pior. É que eles talvez nunca desenvolvam totalmente o processo interno que a escrita, em sua forma não assistida, treina.
Sua resolução proposta não é abandonar essas ferramentas, mas sequenciar seu uso com cuidado. Pessoas que já sabem como raciocinar sobre um problema podem usar large language models para lidar com tarefas específicas sem renunciar ao processo subjacente. O perigo surge quando a ferramenta substitui o desenvolvimento dessa capacidade em vez de estendê-la.
É exatamente aqui que o enquadramento da IA por parte da NAVION como uma camada de aumento, e não como um substituto para o julgamento humano, se torna estruturalmente importante. Uma ferramenta que lida com volume e formatação enquanto o humano retém o raciocínio é uma proposta diferente de uma ferramenta que gera o próprio raciocínio.
Em Resumo
Large language models, quando usados para reescrever ou polir textos humanos, reduzem mensuravelmente a variação estilística e erodem os sinais linguísticos que carregam informações sobre a identidade individual. Pesquisas de Zhivar Sourati, publicadas na Nature Human Behavior, descobriram que reescritas de IA reduziram a variação na complexidade da escrita de 21% a 50%, e reduziram a precisão preditiva de traços vinculados à identidade em uma média de 6%. A preocupação não é estética. É que a linguagem homogeneizada reflete e reforça o pensamento homogeneizado, e que as pessoas mais em risco são aquelas que adotam essas ferramentas antes de aprenderem a pensar de forma independente sem elas.
Com base em reportagem de Fast Company - Tech.