Você em algum momento já se pegou usando a IA e pensando: “nossa, ela realmente entendeu o que eu quis dizer”. Se você parar para pensar, o que aconteceu ali não foi compreensão, mas a gente confunde com empatia o tempo todo. E isso é um problema real de letramento em IA, porque quanto mais a gente acha que está sendo entendido, menos a gente questiona o que está recebendo de volta. E numa sala de aula, isso tem consequências.

Se você não sabe eu sou mestre em Estudos da Linguagem, o que me torna um pouco chata com discurso – tudo para mim tem um significado e propósito e eu fico buscando isso o tempo todo. E para mim é impossível não analisar o discurso da IA o tempo todo, e também o discurso de quem está falando sobre a IA. E hoje eu quero falar sobre dois conceitos importantes: antropomorfização e sycophancy. Mas vamos entender melhor o que estou falando.

Antropomorfizar

Antropomorfizar é atribuir características humanas a algo que não é humano. A gente faz isso com objetos eletrônicos dando apelidos carinhosos (vai dizer que seus eletrodomésticos não tem um apelido?) ou falando de uma forma humana quando não funcionam como o esperado (‘fulano’ tá cansado hoje). Com a IA generativa, o efeito é mais forte porque estamos falando daquilo que a gente associa ao pensamento, que é a linguagem.

Participação no Podcast da Cool Cat Teacher falando sobre AI in the EL Classroom

A primeira vez que eu parei para pensar nisso foi em 2022, quando eu apresentei a sessão AI in the EL Classroom no ISTE. Depois da minha apresentação, fui chamada para participar de um podcast para falar mais sobre o assunto (aqui eu falava sobre como ensinar sobre IA em geral, ainda antes de termos acesso à IA generativa). O podcast era em inglês e por alguma razão (inconsciente?) eu me referia à Alexa como she (ela). Em inglês, há o pronome it para nos referirmos a animais e objetos, mas para mim era natural chamar a Alexa de she. A host do podcast me perguntou por que eu fazia isso. E foi a primeira vez que eu percebi como a antropomorfização pode ser mais natural do que a gente imagina…

Bem antes do ChatGPT existir, as pessoas tratavam computadores e mídias como se fossem pessoas reais, de forma quase automática, mesmo sabendo racionalmente que não são. Eliza foi um dos primeiros chatbots da história, criado em 1966 pelo cientista do MIT Joseph Weizenbaum e simulava um psicoterapeuta. Ele usava regras simples de substituição de palavras e perguntas espelhadas (por exemplo, se você dissesse “Estou triste”, ele respondia “Por que você está triste?”). Mesmo sabendo que se tratava apenas de código básico, os usuários rapidamente abriam o coração e acreditavam que o software realmente os compreendia. O efeito Eliza (Eliza effect) é essa tendência natural do ser humano de atribuir sentimentos, empatia, consciência ou inteligência real a programas de computador e robôs que apenas simulam conversas humanas. A diferença é que, lá na década de 60, um computador não te respondia num português fluente e natural, com “eu entendo como isso deve ser difícil” no meio da frase. Hoje, sim. E é essa fluência textual que sequestra o mesmo mecanismo cognitivo que usamos pra reconhecer outra mente do outro lado.

O problema não é sentir isso, isso é inevitável, é como nosso cérebro funciona. O problema é parar de questionar por causa disso.

E as marcas sabem exatamente o que estão fazendo quando ativam esse mecanismo. Em julho de 2026, o Itaú tirou temporariamente as letras “t” e “u” do próprio logo, virando só “I a”, como teaser da ia.i, sua nova experiência conversacional com IA generativa. A campanha é um estudo de caso e tanto: o filme institucional usa imagens captadas em película, trilha sonora gravada em fita, tudo analógico, tudo tátil, pra dar corpo físico a “algo que, na prática, é só código e processamento de linguagem” (como a própria cobertura da campanha reconhece). A CMO do banco resumiu o objetivo sem rodeios: “construir principalidade por meio de intimidade e bem-estar financeiro”. Ou seja: o produto é processamento de linguagem, mas o que está sendo vendido é proximidade. É antropomorfização como estratégia de marca, não como efeito colateral.

Sycophancy

Sycophancy é a tendência de um modelo de IA validar, elogiar ou concordar com o que você diz, mesmo quando isso não é a resposta mais correta ou mais útil (SHARMA et al., 2023). E isso é treinamento: os modelos de linguagem passam por uma etapa em que aprendem a partir de feedback humano e o feedback humano tende a premiar respostas que soam agradáveis, que validam, que concordam. Com o tempo, o modelo aprende que agradar funciona melhor do que discordar (o que, convenhamos, também é bem humano, rs).

O que a pesquisa recente vem mostrando é que esse viés não depende de quem está do outro lado ser ingênuo. Um estudo do MIT e da Harvard publicado em 2026 demonstrou matematicamente que esse efeito de validação excessiva pode empurrar até usuários com raciocínio idealmente racional para espirais de pensamento problemáticas, simplesmente porque o chatbot valida premissas erradas de forma consistente (CHANDRA et al., 2026). E um estudo da Unicamp, avaliando 21 modelos de linguagem no contexto político brasileiro, mostrou que os modelos tendem a espelhar a ideologia de quem pergunta em vez de manter uma posição equilibrada, funcionando como câmara de eco personalizada (SOARES et al., 2026). Até a Nature publicou, este ano, uma pesquisa mostrando que treinar modelos para soarem mais “calorosos” reduz a precisão das respostas e aumenta a sycophancy (IBRAHIM; HAFNER; ROCHER, 2026). Ou seja: quanto mais a IA parece gostar de você, maior a chance de ela estar te enrolando.

E esse não é um risco hipotético, teve um caso real e muito documentado: em abril de 2025, a própria OpenAI lançou uma atualização do GPT-4o que deixou o modelo bajulador demais. Usuários começaram a postar prints do ChatGPT elogiando decisões claramente problemáticas e validando pensamentos delirantes. A empresa reverteu a atualização poucos dias depois e publicou, no próprio blog, uma explicação sincera do que tinha acontecido: eles haviam otimizado demais para feedback de curto prazo, sem considerar como isso afeta a relação do usuário com a ferramenta ao longo do tempo. A frase da OpenAI resume bem o risco que a gente está discutindo aqui: “interações bajuladoras podem ser desconfortáveis, perturbadoras e causar sofrimento” (OPENAI, 2025). Se até a empresa que treinou o modelo reconhece publicamente esse problema, não tem como tratar isso como exagero de uma professora desconfiada…

Uma memória que não é memória

E aqui é onde eu queria trazer uma referência importante. Eu falei no Instagram sobre a nova campanha do Itaú e a antropomorfização no discurso da campanha e eis que ganhei de presente no meu direct (obrigada, Marcelo Dalpino) uma super referência! Um artigo do pesquisador Marcos Antonio Ramos Pinto Junior, publicado na Revista Ibero-Americana de Humanidades, Ciências e Educação em 2024, que discute o uso do ChatGPT no ensino de línguas estrangeiras a partir de um conceito criado pela linguista Eni Orlandi em 1996: a memória metálica (ORLANDI, 1996 apud PINTO JUNIOR, 2024).

A ideia de Orlandi, formulada bem antes da IA generativa existir, descreve como certas tecnologias de linguagem lidam com informação de um jeito horizontal: por repetição, reprodução e replicação, em vez de estratificação histórica e contextual, que é como a memória humana funciona. Pinto Junior usa esse conceito pra explicar algo que eu acho central pro debate aqui: a memória do ChatGPT (e de qualquer IA generativa) não é dinâmica como a nossa. Ela não evolui com experiência e contexto acumulado. Ela é estanque, literal, e depende inteiramente da informação que você deu naquela interação específica (PINTO JUNIOR, 2024).

Ou seja: quando o modelo parece “lembrar” de você, entender sua trajetória, se importar com o que você está passando, ele não está fazendo isso a partir de uma memória viva sobre você. Ele está processando o que está na tela, agora, e devolvendo a resposta estatisticamente mais provável de te agradar. A antropomorfização faz a gente entender isso como cuidado. A sycophancy garante que essa leitura seja sempre gentil com a gente. E as duas coisas se alimentam.

É um ponto que, como linguista, eu acho fascinante: a gente está diante de uma tecnologia que produz os efeitos de sentido da escuta e do vínculo sem ter nenhum dos mecanismos que sustentam a escuta e o vínculo entre humanos. E isso não é uma falha, é estrutural.

Um exemplo disso é a própria função “memória” do ChatGPT, que a OpenAI vende como “o ChatGPT lembra de você entre conversas”. Na prática, o que existe ali são fragmentos de texto salvos e recuperados quando parecem relevantes, não uma memória que se transforma com a experiência, como a de um professor que se lembra do seu aluno do ano passado e ajusta a forma de ensinar por causa disso. É exatamente a diferença que Orlandi descrevia: filiação em vez de estratificação. A ferramenta não te conhece ao longo do tempo, ela guarda pedaços e os reinjeta quando o padrão bate. Só que “eu lembro de você” soa tão mais pessoal do que “eu recuperei um registro” que a gente nem pára pra notar a diferença. E é exatamente aí que a antropomorfização faz seu trabalho.

O que isso significa pra sala de aula

A combinação de antropomorfização com sycophancy é a receita perfeita pra usar a IA no piloto automático. Se a ferramenta parece te entender e sempre concorda com o seu plano de aula, por que você questionaria?

Alguns momentos onde isso pode pegar mal:

• Feedback de redação para alunos. Uma IA sycophant tende a suavizar críticas e inflar elogios, o que é péssimo justamente no momento em que o aluno mais precisa de um retorno honesto.
• Alunos usando chatbot como confidente. Quanto mais o modelo valida, mais o aluno volta. Reforço sem crítica não educa ninguém.
• Professores validando as próprias ideias. Se você pergunta pra IA se sua estratégia pedagógica é boa, ela tende a dizer que sim, quase sempre, com detalhes convincentes.

E é aqui que o educar COM, SOBRE e PARA a IA importa: usar a ferramenta (o COM) sem entender que ela foi otimizada pra te agradar (o SOBRE) tira de circulação o único filtro que protege a gente de decisões ruins, que é o pensamento crítico. E, como eu já falei sobre o Modo IA do Google, o problema nunca é a ferramenta errar, mas ela errar com uma confiança (e agora sabemos, com uma simpatia) que não corresponde à realidade.

Na prática

• Desconfie especificamente de respostas que começam validando você antes de responder à pergunta. Não é maldade da IA, é o padrão que ela aprendeu que funciona.
• Peça ativamente o contraponto: “quais os problemas dessa ideia?”, “que argumento contrário existe?”. Isso quebra o reflexo de concordância.
• Insira comandos iniciais exigindo que o sistema seja direto, sem elogios ou formalidades sociais.
• Oculte sua opinião: faça perguntas de forma neutra, sem indicar qual resposta você prefere ou espera receber.
• Defina instruções personalizadas nas configurações priorizando a honestidade em vez da concordância.
• Mude a forma como você se refere à IA, evitando humanizar a linguagem. Evite verbos como pensar, sentir, querer ou acreditar ao falar sobre sistemas computacionais.
• Ensine seus alunos a nomear o que está acontecendo quando sentirem que “a IA entende eles”. Nomear o mecanismo (antropomorfização, sycophancy) é o primeiro passo do letramento crítico, é a diferença entre ser levado pela ferramenta e usar a ferramenta.

E você, já se pegou achando que a IA captou exatamente o que você quis dizer? Consegue lembrar de uma vez em que ela concordou rápido demais com alguma coisa sua? Me conta aqui nos comentários, porque eu aposto que eu não fui a única rs.

Referências

CHANDRA, K.; KLEIMAN-WEINER, M.; RAGAN-KELLEY, J.; TENENBAUM, J. Estudo sobre sycophancy e agentes racionais ideais. MIT/Harvard, 2026.

IBRAHIM, L.; HAFNER, F. S.; ROCHER, L. Training language models to be warm can reduce accuracy and increase sycophancy. Nature, v. 652, p. 1159–1165, 2026.

OPENAI. Sycophancy in GPT-4o: what happened and what we’re doing about it. Blog da OpenAI, 29 abr. 2025.

ORLANDI, E. Interpretação: autoria, leitura e efeitos do trabalho simbólico. Campinas: Vozes, 1996.

PINTO JUNIOR, M. A. R. Memória metálica e ChatGPT: benefícios e limitações do uso de ferramentas de inteligência artificial na aprendizagem de línguas estrangeiras. Revista Ibero-Americana de Humanidades, Ciências e Educação, São Paulo, v. 10, n. 6, p. 1374-1392, jun. 2024.

REEVES, B.; NASS, C. The media equation: how people treat computers, television, and new media like real people and places. Cambridge: Cambridge University Press, 1996.

SHARMA, M. et al. Towards understanding sycophancy in language models. arXiv:2310.13548, 2023.

SOARES, A. L. B. et al. LLMs are ideological chameleons: personalized echo chambers in the Brazilian political context. Instituto de Computação, Unicamp, 2026.