LLMs Estão Silenciosamente Fazendo Todos Escreverem Igual
A conclusão primeiro: usar um assistente de IA para escrever não apenas polimento o seu texto — ele torna seu texto mensuravelmente parecido com o de todo mundo, e o efeito já é visível em escala populacional. Uma equipe da Universidade do Sul da Califórnia em colaboração com outros pesquisadores, publicada esta semana na Nature Human Behaviour, analisou mais de 880.000 textos escritos entre 2018 e 2024 e constatou que a difusão de assistentes de escrita baseados em LLMs — ChatGPT e Claude agora atendem mais de 800 milhões de usuários — está correlacionada a um colapso contínuo na diversidade estilística em resumos do arXiv, artigos de notícias e histórias do Reddit. Em um teste controlado, reescrever textos humanos com GPT-3.5, Llama 3 70B ou Gemini Pro comprimiu a variância na complexidade da escrita mesmo quando o significado permaneceu intacto. O mesmo artigo mostra que os sinais que permitem aos leitores inferir a idade, a personalidade ou os valores de um autor estão desaparecendo — e se inclinando para uma “persona padrão”. Como o texto reescrito então retorna aos corpora de treinamento, o efeito se acumula. Não é um debate sobre estilo; é uma mudança estrutural mensurável na linguagem humana.
Estudo 1: A Variância Estilística Colapsa em 880.000 Textos
O Estudo 1 perguntou se a adoção de LLMs se correlaciona com a homogeneização da escrita, em duas etapas. Primeiro, dados observacionais: três corpora longitudinais — cerca de 80.000 resumos do arXiv, 379.600 artigos do Patch News e 318.000 histórias criativas do Reddit, abrangendo 2018 a 2024. A equipe usou uma ferramenta de detecção chamada Binoculars para sinalizar texto escrito por IA e, em seguida, acompanhou a variância de uma métrica de “complexidade da escrita” ao longo do tempo.
Os resultados foram consistentes. Após o lançamento do ChatGPT, a variância caiu de forma significativa e persistente no arXiv e no Reddit. A taxa de adoção previa mudanças posteriores na variância — a causalidade de Granger se manteve para o arXiv; o Reddit mostrou o mesmo padrão com um atraso de cerca de 20 meses, que os autores atribuem à adoção mais lenta das ferramentas por uma base de usuários mais ampla. O Patch News também registrou uma queda acentuada no lançamento, mas o sinal causal foi mais fraco; a edição profissional e as normas institucionais podem amortecer o efeito direto, embora uma influência sutil ainda possa se infiltrar por meio de normas em mudança.
Em segundo lugar, um experimento controlado: 1.000 textos humanos anteriores ao ChatGPT, extraídos do Reddit e do arXiv, foram reescritos por três LLMs (GPT-3.5, Llama 3 70B, Gemini Pro) com prompts neutros como “melhore a gramática”. 87% das reescritas mantiveram mais de 0,95 de similaridade com o significado original — e ainda assim a variância da complexidade da escrita diminuiu significativamente. Significado preservado, estilo achatado.
Estudo 2: A Identidade Fica Mais Difícil de Ler — e Fica Distorcida
O Estudo 2 fez uma pergunta mais aguda: dá para saber ainda quem escreveu um texto? A equipe montou corpora de textos pareados com dados psicométricos — idade, gênero, personalidade Big Five, empatia e valores morais —, treinou classificadores para prever esses traços a partir do texto e comparou a precisão das previsões nas versões originais versus as reescritas por LLMs.
Dois achados. Primeiro, a precisão caiu cerca de 6% em F1, em média, nos seis grupos de traços, com a idade sendo a mais afetada (F1 de 0,351 para 0,260). A queda é real, mas não total: os classificadores ainda superam o acaso — a IA enfraquece os sinais de identidade, não os apaga.
Segundo, a mudança não é ruído aleatório; ela aponta em uma direção consistente. O texto reescrito era sistematicamente avaliado como de pessoa mais velha, mais moral, menos empática, menos extrovertida, e mais aberta e agradável — nos três modelos e com diferentes formulações de prompt. Em outras palavras, os LLMs não estão apenas apagando a identidade; estão injetando um viés em direção a uma “persona padrão” compartilhada. Autores individuais estão sendo fundidos em direção à mesma média estatística.
Estudo 3: As Associações Clássicas entre Palavras e Pessoas Estão Sendo Apagadas Seletivamente
A psicolinguística acumulou associações bem conhecidas: extrovertidos usam mais palavras de emoções positivas, abertura se correlaciona com vocabulário complexo, e assim por diante. O Estudo 3 testou se essas associações sobrevivem à reescrita por LLMs. Nos textos originais, a equipe reproduziu muitos achados clássicos. Após a reescrita, várias associações-chave desapareceram: a ligação entre extroversão e uso de pronomes, entre lealdade e vocabulário relacionado a amigos, e entre idade e palavras com orientação para o futuro. Outras — como neuroticismo e palavras de emoções negativas — sobreviveram.
Essa seletividade é pior do que ruído uniforme. Toda disciplina que lê as pessoas por meio da escolha de palavras — triagem clínica, ciências sociais, personas de marketing — agora precisa se perguntar quais associações ainda valem e quais estão silenciosamente mortas. Os pesquisadores não podem mais assumir que seus marcadores lexicais medem aquilo que sempre mediram.
Por Que Isso Se Acumula: O Ciclo de Retroalimentação dos Dados de Treinamento
O texto polido por LLMs não fica em documentos privados. Ele flui para corpora online — resenhas, fóruns, artigos científicos, notícias — e esses corpora treinam a próxima geração de modelos. O viés homogeneizador, portanto, se autorreforça: cada geração de modelos lê um corpus cada vez mais cheio de prosa com “sabor de IA” e empurra a média ainda mais. Execuções públicas de treinamento aberto como o Marin 535B tornam esse pipeline visível: o gosto dos dados de treinamento se torna o gosto do modelo.
Os riscos estruturais são concretos: áreas aplicadas que dependem da diversidade lexical — detectar marcadores de depressão a partir de texto, mensagens personalizadas, processos seletivos que favorecem candidaturas “polidas” e a preservação cultural de línguas e dialetos cujos marcadores estão sendo achatados — todas recebem sinais progressivamente mais ruidosos. E como linguagem e pensamento estão entrelaçados, uma linguagem homogeneizada pode silenciosamente restringir a flexibilidade cognitiva e a criatividade — o cenário de Orwell em 1984, chegando não por decreto, mas por um “pode me ajudar a dar um polimento nisso?”. Por que essa convergência é quase inevitável, e onde os custos concretos se concentram, é o foco de uma análise complementar.
O Que Fazer: Mantenha o Texto Humano no Processo
Nada disso argumenta contra ferramentas de escrita com LLM — clareza e acessibilidade são ganhos reais. O argumento é por escolhas de design e de fluxo de trabalho:
- Para pesquisadores: revalide os marcadores lexicais antes de confiar neles; “essa associação sobreviveu a uma reescrita por LLM” deveria virar pré-requisito para qualquer novo achado baseado em corpora.
- Para equipes que lançam recursos de escrita com IA: marca-d’água verificável está se tornando padrão para conteúdo de IA — mantenha e rotule o original escrito por humanos, porque o rascunho não polido é o único sinal de treinamento que ainda carrega a diversidade humana. O financiamento da Anthropic para benchmarks abertos de bem-estar de IA é o mesmo instinto aplicado a outro canal de impacto.
- Para plataformas e editoras: mantenha corpora humanos autênticos fora do ciclo de homogeneização — quanto menos texto com “sabor de IA” no próximo conjunto de treinamento, mais lento o desvio.
- Para escritores: trate o “polimento” como uma operação com perdas. Guarde o rascunho não polido, revise as edições com atenção e questione mudanças que empurrem a sua voz em direção ao padrão.
FAQ
P: Como sabemos que a escrita com IA realmente está reduzindo a diversidade linguística?
R: Dados observacionais em mais de 880.000 textos (arXiv, Patch News, Reddit, 2018–2024) mostram que a variância da complexidade da escrita caiu após o lançamento do ChatGPT, com a adoção prevendo a queda. Um experimento controlado reescreveu 1.000 textos humanos com três LLMs e reproduziu a compressão da variância, enquanto 87% das reescritas mantiveram mais de 0,95 de similaridade semântica.
P: A escrita com IA apaga completamente os sinais de identidade?
R: Não. A precisão da previsão de traços caiu cerca de 6% em F1 (idade: 0,351 para 0,260), mas permaneceu acima do acaso. O problema maior é o viés sistemático — os textos reescritos se inclinam para uma “persona padrão” mais velha, mais moral e menos empática, de forma consistente entre modelos e prompts.
P: Qual é o risco real de longo prazo?
R: Um ciclo de retroalimentação: texto com “sabor de IA” entra nos corpora online, treina os próximos modelos e empurra a média ainda mais. Áreas que dependem da diversidade lexical — triagem de depressão, recrutamento, marketing, preservação cultural — recebem sinais progressivamente mais ruidosos.
