6 vícios que tornam textos de IA cansativos, revela estudo

Tech Desk

Estudo aponta padrões que dificultam a leitura de textos gerados por inteligência artificial.

Leia também: Empresas pagam bônus para usar IA e Califórnia limita demissões

Uma pesquisa conduzida por equipes da New York University e da University of Texas at Austin indica que 14 dos principais modelos de linguagem do mercado, entre eles Claude, GPT-5.6, GLM-5, Kimi K2.5, Llama e Olmo, adotam sistematicamente seis padrões de escrita que deixam o texto mais difícil e cansativo de ler para humanos, mesmo quando as respostas estão tecnicamente corretas.

Os pesquisadores analisaram 120 conversas casuais, 45 sessões de programação e 980 ensaios argumentativos gerados por esses sistemas e compararam o resultado com textos humanos de legendas de filmes, fóruns de perguntas e respostas e redações estudantis. A conclusão é que, à medida que os modelos são treinados para acertar mais em matemática, código e lógica, eles passam a escrever em um “dialeto” próprio de IA, eficiente para máquinas, mas pouco amigável para leitores humanos.

Quais são os seis padrões que tornam o texto gerado por IA cansativo de ler?

De acordo com o estudo, os modelos de linguagem abusam de seis construções que quase não aparecem com tanta frequência na escrita humana e que aumentam o esforço de leitura.

O primeiro vício é o uso exagerado de combinações incomuns de palavras, como “reader-patience budget”, expressão que um humano raramente escolheria. São termos compreensíveis, mas que soam artificiais e exigem um esforço extra de interpretação.

O segundo padrão é separar partes que deveriam estar próximas na frase, o que sobrecarrega a memória de trabalho do leitor. Um exemplo citado é a frase produzida por um modelo da família Claude: “A cat who can always get up and away is a much calmer cat”, em que sujeito e verbo principal ficam distantes por causa da cláusula intermediária.

Em terceiro lugar, os modelos cortam conectores em referências encurtadas, como em “the book the professor wrote” em vez de “the book that the professor wrote”. O ganho é de uma palavra a menos; a perda é um momento de confusão para entender como as partes se encaixam.

O quarto padrão é o empilhamento de substantivos, que força o leitor a decifrar sozinho qual palavra modifica qual, como em “horror movie soundtrack generator”. Em sequência, o quinto vício é transformar substantivos em verbos em contextos pouco naturais, como “calendar it” em vez de “put it in the calendar”.

Por fim, o sexto padrão é aplicar verbos típicos de seres animados a sujeitos inanimados, criando metáforas estranhas, como a frase de Claude Opus 5 “A whole conversation is eating its own tail”. O leitor entende a ideia, mas precisa de um “meio segundo” a mais para traduzi-la mentalmente para algo mais natural.

Como os pesquisadores identificaram os padrões de texto em IA?

Os seis vícios de escrita surgiram de uma comparação sistemática entre produção de IA e textos humanos. O estudo reuniu saídas de 14 modelos em três situações: 120 conversas informais, 45 sessões de programação e 980 ensaios argumentativos, e colocou esses textos lado a lado com legendas de filmes, postagens em fóruns especializados e redações de estudantes.

A partir daí, os autores passaram a medir, com ferramentas linguísticas, a frequência com que certos tipos de construção apareciam nos textos de IA e nas amostras humanas. As combinações estranhas de palavras, os cortes de conectores, o empilhamento de substantivos e as metáforas “esquisitas” surgiram muito mais entre as respostas dos modelos do que nos textos escritos por pessoas.

O grupo também treinou um modelo menor com uma penalidade para respostas mais longas, como prova de conceito. Sob certas condições de treinamento, a IA passou a preferir quase sempre frases mais curtas, mesmo quando isso não era o mais natural no contexto, e generalizou esse comportamento para padrões de frase que nem tinham aparecido no treinamento. Humanos, ao contrário, alternam entre frases curtas e longas de acordo com a situação.

Entenda o contexto

Os autores ligam esses vícios ao modo como os grandes modelos vêm sendo treinados. A etapa de ajuste fino, que antes dependia pesadamente de feedback humano direto (o chamado RLHF), vem sendo substituída por métodos com recompensas verificáveis automaticamente (RLVR), em que a máquina é avaliada por critérios objetivos, como acerto em problemas de matemática ou de programação.

“The shift from RLHF to RLVR removes humans from the feedback loop entirely, and models develop a kind of ‘dialect’ that works well for compressing information and solving complex problems but poorly for human readers”, afirma o texto da pesquisa. Em outras palavras, a IA aprende a escrever para agradar métricas que medem correção, não legibilidade.

De dentro da indústria, a explicação vai na mesma linha. Jackson Kernion, funcionário da Anthropic que trabalha no ajuste do modelo Claude, disse que “optimizing newer models for math, code, and technical explanations aimed at other AI models pushed Claude toward a style that works well for AI but reads as too dense and unnatural for humans”. Ele batizou o fenômeno de adaptação à “psicologia LLM”.

Quais impactos esses padrões têm na qualidade da comunicação feita por IA?

O efeito prático é que respostas geradas por IA tendem a estar certas, mas são cansativas e menos acessíveis. Usuários que recorrem a esses sistemas para aprender um conteúdo, revisar um texto, entender um código ou receber instruções claras acabam esbarrando em murais de informação densos, cheios de construções pouco naturais.

Isso atinge diretamente áreas que apostam alto em automação de texto, como educação, jornalismo, atendimento ao cliente e desenvolvimento de software. Em todas elas, a qualidade da comunicação depende não só da correção do que é dito, mas de quão fácil é entender a mensagem.

Ao mesmo tempo, o próprio estudo mostra que é possível corrigir essa rota. Modelos de código aberto como Llama e a versão base do Olmo ficam mais próximos da escrita humana, e dentro da família Olmo as variantes ajustadas para instruções e raciocínio apresentam ganhos de legibilidade. Os autores destacam ainda que “Opus 5.5 beats its predecessor Opus 5 in 19 out of 21 comparisons, suggesting that targeted finetuning can improve readability”.

A Anthropic afirma ter feito justamente esse movimento no Claude Opus 5.5, após versões anteriores ficarem densas demais ao priorizar tarefas técnicas. Segundo Kernion, a empresa passou a atacar problemas como clareza de frase e blocos sobrecarregados de informação. Para os pesquisadores, os próximos passos da área devem mirar um equilíbrio melhor entre precisão técnica e fluidez de leitura — o que pode significar reinserir o humano na etapa de treinamento ou criar métricas específicas para avaliar a legibilidade dos textos de IA.