Um texto pode ser avaliado como melhor e ainda tornar o conjunto mais repetitivo. Essa é a contradição que ajuda a explicar por que conteúdos produzidos com inteligência artificial frequentemente parecem corretos, fluidos e intercambiáveis.
Há evidências de que o uso de modelos de linguagem pode elevar a qualidade de uma peça individual e, ao mesmo tempo, reduzir a diversidade entre muitas peças.
Um artigo publicado em 2026 na *Nature Human Behaviour* reuniu três estudos, sete conjuntos de dados e mais de 880 mil textos. Nos experimentos de reescrita, os modelos preservaram o conteúdo central, mas reduziram entre 21% e 50% a variação na complexidade da escrita. Também favoreceram padrões linguísticos dominantes. Isso não significa que toda frase produzida por IA será igual. Significa que, em escala, diferenças tendem a ser aparadas.
O mesmo paradoxo apareceu em um experimento publicado na *Science Advances* em 2024. Participantes que receberam ideias geradas por IA escreveram histórias avaliadas como mais criativas, com benefício maior para quem tinha desempenho criativo inicial mais baixo. Porém, as histórias assistidas ficaram mais semelhantes umas às outras.
A máquina oferece uma boa média
Um modelo de linguagem trabalha calculando quais continuações são mais plausíveis diante do que recebeu. Quando o pedido é amplo e o material de entrada é genérico, a resposta tende a ocupar uma região segura: introdução reconhecível, argumento equilibrado, exemplos comuns e conclusão limpa.
O usuário pode estreitar ainda mais esse espaço quando retira do processo justamente as escolhas que poderiam diferenciar o texto. “Deixe mais profissional” e “use um tom envolvente” definem acabamento, mas quase nada dizem sobre o que merece ser defendido, qual tensão importa ou o que deve ficar de fora.
Uma pesquisa técnica publicada no *Findings of EMNLP* em 2025 identificou outro fator dentro do próprio funcionamento dos modelos. Templates estruturais usados no treinamento e na geração, com marcadores e tokens especiais, levaram a respostas semanticamente mais parecidas em tarefas abertas. O efeito persistiu mesmo com configurações criadas para aumentar a variedade. O estudo não demonstra que pedir cinco tópicos, por si só, uniformiza um texto. Ele mostra que mecanismos criados para dar consistência também podem restringir a diversidade da saída.
O texto começa antes do comando
A homogeneização nasce da combinação entre tendências do modelo e ausência de decisões específicas no material fornecido. Se diferentes pessoas oferecem contexto genérico, pedem o mesmo tom e aceitam a primeira resposta polida, o espaço de diferença encolhe.
Há um teste simples para perceber isso. Retire o nome do autor e pergunte: este texto poderia ter sido publicado, sem estranhamento, por dez pessoas diferentes? Se a resposta for sim, talvez falte menos “humanização” e mais uma escolha que tenha dono: uma observação concreta, uma discordância real, uma prioridade assumida ou um limite claro.
A IA pode melhorar uma frase e ainda apagar parte da distância entre uma voz e outra. O ganho individual é visível. O custo coletivo aparece quando todo mundo começa do mesmo lugar e aceita a primeira boa média como ponto final.
