A IA já faz isto em minutos. Então o que é que ainda vale dinheiro?

A pergunta chega quase sempre da mesma maneira, e é legítima: se uma ferramenta escreve o texto, desenha o logótipo e monta o site numa tarde, porque é que isto continua a custar o que custa? Antes de responder, uma declaração de interesse. A Núcleo Parceiro usa inteligência artificial. O assistente que está no canto deste site é um modelo de linguagem. Não temos pureza para lhe vender, e a resposta honesta não é que a IA trabalha mal. É que ela trabalha bem, e é precisamente daí que vem o problema que o senhor tem em mãos.

O que a ferramenta faz, medido

Comecemos pelo lado que não nos favorece. A evidência disponível não diz que a IA produz material fraco. Diz o contrário, e com números.

Num ensaio aleatorizado pré-registado com 758 consultores da Boston Consulting Group, o acesso ao GPT-4 fez os participantes completarem mais 12,2% de tarefas, 25,1% mais depressa e com mais de 40% de qualidade. O ganho não se distribuiu por igual: quem estava abaixo da média subiu 43%, quem estava acima subiu 17%. Convém dizer quem assina o estudo antes de o usar: é co-assinado por académicos de Harvard, Wharton, MIT e Warwick e por três investigadores da própria BCG, que desenhou a experiência com eles e recolheu os dados. O desenho é sólido e foi registado antes de correr. O interesse é próprio, porque a BCG vende consultoria de inteligência artificial. As duas coisas são verdade ao mesmo tempo.

Num estudo publicado na Science Advances com 293 escritores e 600 avaliadores, dar ideias de IA a quem escreve fez com que as histórias fossem avaliadas como mais criativas, melhor escritas e mais agradáveis. E numa série de seis experiências publicada na PNAS, com 4.600 participantes, as pessoas não conseguiram distinguir apresentações escritas por IA das escritas por pessoas. Acertavam entre 50% e 52%, ou seja, o mesmo que atirar uma moeda ao ar.

Quem lhe disser que a IA se nota está a falar de memória. Não se nota, pelo menos em textos curtos de apresentação, que foi o que ali se mediu. E o pormenor é ainda menos confortável: a diferença existe mesmo no texto, que é mensuravelmente mais repetitivo, ao ponto de um classificador automático acertar 58,8% só com esses sinais. É o leitor humano que não os lê. Se a sua decisão dependia de o cliente reparar, essa decisão já não tem base.

É por isso que ela é um problema, não apesar disso

O mesmo estudo da Science Advances que mediu a subida da qualidade mediu outra coisa ao lado. As histórias escritas com ideias de IA ficaram mais parecidas umas com as outras. Os autores dão-lhe um nome que devia interessar a qualquer administração.

We find that access to generative AI ideas causes stories to be evaluated as more creative, better written, and more enjoyable, especially among less creative writers. However, generative AI–enabled stories are more similar to each other than stories by humans alone. These results point to an increase in individual creativity at the risk of losing collective novelty. This dynamic resembles a social dilemma: With generative AI, writers are individually better off, but collectively a narrower scope of novel content is produced. Anil R. Doshi e Oliver P. Hauser, Science Advances, 2024

Um dilema social é uma situação em que a escolha racional de cada um produz o pior resultado para todos. Cada empresa que usa a ferramenta melhora a sua peça. O conjunto das empresas estreita-se. E o senhor não vende no vazio: vende ao lado dos outros.

O efeito não é uma curiosidade de um laboratório. No ensaio da BCG, os autores registaram-no em letra de forma: there is a marked reduction in the variability of these ideas compared to those not using AI. This suggests that while GPT-4 aids in generating superior content, it might lead to more homogenized outputs. Em Georgetown, três estudos pré-registados analisaram 2.200 ensaios de candidatura à universidade e mediram quanta ideia nova cada texto acrescentava ao conjunto: a escrita humana aumentou a diversidade do grupo aproximadamente duas a oito vezes mais do que os textos do GPT-4. E na PNAS Nexus, um trabalho que testou 22 modelos diferentes contra 102 pessoas encontrou o retrato completo num par de números. No teste de usos alternativos, a originalidade média dos modelos foi 0,711 contra 0,696 dos humanos. A variabilidade entre respostas foi 0,459 contra 0,699, com um tamanho de efeito de 1,8, muito acima do limiar que se considera grande.

Individualmente competente. Coletivamente idêntico. Não é uma acusação à ferramenta, é uma descrição do que ela é.

O dado que devia parar uma administração

No estudo da Science Advances, o ganho não apareceu onde se esperava. Entre os escritores mais criativos, ter ideias de IA quase não mudou nada. Tudo o que a ferramenta deu, deu a quem estava abaixo. Os autores descrevem o resultado assim:

First, having access to generative AI effectively equalizes the evaluations of stories, removing any disadvantage or advantage based on the writers' inherent creativity Anil R. Doshi e Oliver P. Hauser, Science Advances, 2024

Repare na palavra advantage. A ferramenta que levanta quem estava atrás é a mesma que apaga a vantagem de quem estava à frente. Se a vantagem da sua empresa era ter melhor gosto, melhor texto ou melhor apresentação do que o concorrente, a IA acabou de distribuir essa vantagem a toda a gente, ao preço de uma subscrição. Se a sua vantagem não era essa, o senhor ganhou. Vale a pena saber em qual dos dois casos está antes de assinar seja o que for.

O que esta evidência não prova

Esta é a parte que a maioria dos artigos sobre o assunto não escreve, e é a parte que distingue um raciocínio de um argumento de venda.

Nenhum destes estudos mede marcas, e nenhum mede dinheiro. As tarefas são histórias de oito frases, ensaios de candidatura à universidade e dezoito exercícios de consultoria. Nenhum euro muda de mãos em nenhum deles. O salto de "os textos convergem" para "a marca perde margem" é a nossa tese, sustentada por estes dados, não uma conclusão dos autores.

E parte do efeito pode ser do pedido, não do modelo. Os autores de Georgetown admitem que a condição base pediu ao GPT-4 para escrever as a college applicant, sem contexto individualizado, o que, escrevem eles, may have encouraged more generic responses. É um pedido genérico contra uma pessoa, não um profissional contra uma ferramenta. Doshi e Hauser são igualmente diretos sobre onde o trabalho deles para: na tarefa não havia interactiveness with the LLM or variation in prompts, e escrevem que essas restrições limitam a generalização. Ou seja, os estudos medem o uso mais cru possível da ferramenta, que é precisamente o uso que nos interessa criticar, mas não é o único.

A convergência medida é modesta. Em Doshi e Hauser, ter acesso a uma ideia de IA aumentou a semelhança de uma história face às outras em 0,871 pontos, o que representa 10,7% da amplitude observada. Com cinco ideias, 8,9%. É um efeito real e estatisticamente sólido, e é pequeno. Quem usar aquele estudo para dizer que a IA torna tudo igual está a ir além do que ele mediu.

E há uma réplica que contraria o resultado. Dois investigadores repetiram a experiência, mas em vez de usarem o modelo da forma corrente, geraram os enredos através de dez personas distintas, com origens e modos de pensar diferentes. A homogeneização não apareceu. A conclusão deles merece ser lida devagar:

Our findings suggest that the trade-off may emerge from uniform deployment practices rather than from an inherent limitation of GenAI, and that diversity can be intentionally built into AI-mediated collaboration. Yun Wan e Yoram M. Kalman, preprint arXiv, 2025 (publicado em Computers in Human Behavior: Artificial Humans, 2026)

É um resultado nulo, numa amostra pequena, e um nulo prova pouco. Mas aponta para onde o assunto realmente está. A ferramenta não obriga ninguém a ser igual. O que produz o igual é toda a gente a usá-la da mesma maneira, com o mesmo pedido, sem ninguém a decidir nada pelo caminho. A homogeneização não é uma propriedade da máquina. É uma propriedade de quem não escolhe.

E, para não ficar a meio da honestidade, dois dados que cortam contra nós. A escola empírica mais exigente do marketing, o Ehrenberg-Bass Institute, sustenta que a diferenciação percebida entre marcas concorrentes é baixa e que os clientes as compram na mesma, propondo pôr no centro da estratégia a distintividade, ser reconhecível, em vez da diferença. E The Long and the Short of It, o relatório mais citado do mundo sobre eficácia de marketing, não escreve a palavra differentiation uma única vez em 84 páginas. O vocabulário com que o nosso setor vende não é o vocabulário da evidência que invoca.

Acrescente-se o caso mais incómodo de todos: o anúncio de Natal da Coca-Cola de 2025, gerado por IA e execrado pelo meio criativo, recebeu 5,9 estrelas no teste de anúncios da System1, a classificação máxima possível. Ao público, correu bem. Com três ressalvas que temos de fazer nós: quem publica a nota vende testagem de anúncios, não divulga amostra nem método naquela página, e o que o modelo mede é resposta emocional declarada num painel, não vendas. E há uma quarta que joga a nosso favor e por isso merece ainda mais cuidado: o que aquele anúncio capitaliza é o reconhecimento de um ativo construído desde 1995, os camiões e a canção, não a originalidade da execução. O problema daquele anúncio não é o público ter detestado. É qualquer concorrente conseguir repetir o exercício na semana seguinte.

Então onde é que está o dinheiro

Se a diferença pela diferença não se sustenta na evidência, o que se sustenta? Uma cadeia mais estreita e mais defensável, que está escrita no próprio relatório do IPA: o trabalho julgado original produz surpresa, a surpresa produz fama, e a fama aparece no preço.

Because fame is driven by surprise there is a strong link with creativity. Creative awards are usually given to communications that are judged to be original and therefore different in some way to anything seen before. Les Binet e Peter Field, The Long and the Short of It, IPA, 2013

E o retorno da fama, nos dados do IPA, não está no volume: está no preço. As campanhas de fama more than double price sensitivity effects, e são esses efeitos de preço, e não a subida das vendas, que explicam o lucro adicional. Com uma ressalva que os próprios autores escrevem na mesma página, e que nós repetimos por dever: apenas 16% dos casos do IPA têm algum conhecimento da sua elasticidade-preço. O número mais citado do marketing assenta numa minoria de casos que sabe medir preço.

Entretanto, ser igual é o estado normal do mercado, e isso mede-se. Num teste a 44 elementos de identidade de marcas automóveis no Reino Unido, 33 falharam o limiar mínimo de posse única na memória dos compradores. Tipos de letra, cores e assinaturas eram partilhados por várias marcas ao mesmo tempo. Só o logótipo era consistentemente do dono. A indistinção não é um risco que aparece se alguém se descuidar. É o ponto de partida, e agora tem uma tecnologia a acelerá-la.

O que muda quando se percebe

Há um dado que arruma a fantasia de escala. Uma análise de artigos recolhidos do CommonCrawl, que é um arquivo da web e não a web, estimou que em novembro de 2024 a quantidade de artigos gerados por IA ultrapassou a de artigos escritos por pessoas. Entre os artigos que aparecem nas primeiras páginas do Google, porém, 86% continuam a ser humanos, e nas citações do ChatGPT e do Perplexity, 82%. O igual multiplicou-se. Não é o que é encontrado, nem o que é citado. Convém dizer que quem publica esta análise é uma agência que vende serviço de conteúdo, e que ela própria trava a leitura causal: não prova que o Google penalize IA.

E a política declarada não é sobre a ferramenta. O texto do Google é explícito:

Scaled content abuse is when many pages are generated for the primary purpose of manipulating search rankings and not helping users. This abusive practice is typically focused on creating large amounts of unoriginal content that provides little to no value to users, no matter how it's created. Google, Spam policies for Google Web Search

no matter how it's created. O objeto da regra nunca foi a ferramenta. É a produção em massa de material não original. Uma pessoa consegue violá-la sem IA nenhuma, e um sistema de IA pode ficar de fora dela se acrescentar valor.

Falta o custo humano, que é o mais mal compreendido. Treze experiências publicadas na Organizational Behavior and Human Decision Processes, com professores, chefias, analistas e investidores, mostram que quem revela ter usado IA é confiado menos do que quem não revela. A leitura preguiçosa desse resultado é esconder. O estudo 13 do mesmo artigo mede o que acontece a quem esconde e é apanhado: numa escala de confiança, o apanhado fica em 2,49, quem revelou em 3,15, e quem nada disse em 4,02. Revelar custa. Ser descoberto custa o dobro. E o 4,02 não é inocência: é o valor da confiança enquanto o assunto não vem ao de cima.

O desconto, note-se, não é sobre a qualidade do trabalho. É sobre a presunção de que não houve esforço. Num estudo com manchetes reais, escritas por jornalistas humanos, bastou colar-lhes ao acaso uma etiqueta a dizer que tinham sido escritas por IA para a precisão percebida cair 7,6 pontos percentuais, e a queda apareceu em 41 das 42 manchetes testadas. A IA não escreveu uma única palavra daquele estudo. Noutro, sobre pintura, a etiqueta de feito por IA fez cair 62% o valor monetário que os participantes atribuíam, e 77% o tempo de produção que estimavam. São avaliações hipotéticas, não preços praticados. Mas a mecânica é essa: o desconto vem de se presumir que não custou nada a fazer.

A distinção que fazemos, e porque não é uma limitação

A IA produz. Não decide, não responde por nada, e não assina. Quando a resposta corre mal, não há ninguém do outro lado da mesa.

No ensaio da BCG há uma tarefa que os investigadores escolheram de propósito para cair fora do alcance do modelo. Nessa tarefa, os consultores que usaram IA tiveram 19 pontos percentuais menos probabilidade de chegar à resposta certa do que os que não a usaram: 84,5% de acerto no grupo de controlo, contra 60% e 70% nos grupos com IA. A ferramenta não os tornou piores em geral. Tornou-os piores exatamente onde não sabiam que ela falhava. É esse o trabalho que continua a valer dinheiro: saber onde a ferramenta acaba.

Na Núcleo Parceiro a IA está onde produz. Não está onde se decide o que a marca é, o que ela recusa ser, e o que se aguenta defender perante um acionista daqui a três anos. Isso é o Conselho: quatro Sócios que pensam, desenham e assinam cada entrega. Não é uma limitação técnica nossa. É uma posição, e as posições podem ser discutidas, ao contrário das configurações de uma ferramenta.

Se o que o senhor precisa é de produzir depressa o que já existe em padrão, a ferramenta faz isso, é honesto dizê-lo, e não precisa de nós para isso. Se o que precisa é de uma marca que se distinga num mercado onde produzir o igual acabou de ficar quase de graça, então o que está a comprar não é produção. É julgamento, e alguém que responda por ele.

Fontes

Cada número deste artigo foi verificado na fonte primária. Onde a fonte não sustenta a leitura corrente, dizemo-lo no corpo do texto.

1. Doshi, A. R. e Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. Fonte
2. Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. e Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013. Fonte
3. Moon, K., Green, A. E. e Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity. Computers in Human Behavior: Artificial Humans, 6, 100207. Fonte
4. Wenger, E. e Kenett, Y. N. (2026). Large language models are homogeneously creative. PNAS Nexus, 5(3), pgag042. Fonte
5. Wan, Y. e Kalman, Y. M. (2026). Diverse AI personas can mitigate the homogenization effect in human-AI collaborative ideation. Computers in Human Behavior: Artificial Humans, 100289. Fonte
6. Jakesch, M., Hancock, J. T. e Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. Fonte
7. Schilke, O. e Reimann, M. (2025). The transparency dilemma: How AI disclosure erodes trust. Organizational Behavior and Human Decision Processes, 188, 104405. Fonte
8. Longoni, C., Fradkin, A., Cian, L. e Pennycook, G. (2022). News from Generative Artificial Intelligence Is Believed Less. ACM FAccT '22. Fonte
9. Horton Jr., C. B., White, M. W. e Iyengar, S. S. (2023). Bias against AI art can enhance perceptions of human creativity. Scientific Reports, 13, 19001. Fonte
10. Romaniuk, J., Sharp, B. e Ehrenberg, A. (2007). Evidence concerning the Importance of Perceived Brand Differentiation. Australasian Marketing Journal, 15(2), 42-54. Fonte
11. Binet, L. e Field, P. (2013). The Long and the Short of It: Balancing Short and Long-Term Marketing Strategies. IPA, Londres. Fonte
12. Fiocchi, G. e Seyed Esfahani, M. (2024). Exploring the uniqueness of distinctive brand assets within the UK automotive industry. Journal of Brand Management, 31(1), 1-15. Fonte
13. Google. Spam policies for Google Web Search (secção Scaled content abuse). Google Search Central. Fonte
14. Graphite (2025). More Articles Are Now Created by AI Than Humans. Five Percent. Fonte
15. Graphite (2025). AI Content In Search & LLMs. Five Percent. Fonte
16. Ewing, T. (2025). AI or No AI, Coke Gets the Christmas Love. System1 Group. Fonte