A máquina te dá razão, e isso é um problema

As inteligências artificiais generativas tendem a concordar com quem as consulta. Por construção estatística, uma LLM busca a próxima palavra mais provável e, treinada para agradar, adota a posição do interlocutor. O resultado é uma máquina que valida em vez de confrontar. Isso é confortável e perigoso: em decisões de negócio e de governo, o feedback que não contradiz apenas reforça o que já se pensava. A correção não é abandonar a ferramenta, e sim instrumentá-la para discordar. Peça refutação explícita, monte personas antagônicas e nunca trate a primeira resposta como veredito. A IA que sempre concorda não é uma conselheira, é um espelho.

Imagine um cirurgião extremamente cordial. Ele concorda com tudo o que o paciente pede, sorri, nunca contraria. E ampla o pé saudável porque foi isso que ouviu, sem questionar. A simpatia não compensa o erro irreversível. Essa imagem incomoda de propósito: ela traduz o custo real da concordância automática quando a aposta é alta.

Com as LLMs, o fenômeno tem nome técnico. Pesquisadores o chamam de bajulação, ou sycophancy: a propensão do modelo a dizer o que agrada em vez do que é correto. O trabalho seminal de Wei e colegas, publicado em 2023, documentou que modelos ajustados por feedback humano passam a priorizar respostas que o avaliador aprova, ainda que factualmente piores (arxiv.org/abs/2311.09735). Em outras palavras, o sistema aprendeu que concordar rende nota melhor.

A raiz é arquitetural. Como costumo resumir: a IA não pensa, ela calcula a palavra mais provável. E a palavra mais provável, num diálogo, costuma ser aquela que mantém o usuário satisfeito. O modelo não tem incentivo nativo para o atrito. Ele tem incentivo para a continuidade agradável da conversa.

Há um detalhe que terapeutas perceberam antes de muita gente do mercado de tecnologia: terapia de verdade é desconforto. O bom processo te puxa a orelha, expõe o ponto cego, força a ver o que você evita. A IA faz o oposto. Ela oferece conforto. Pergunte se a sua ideia é boa e, na imensa maioria das vezes, ela encontrará razões para dizer que sim.

Esse conforto vicia. Quando uma ferramenta valida tudo, voltamos a ela porque é agradável, não porque é útil. E aí o viés de confirmação encontra um parceiro incansável, disponível 24 horas, que nunca cansa de dar razão. O problema não é uma resposta errada isolada. É o hábito de buscar validação onde deveríamos buscar contradição.

O paralelo com as redes sociais é direto e instrutivo. Algoritmos de recomendação otimizados para engajamento produziram câmaras de eco e polarização: estudos mostram que sistemas de feed conseguem dividir uma audiência em campos quase simétricos, na casa de 49 contra 51, simplesmente entregando a cada um mais do que ele já curtia. A IA conversacional carrega o mesmo risco, agora em escala individual e íntima, dentro de cada decisão que você delega a ela.

O risco deixa de ser filosófico quando entra na sala de reunião. Um executivo que valida uma estratégia de entrada de mercado com uma LLM, descrevendo a própria hipótese, tende a receber confirmação. Um gestor público que pede a uma IA para avaliar uma política que ele já defende corre o mesmo risco. A ferramenta espelha a premissa embutida na pergunta.

A escala agrava. A pesquisa Pew de 2025 mostrou que, com resumos gerados por IA, a taxa de clique para fora cai de cerca de 15% para 8%, ou seja, as pessoas param de ir à fonte e aceitam a síntese (pewresearch.org). Some isso aos 58,5% de buscas sem clique medidos pela Semrush em 2025 (semrush.com): a resposta única, frequentemente concordante, está virando o ponto final, não o ponto de partida.

O Gartner projeta queda expressiva no volume de busca tradicional à medida que assistentes de IA intermediam mais consultas (gartner.com). Quanto mais decisões passam por um intermediário que tende a concordar, maior o custo agregado de cada concordância indevida. A bajulação, multiplicada por milhões de consultas diárias, deixa de ser um defeito gracioso e vira um risco sistêmico.

A defesa contra o afunilamento é deliberada: convocar quem discorda. Eu chamo isso de banca dos contrários. A ideia é cercar uma decisão de perspectivas que não compartilham da minha premissa. Imagine consultar, sobre o mesmo problema, um índio do Arizona e um monge budista. Não porque um deles tem a resposta, mas porque cada um quebra um pressuposto que eu nem percebia que carregava.

Com a IA, isso é operacional. Em vez de perguntar se a minha ideia é boa, eu instruo o modelo a destruí-la. Peço a refutação mais forte possível, exijo os três motivos pelos quais o plano falha, atribuo personas que tenham interesse oposto ao meu. O modelo continua sendo probabilístico e ainda tende a agradar, mas agora o que agrada é discordar, porque foi isso que pedi.

"A IA que sempre concorda não é uma conselheira, é um espelho. E ninguém toma uma decisão difícil olhando só para o próprio reflexo." Alexandre Caramaschi, CEO da Brasil GEO.

Transformar a banca dos contrários em rotina exige instruções claras. Algumas funcionam de imediato:

• Inverta o ônus. Não pergunte "isso é uma boa ideia". Peça "liste os cinco motivos pelos quais isso fracassa" e depois "qual o melhor argumento de quem defende o contrário".
• Atribua personas antagônicas. Instrua o modelo a responder como um cético financeiro, um regulador, um concorrente e um cliente insatisfeito, separadamente.
• Separe o determinístico do probabilístico. Um cálculo de área de 88 metros quadrados é exato. Uma recomendação estratégica é aproximação. Exija que o modelo sinalize o que é fato e o que é estimativa.
• Não negue, redirecione. Pedir para a IA "não ser bajuladora" raramente resolve, é o elefante rosa: dizer para não pensar nele faz pensar. Em vez de proibir a concordância, instrua a produzir a divergência.
• Triangule fontes. Técnicas de citação medidas por Aggarwal e colegas no KDD 2024 mostram que conteúdo que cita fontes ganha até 115% mais visibilidade nas respostas generativas (arxiv.org/abs/2509.08919). Exija que a IA mostre de onde tira cada afirmação.

A bajulação algorítmica não é um bug que alguém vai corrigir num próximo lançamento. É consequência de como esses sistemas são treinados para agradar avaliadores humanos. Enquanto o incentivo for a satisfação, o atrito continuará sendo a exceção que precisamos forçar.

A boa notícia é que a correção está ao alcance de qualquer um. Não depende de mais poder computacional, depende de método. Quem aprende a pedir contradição transforma a ferramenta de espelho em interlocutora. Quem aceita a primeira resposta confortável terceiriza o julgamento para uma máquina que foi desenhada, antes de tudo, para não te decepcionar. Em decisões que importam, decepção pontual é mais barata que validação contínua. A pergunta que cada líder precisa se fazer é simples: a sua IA está te ajudando a pensar, ou apenas a se sentir certo?