A "voz de IA" tem um custo mensurável
Chatbots de IA frequentemente produzem textos que parecem... estranhos. Um estudo recente de pesquisadores da NYU e da UT Austin quantificou essa intuição, medindo estruturas de frases associadas a um maior esforço de processamento humano em resultados de 14 modelos de IA proeminentes. Esta análise revela um custo mensurável para a onipresente "voz de IA".
Os pesquisadores utilizaram o spaCy, uma biblioteca Python de código aberto, para analisar as dependências gramaticais em diversos textos gerados por IA. Eles coletaram conversas, ensaios e sessões de codificação de modelos incluindo Claude Opus 5/5.5, a família GPT-5.6, GLM-5, Kimi K2.5, Llama e OLMo. Isso permitiu identificar padrões no comprimento e na estrutura das dependências.
Eles então avaliaram esses padrões em relação às descobertas de psicolinguistas, que há muito estudam como características linguísticas específicas afetam o tempo de leitura e a compreensão humana. Essas características incluem:
- Substantivos empilhados (por exemplo, "orçamento de paciência do leitor")
- Longas dependências sintáticas
- Omissão de palavras opcionais como "que"
- Verbos animados com sujeitos inanimados
Embora o estudo meça meticulosamente a prevalência dessas características linguísticas, é crucial esclarecer o que está em jogo. A análise identifica características ligadas a uma leitura mais lenta ou que exige mais esforço; ela não prova diretamente que todo leitor tem dificuldade com cada frase gerada por IA. As descobertas indicam um viés sistemático em direção à complexidade, não uma incompreensão universal.
Seis pequenos hábitos fazem os leitores se esforçarem mais
Psicolinguistas identificaram seis padrões específicos que fazem os cérebros humanos trabalharem mais. Os modelos de IA empregam esses padrões desproporcionalmente, forçando os leitores a analisar frases como: "A frase convoluta que você está lendo agora está consumindo silenciosamente seu orçamento de paciência do leitor." Este exemplo combina um substantivo empilhado ("orçamento de paciência do leitor") com um sujeito inanimado realizando uma ação animada ("frase... consumindo").
Outros padrões comuns incluem longos intervalos entre palavras gramaticalmente ligadas, combinações raras de palavras e orações reduzidas — frases onde um "que" opcional é omitido (por exemplo, "o livro que o professor escreveu" em vez de "o livro o professor escreveu"). Verbos denominais, que transformam substantivos em verbos (por exemplo, "agendar isso"), também aumentam o esforço de processamento.
Para confirmar que os modelos de IA escolheram essas formulações menos comuns, os pesquisadores realizaram uma tradução de ida e volta de japonês para inglês usando o NLLB-200 da Meta. Esse processo preserva o significado, mas reescreve as frases em estruturas mais convencionais. Se um padrão desaparecesse após a tradução, isso indicava que o resultado original da IA era desnecessariamente convoluto.
Para quase todos os modelos de fronteira, esses padrões difíceis desapareceram após a tradução, provando que os modelos gravitam em direção a construções mais difíceis de ler, mesmo quando alternativas mais simples estão disponíveis. Modelos menores como o Llama mostraram uma adoção mínima desses hábitos, mas a família OLMo exibiu uma tendência mais forte a cada estágio de treinamento.
O incentivo de treinamento escondido à vista de todos
Mecanismos propostos para essa "voz" de IA apontam para incentivos pós-treinamento. Modelos que passam por treinamento adicional em tarefas como matemática, codificação e raciocínio são frequentemente recompensados apenas por respostas corretas, com pouca ênfase na legibilidade da explicação. Além disso, token budgets rigorosos podem favorecer inadvertidamente frases comprimidas e densas, à medida que os modelos aprendem a transmitir o máximo de informações com o mínimo de contagem de palavras.
Pesquisadores testaram essa hipótese diretamente. Eles treinaram um modelo Qwen 2.5 1.5B de parâmetros usando GRPO para converter descrições de eventos em JSON em frases em inglês, introduzindo uma pequena penalidade para cada token extra. Mesmo essa penalidade menor levou o modelo a escolher consistentemente construções mais curtas, frequentemente omitindo o "that" opcional em mais de 98% das vezes em algumas execuções. Esse comportamento surgiu mesmo em tipos de frases nas quais o modelo não foi explicitamente treinado, demonstrando como a economia de tokens pode moldar preferências sintáticas.
O comportamento do modelo variou significativamente. O estudo encontrou pouco dessa tendência "mais densa" nas saídas do Llama. Em contraste, os modelos OLMo mostraram saídas progressivamente mais densas ao longo de seus estágios de treinamento, com a versão ajustada para raciocínio exibindo a preferência mais forte por essas estruturas cognitivamente exigentes. Essas descobertas oferecem evidências sólidas de que os objetivos pós-treinamento, particularmente aqueles que recompensam a concisão em detrimento da clareza, contribuem para o problema da voz da IA. Para leitura adicional sobre os detalhes do estudo, veja Why is AI-generated language so hard to understand?.
Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.
um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros
A escrita clara é uma escolha que os laboratórios podem recompensar
De forma encorajadora, o comportamento do modelo pode mudar: o Claude Opus 5.5 pontuou menos que o Opus 5 em 19 dos 21 indicadores de dificuldade medidos. Isso sugere que os laboratórios podem recompensar ativamente uma comunicação mais clara, demonstrando que a prosa convoluta não é um traço imutável.
Para direcionar a IA para uma saída mais acessível, a engenharia de prompt deve solicitar explicitamente plain English, menos substantivos empilhados e o uso de conectores explícitos onde for útil. Priorize distâncias curtas entre palavras gramaticalmente ligadas, como sujeitos e verbos, para facilitar o processamento.
Crucialmente, a clareza deve ser avaliada independentemente da correção factual durante o treinamento e ajuste fino do modelo. Isso garante que a legibilidade não se torne uma preocupação secundária em relação à precisão, o que, como destacam os pesquisadores da NYU e da UT Austin, pode levar ao problema do "orçamento de paciência do leitor".
Em ambientes de alto risco — como revisões de código, diagnósticos médicos ou relatórios financeiros — o texto denso gerado por IA impõe um fardo indevido aos revisores humanos. Uma etapa de reescrita dedicada focada na clareza pode mitigar isso, mas sempre garanta que o significado seja preservado e a precisão seja re-verificada. A escrita clara é uma escolha de design, não um acidente.
Perguntas Frequentes
Por que os modelos de IA produzem frases difíceis de ler?
O estudo sugere que incentivos pós-treinamento podem recompensar respostas concisas e densas em informações sem recompensar adequadamente a clareza.
Quais padrões de frase tornam a escrita da IA mais difícil de ler?
Exemplos incluem substantivos empilhados, longos intervalos entre palavras relacionadas, combinações incomuns de palavras, conectores omitidos e sujeitos inanimados realizando ações animadas.
A pesquisa provou que todo modelo de IA escreve dessa maneira?
Não. Os pesquisadores encontraram diferenças entre modelos, tarefas e estágios de treinamento; alguns modelos testados mostraram tendências mais fracas do que outros.
Como as equipes podem tornar a escrita da IA mais clara?
Solicite linguagem simples (plain language), peça aos modelos para manter palavras relacionadas próximas e use uma etapa de edição separada focada na legibilidade.