Muitos leitores notaram isso de forma anedótica: o texto escrito por modelos de IA parece cada vez mais denso, afetado e estranhamente cansativo de analisar, mesmo quando é gramaticalmente perfeito. Uma nova pré-impressão publicada no arXiv coloca dados linguísticos concretos por trás dessa intuição – e propõe uma explicação de por que isso está acontecendo.
O estudo, “Por que a linguagem gerada por IA é tão difícil de entender?”, foi apresentado em 21 de outubro pelos pesquisadores Thomas Hikaru Clark, Matias B. Martin e Kyle Mahowald. Com base em um novo corpus de texto gerado por IA em diversos domínios, os autores analisaram um conjunto de características psicolinguísticas que estão bem estabelecidas na literatura como marcadores de dificuldade de processamento para leitores humanos – incluindo cláusulas relativas a objetos, longas dependências sintáticas e n-gramas de baixa frequência. Para mais contexto sobre esta história, confira nossa atualizações de inteligência artificial.
O que os pesquisadores mediram
A psicolinguística sabe há muito tempo que nem todas as frases custam o mesmo para serem lidas. Cláusulas relativas ao objeto ("o senador que o repórter atacou...") demoram consideravelmente mais para serem processadas do que as cláusulas relativas ao sujeito. Longas dependências entre palavras forçam os leitores a reter mais material na memória. Sequências de palavras raras requerem mais esforço para serem recuperadas e integradas. Esses recursos servem como uma régua para medir o quão difícil é realmente entender um texto - independentemente de quão sofisticado ele parece.
Os pesquisadores compararam a escrita gerada por IA com duas linhas de base: texto escrito por humanos e paráfrases produzidas por meio de tradução de ida e volta, um controle projetado para separar peculiaridades genuínas do modelo do sabor genérico da prosa formal ou mecânica.
Esse controle é importante. Os céticos poderiam razoavelmente argumentar que o texto da IA simplesmente se parece com uma redação comercial ou técnica – formal, impessoal e com muitos substantivos – em vez de exibir uma patologia distinta. A tradução de ida e volta produz texto com um registro similarmente polido e ligeiramente artificial, sem qualquer treinamento de modelo de linguagem por trás dele. Se os modelos de IA ainda excedessem essa linha de base nas medidas de dificuldade de processamento, a diferença teria que vir de algo específico na forma como os próprios modelos aprenderam a escrever. Isso, em essência, é o que o estudo descobriu.
O que eles encontraram
Os resultados foram consistentes em todos os aspectos. Em comparação com a escrita humana, todos os nove modelos de fronteira e quase fronteira examinados no estudo – um grupo que inclui sistemas das famílias GPT-5.6, Claude, Llama, DeepSeek e Qwen – fizeram escolhas mensuravelmente mais difíceis:
- Mais assuntos inanimados combinados com verbos animados — o padrão característico de escrita da IA que as abstrações "aprofundam", "sublinham" ou "destacam".
- Mais n-gramas de baixa frequência, o que significa sequências de palavras incomuns que escritores humanos raramente produzem.
- Dependências sintáticas mais longas, com sujeitos e verbos separados por mais material interveniente.
- Mais substantivos empilhados e, em texto coloquial, mais orações relativas a objetos reduzidas.
O estudo também documentou variações substanciais entre famílias de modelos – nem todos os modelos são igualmente difíceis de ler – e descobriu que os modelos de IA utilizavam estas construções difíceis com mais frequência do que as paráfrases de tradução de ida e volta, indicando que o efeito é específico de como os modelos são treinados, em vez de um artefacto de registo formal.
Essa variação é discretamente um dos resultados mais úteis do artigo. Se a dificuldade de leitura fosse uma consequência inevitável da escala ou da capacidade, todos os sistemas fronteiriços se agrupariam. Em vez disso, a dispersão entre as famílias sugere que as escolhas pós-formação – a combinação de dados, os sinais de recompensa, a ênfase em domínios de raciocínio pesado – moldam visivelmente a forma como a prosa de um modelo chega a um leitor humano. Em outras palavras, o texto de IA difícil de ler é um resultado de design, não um subproduto inevitável da inteligência.
A hipótese da densidade da informação
Por que os modelos migrariam para uma linguagem mais difícil? Os autores propõem e testam uma hipótese: enquanto a linguagem humana evoluiu e é aprendida sob pressão para comunicar com sucesso, o texto gerado pela IA é cada vez mais otimizado para outros objetivos – matemática, código e tarefas de raciocínio – onde a pressão é para a densidade de informação em vez da facilidade de compreensão.
Um modelo recompensado por agrupar as respostas corretas em menos tokens aprende hábitos que são transferidos para a prosa: comprimir o significado, preferir formulações precisas, mas raras, incorporar mais estrutura por frase. O resultado é um texto com boa pontuação nos benchmarks, ao mesmo tempo que se torna cada vez menos natural para os leitores humanos.
Para testar a ideia, os pesquisadores realizaram um experimento de prova de conceito: eles ajustaram um modelo de linguagem sob uma penalidade de comprimento, forçando-o a compactar sua saída. O comportamento linguístico do modelo divergiu dos padrões semelhantes aos humanos exactamente da forma como a hipótese prevê – dando apoio causal à ideia de que a pressão de optimização, e não apenas os dados, impulsiona a mudança.
Por que é importante
As descobertas destacam o que os autores chamam de desalinhamento entre as demandas de processamento linguístico dos humanos e aquelas implicitamente preferidas pelos grandes modelos linguísticos. Esse desalinhamento tem consequências práticas. Os assistentes de IA que produzem textos mais difíceis de ler impõem uma taxa oculta a cada resposta, e o efeito aumenta à medida que as pessoas passam mais tempo lendo em rascunhos, resumos e explicações gerados por modelos.
Os autores argumentam que sua estrutura aponta para possíveis soluções – maneiras de treinar ou ajustar modelos cujos resultados respeitem os limites do processamento humano sem sacrificar a capacidade. O artigo é uma pré-impressão e ainda não foi submetido a revisão por pares, mas a sua observação central já está a ressoar: o trabalho subiu à primeira página do Hacker News a 24 de outubro, gerando um debate ativo sobre se o compromisso entre o desempenho do raciocínio e a prosa legível é fundamental ou corrigível.
Por enquanto, o estudo dá aos leitores um vocabulário validado para uma frustração familiar. O texto não está piorando por acidente – está ficando mais denso intencionalmente.
Fontes: arXiv:2610.29162, discussão do Hacker News---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
