Durante anos, a inteligência artificial foi apresentada como uma possível alternativa aos julgamentos subjetivos feitos por seres humanos. Afinal, máquinas não deveriam ter impressões pessoais, preferências ou preconceitos. Mas o que acontece quando elas aprendem justamente com uma sociedade que possui todos esses comportamentos? Um experimento recente sugere que, diante de um simples rosto, modelos avançados podem chegar a conclusões que não deveriam estar ali.
O rosto parece dizer mais do que realmente diz
Uma das grandes promessas da inteligência artificial é justamente reduzir a influência de julgamentos humanos em processos de decisão. Só que uma nova pesquisa indica que essa promessa pode ser mais complicada do que parece.
Publicado na PNAS Nexus, o estudo analisou como diferentes modelos de IA interpretam rostos humanos. Entre os sistemas testados estavam GPT-4o, GPT-5, Gemini 3 Flash Preview e Claude Sonnet 4.5.
Os pesquisadores descobriram que os modelos tendiam a associar determinadas características faciais a traços de personalidade, mesmo quando a imagem não fornecia informações suficientes para sustentar essas conclusões.
Em outras palavras, a IA não estava apenas descrevendo o que aparecia na fotografia. Em determinadas situações, ela parecia transformar uma aparência em uma espécie de impressão sobre quem aquela pessoa seria.
Entre os atributos avaliados estavam inteligência, capacidade de trabalho, agressividade, egoísmo e confiabilidade.
O resultado é particularmente interessante porque esse comportamento lembra um mecanismo bastante conhecido entre seres humanos: formar uma impressão sobre alguém antes mesmo de conhecer sua personalidade, seu comportamento ou sua história.
E foi justamente essa semelhança que levou os pesquisadores a investigar o fenômeno de maneira mais sistemática.
Milhares de escolhas revelaram um padrão difícil de ignorar
Para testar os modelos, os pesquisadores realizaram aproximadamente 4.600 comparações com o GPT-4o usando rostos gerados por computador. Depois, experimentos semelhantes foram realizados com outros sistemas avançados.
A dinâmica era relativamente simples. Diante de diferentes rostos, a IA precisava indicar qual deles parecia mais inteligente, trabalhador, confiável ou agressivo.
Em alguns testes, porém, as perguntas iam além de características abstratas. Os modelos eram colocados diante de situações relacionadas a decisões potencialmente importantes, como identificar quem pareceria ser um bom gestor financeiro, quem deveria receber financiamento ou até quais rostos poderiam estar associados a pessoas capazes de determinados crimes.
Um dos resultados chamou atenção: em testes relacionados à confiança e à confiabilidade, o GPT-4o escolheu em quase 75% das situações o mesmo tipo de rosto que participantes humanos haviam associado anteriormente a essas características.
Isso não significa que a IA tenha descoberto alguma relação real entre aparência e personalidade. O resultado aponta justamente para outra possibilidade: o sistema pode estar reproduzindo associações aprendidas durante seu treinamento.
E é aí que a questão fica muito mais complexa.
A IA pode estar herdando nossos próprios estereótipos
Ainda não existe uma resposta definitiva sobre a origem dessas associações. Mas os pesquisadores consideram uma hipótese bastante plausível: modelos de inteligência artificial aprendem com enormes quantidades de informação produzidas pela própria sociedade.
Textos, fotografias, vídeos e outros conteúdos digitais estão repletos de associações culturais entre aparência e comportamento.
Na literatura, no cinema e em outras formas de entretenimento, por exemplo, determinados traços físicos foram repetidamente relacionados a personagens considerados perigosos, inteligentes, confiáveis ou mal-intencionados.
Um modelo treinado com esse tipo de material pode acabar absorvendo essas associações sem que alguém precise ensiná-las explicitamente.
O problema é que aquilo que aparece repetidamente nos dados não necessariamente corresponde à realidade.
Uma pessoa não se torna mais confiável por ter determinado formato de rosto. Uma aparência também não permite determinar inteligência, capacidade profissional ou predisposição para cometer um crime.
Mesmo assim, se uma associação aparece muitas vezes nos dados usados para treinar um modelo, ela pode reaparecer quando o sistema é solicitado a interpretar uma nova imagem.
Isso cria um paradoxo: uma tecnologia criada para reduzir julgamentos humanos pode acabar reproduzindo alguns deles em uma escala muito maior.
Quando a aparência entra em decisões que realmente importam
O risco aumenta quando esse tipo de capacidade deixa o laboratório e começa a ser utilizado em situações concretas.
Sistemas de IA já estão sendo incorporados a processos relacionados a recrutamento, análise financeira, avaliação de candidatos, segurança e outras atividades nas quais uma decisão automatizada pode afetar diretamente a vida de alguém.
Imagine, por exemplo, um sistema que precise avaliar candidatos e, sem que seus desenvolvedores percebam, atribua características positivas ou negativas a uma pessoa com base em sua aparência.
O resultado poderia parecer perfeitamente objetivo.
A decisão seria apresentada por um algoritmo, acompanhada de números, probabilidades ou algum tipo de justificativa automatizada. Para quem observa de fora, isso pode transmitir uma sensação de neutralidade que não necessariamente existe.
É justamente essa falsa aparência de objetividade que torna o problema particularmente delicado.
O estudo, entretanto, também possui limitações. Os experimentos ocorreram em condições controladas e não reproduzem necessariamente todos os cenários de aplicações reais. Existe ainda a possibilidade de que algumas imagens tenham aparecido nos dados de treinamento, embora os pesquisadores não tenham encontrado sinais claros de reconhecimento direto.
Ainda assim, a descoberta deixa uma pergunta difícil para a próxima geração de sistemas: se a IA aprende observando a sociedade, o que acontece quando ela aprende também aquilo que a sociedade passou séculos tentando superar?
O desafio, portanto, não é apenas construir modelos cada vez mais inteligentes. É garantir que eles não transformem nossos próprios estereótipos em decisões automatizadas com aparência de verdade.
