O estranho comportamento das IAs quando precisam escolher entre dois rostos

Durante anos, a inteligência artificial foi apresentada como uma ferramenta capaz de reduzir decisões subjetivas e ajudar a eliminar preconceitos humanos. Mas existe um detalhe incômodo nessa promessa: os sistemas aprendem com enormes quantidades de conteúdo produzido por pessoas. E isso significa que podem carregar para dentro de seus algoritmos algumas das associações e julgamentos que fazem parte da nossa própria cultura. Um novo experimento mostra até onde isso pode chegar.

O rosto parece dizer mais do que realmente diz

Um estudo publicado na PNAS Nexus analisou como diferentes modelos de inteligência artificial interpretam rostos humanos quando recebem pouquíssimas informações além da própria imagem.

Os pesquisadores testaram modelos como GPT-4o, GPT-5, Gemini 3 Flash Preview e Claude Sonnet 4.5. Em vez de fornecer histórico profissional, comportamento ou informações pessoais, os sistemas precisavam fazer comparações baseadas essencialmente na aparência.

E algumas das características avaliadas eram bastante subjetivas: inteligência, capacidade de trabalho, confiabilidade, agressividade e até egoísmo.

O experimento foi realizado inicialmente com o GPT-4o, usando cerca de 4.600 comparações entre rostos gerados por computador. Depois, os pesquisadores repetiram diferentes testes com outros modelos avançados para verificar se o comportamento aparecia de maneira mais ampla.

Em determinados cenários, a pergunta parecia quase inocente: qual das duas pessoas aparenta ser mais inteligente ou trabalhadora? Em outros, porém, as consequências imaginadas eram muito mais sérias, como escolher quem seria um bom gestor financeiro, quem deveria receber financiamento ou qual indivíduo pareceria mais propenso a cometer determinado crime.

Foi justamente aí que surgiu um padrão difícil de ignorar.

Em testes relacionados à confiança e à confiabilidade, o GPT-4o escolheu, em quase 75% dos casos, o mesmo tipo de rosto que participantes humanos haviam anteriormente associado a essas características.

A máquina pode estar aprendendo nossos próprios estereótipos

A pergunta seguinte é inevitável: de onde vêm essas associações?

Os pesquisadores ainda não têm uma resposta definitiva, mas existe uma hipótese particularmente interessante. Modelos de IA são treinados com enormes volumes de textos, imagens e outros conteúdos produzidos ao longo de anos. E esses materiais não são culturalmente neutros.

Literatura, cinema, publicidade e outras formas de representação frequentemente associam características físicas a determinados comportamentos ou personalidades. Um personagem com determinada aparência pode ser apresentado repetidamente como perigoso, outro como inteligente, outro como confiável.

Ao absorver bilhões de exemplos desse tipo, um modelo pode aprender essas relações estatísticas sem necessariamente “acreditar” nelas da maneira como uma pessoa acredita em um estereótipo.

O problema aparece quando essa associação emerge durante uma decisão.

Nesse momento, uma tecnologia que deveria analisar informações objetivas pode acabar reproduzindo padrões subjetivos que já estavam escondidos nos dados utilizados para treiná-la.

E existe uma diferença importante: quando uma pessoa julga alguém pela aparência, podemos reconhecer que se trata de uma impressão subjetiva. Quando o mesmo resultado aparece em uma interface de IA, existe o risco de que ele pareça muito mais científico simplesmente porque foi produzido por um algoritmo.

Quando a aparência entra em decisões importantes

Essa possibilidade ganha outra dimensão à medida que sistemas de inteligência artificial passam a participar de processos reais.

Ferramentas automatizadas já são utilizadas ou testadas em áreas como recrutamento, análise financeira, segurança e avaliação de candidatos. Se um sistema incorporar associações entre aparência e determinadas características pessoais, essas tendências podem acabar influenciando decisões que afetam a vida de alguém.

O problema não é apenas a existência de um preconceito dentro do modelo. É a possibilidade de esse preconceito ficar escondido atrás de uma aparência de neutralidade tecnológica.

Os pesquisadores, no entanto, destacam que o estudo possui limitações. Os testes foram realizados em condições controladas e não demonstram necessariamente que os mesmos comportamentos ocorreriam da mesma forma em aplicações reais.

Também existe a possibilidade de alguma sobreposição entre as imagens utilizadas e os dados presentes no treinamento dos modelos, embora os pesquisadores não tenham encontrado evidências claras de que os sistemas estivessem simplesmente reconhecendo aquelas imagens.

Ainda assim, o estudo levanta uma questão cada vez mais difícil de ignorar: se a IA aprende com a cultura humana, ela também pode aprender os nossos estereótipos.

O desafio, portanto, não é apenas construir modelos mais inteligentes. É descobrir como impedir que essa inteligência transforme antigos julgamentos humanos em decisões automatizadas — e aparentemente objetivas.