---
title: "Por que a suposta criatividade da inteligência artificial está nos levando a um pensamento idêntico?"
description: "Os modelos de linguagem geram ideias aparentemente originais, mas coletivamente repetitivas, ameaçando a diversidade do pensamento humano."
url: https://notaspsi.com/avancos-na-psicologia/criatividade-ia-pensamento-identico/
date: 2026-07-22
modified: 2026-07-22
author: "Redação"
image: https://notaspsi.com/wp-content/uploads/54vab3f1z6w.jpg
categories: ["Avanços na Psicologia"]
tags: ["Ciberpsicologia", "Criatividade", "Inteligência Artificial"]
type: post
lang: pt
---

# Por que a suposta criatividade da inteligência artificial está nos levando a um pensamento idêntico?

Nos últimos anos, os modelos de linguagem de grande escala (*LLMs*, sigla em inglês) se posicionaram como assistentes idôneos para o processo criativo. Seja para redigir histórias, estruturar código ou gerar ideias de negócio, milhões de usuários recorrem à IA confiando em sua capacidade de gerar propostas novedosas. Mas, *o que acontece se a suposta “originalidade” da IA for unicamente um efeito óptico e, na realidade, todos os computadores estiverem tendo exatamente a mesma ideia?*

Um estudo publicado por Wenger e Kenett (2026) abordou essa inquietação analisando não apenas um modelo isolado (como o ChatGPT), mas uma ampla gama de arquiteturas abertas e fechadas para determinar se a falta de variedade é um defeito de uma ferramenta específica ou um traço intrínseco da IA generativa.

Para compreender esse fenômeno, convém desmembrar como a psicologia cognitiva mede a capacidade criativa. Tradicionalmente, a criatividade verbal é avaliada por meio de dois pilares:

- **Pensamento divergente:** A habilidade de gerar múltiplas soluções a partir de um único ponto de partida, medida habitualmente com a Tarefa de Usos Alternativos (AUT, sigla em inglês).
- **Pensamento associativo:** A capacidade de navegar pela memória e conectar conceitos distantes entre si, avaliada por meio de tarefas como a Tarefa de Associação Divergente (DAT) ou o Fluxo para Frente (FF).

Nesses testes, a **originalidade individual** é calculada medindo a *distância semântica* entre o estímulo inicial e a resposta. Pense na distância semântica como a trajetória de uma viagem mental: se eu disser “livro” e você responder “ler”, a distância é curta; se responder “isolante acústico para paredes”, você percorreu uma distância semântica muito maior.

À primeira vista, os modelos de linguagem parecem dominar esse jogo. Quando você avalia o ChatGPT, Gemini ou Llama de forma isolada, eles costumam obter pontuações de distância semântica mais altas que a média humana. Parecem máquinas de ideias originais.

No entanto, Wenger e Kenett introduziram uma métrica populacional crucial: a **variabilidade inter-resposta**. Seguindo nossa analogia da viagem, os modelos de inteligência artificial efetivamente viajam muito longe do ponto de origem, mas *todos pousam exatamente no mesmo destino*. A inteligência artificial não está explorando um mapa amplo de possibilidades; está executando o mesmo desvio estatístico uma e outra vez.

## Uma monocultura algorítmica revelada pelos dados

A equipe de pesquisa analisou as respostas de 102 participantes humanos e as comparou com as de 22 modelos de linguagem de famílias arquitetônicas independentes (como OpenAI, Google, Meta, Anthropic e Mistral). Os resultados desenharam um padrão inequívoco:

### 1. Superioridade individual frente à pobreza coletiva

No teste AUT, os modelos de linguagem superaram ligeiramente os humanos em originalidade individual (*u = 0.711$ vs. u = 0.696*). No entanto, ao medir a variabilidade populacional entre modelos, a diversidade semântica da IA despencou para *u = 0.459*, em comparação com o demonstrado pelos humanos.

A diferença arrojou uma magnitude de efeito descomunal (*d = 1.8, t(308) = 12.6, p < 0.001*). Em métricas de ciências do comportamento, um tamanho de efeito superior a $0.8$ é considerado massivo, o que confirma que a repetição entre modelos não é um acaso, mas uma constante estrutural.

### 2. O beco sem saída da “temperatura”

Costuma-se assumir que ajustar a “temperatura” de um modelo (o parâmetro que controla a aleatoriedade de suas seleções de palavras) resolve a falta de variedade. Wenger e Kenett testaram temperaturas desde *0.5* até *2.0. A T = 2.0*. Na variabilidade entre modelos atingiu níveis humanos (*u = 0.672*), mas à custa da coerência: os textos se tornaram rapidamente incoerências sintáticas e inventos léxicos inúteis. Não existe um ponto médio onde a IA ganhe imaginação sem perder a lógica básica requerida para completar a tarefa.

### 3. A armadilha do *prompting*

Pode um comando persuasivo corrigir o problema? Os pesquisadores testaram *prompts* de sistema cada vez mais agressivos, incentivando o modelo a ser “o mais ousado e original possível”. Embora o *prompting* tenha elevado a originalidade individual do modelo para *u = 0.754*, a variabilidade coletiva mal se moveu para *u = 0.551*, mantendo-se abissalmente longe da diversidade humana (*u = 0.699*).

Isso significa que não importa qual modelo você utilize ou quão elaborado seja o seu *prompt*; se você recorre a um LLM como sócio criativo para uma campanha publicitária, um roteiro ou um design de produto, você está recebendo a mesma ideia “original” que milhões de outras pessoas estão obtendo nesse preciso instante.

O desenho do estudo cuidou de forma exaustiva das possíveis variáveis de confusão. Para garantir que a baixa variabilidade da IA não fosse um mero artefato de como eles estruturam suas frases (uso recorrente de certas conjugações ou gramáticas), os autores realizaram controles experimentais isolando a estrutura sintática da substância semântica. A homogeneidade se manteve firme.

Da mesma forma, ao analisar modelos pertencentes à mesma família (como a série Llama 3), a similaridade entre respostas foi ainda mais pronunciada.

## Limites do estudo

### Modelos alinhados frente a modelos locais

O trabalho avaliou modelos acessíveis via API pública. Esses modelos passam por um processo de alinhamento por reforço (RLHF) para garantir respostas seguras e úteis. Pesquisas anteriores sugerem que o alinhamento reduz a aleatoriedade. É possível que modelos *open-weight* não alinhados mostrem dinâmicas distintas, embora os modelos comerciais representem a esmagadora maioria do uso real.

### A validade dos testes humanos em IA

Existe um debate sobre se os testes de lápis e papel desenhados para a cognição humana são ferramentas legítimas para avaliar redes neuronais. Os autores esclarecem que não buscam medir a “criatividade intrínseca” da IA como construto mental, mas sim a propriedade empírica de suas distribuições de saída frente a estímulos verbais.

## Rumo a um estreitamento do horizonte cultural humano?

Se a criatividade prospera graças à heterogeneidade e ao choque de perspectivas dísimiles, a adoção massiva de LLMs como ferramentas de brainstorming corre o risco de criar um ciclo de retroalimentação empobrecedor.

Ao delegar a fase exploratória do pensamento a motores estatísticos, arriscamo-nos a convergir para uma “média de ouro” bastante previsível. A verdadeira inovação humana não surge unicamente de calcular distâncias entre palavras em um mapa vetorial; está enraizada na corporalidade, nas intenções, na biografia individual e nas experiências vividas, fatores que nenhum modelo de linguagem possui.

Talvez a lição mais valiosa que nos deixa o trabalho de **Wenger e Kenett (2026)** é que a IA não deve substituir o caos fértil da mente humana, mas sim atuar, em todo caso, como um espelho frente ao qual contrastar nossas desviasões mais autênticas.

## Fonte

**Wenger, E. & Kenett, Y. (2026).** Large language models are homogeneously creative. *PNAS Nexus*, 5, (3). DOI: [10.1093/pnasnexus/pgag042](https://doi.org/10.1093/pnasnexus/pgag042)