Imagine entrar em uma sorveteria com 31 sabores. Você olha o balcão, pensa um pouco e escolhe. Agora imagine que, antes de olhar, você pergunta à inteligência artificial qual sabor pedir.
Ela responde com duas sugestões. Na próxima consulta, mais duas. E, quando outra pessoa faz a mesma pergunta, os mesmos sabores voltam a aparecer.
Os outros 29 continuam no balcão. A diferença é que quase ninguém chega a conhecê-los.
Foi com uma situação parecida que a pesquisadora Sandra Matz, da Columbia Business School, chamou a atenção do público na palestra Is AI turning us all into the same person?, apresentada no TEDxNewEngland em outubro de 2025.
Matz contou ter feito 100 perguntas ao ChatGPT sobre sabores de sorvete. Em 96 respostas, segundo sua demonstração, a indicação ficou entre dois sabores populares.
Agora troque o sorvete por um escritório de advocacia, uma agência, um software, uma marca de roupa ou um fornecedor industrial.
Quem não aparece na resposta da IA ainda tem a oportunidade de disputar aquele cliente?
A pesquisa por trás da pergunta
A história do sorvete funciona como provocação. A investigação científica é mais ampla.
Em um estudo publicado como pré-print no arXiv, Sandra Matz e coautores trabalharam com um conjunto de 110 mil escolhas de 1.000 usuários dos Estados Unidos. Eles compararam padrões humanos de preferência com escolhas produzidas por agentes baseados em modelos de linguagem.
Os agentes demonstraram maior inclinação por alternativas populares. Em diferentes condições do experimento, as escolhas se tornaram mais parecidas entre pessoas. Quando os sistemas recebiam informações para personalizar a recomendação, parte dessa semelhança diminuía. Em contrapartida, a variedade de interesses explorados por um mesmo perfil também podia ficar mais estreita.
Pense no seu próprio comportamento. Você gosta de um tipo de música, mas ocasionalmente descobre outro. Procura um restaurante conhecido e, numa caminhada, encontra um que nunca havia considerado. Escolhe uma marca de sempre, até alguém lhe apresentar uma alternativa.
O estudo levanta a possibilidade de que, ao terceirizar decisões para sistemas treinados para produzir respostas plausíveis, parte dessas descobertas fique pelo caminho.
| O que os pesquisadores observaram | Como isso aparece na vida real |
|---|---|
| Preferência por opções populares | As recomendações podem repetir nomes que já têm grande visibilidade. |
| Escolhas mais parecidas entre pessoas | Consumidores diferentes podem receber listas semelhantes. |
| Menor variedade dentro de um perfil | O usuário pode explorar menos alternativas fora de seu histórico habitual. |
Há uma consequência econômica possível aqui. Se milhões de decisões começarem por listas curtas, entrar nessa lista passa a ter valor comercial.
A marca que não entra na lista
Faça um exercício simples. Você precisa contratar uma empresa e pergunta a um assistente: “Quais são os três fornecedores mais indicados para esse serviço?”
A IA devolve três nomes com uma breve explicação. Você consulta os sites, compara preços, avalia a reputação e entra em contato.
E o quarto fornecedor? Talvez tenha uma equipe melhor, um preço competitivo e experiência na sua região. Só que ele nem entrou na conversa.
O cliente ainda vai decidir. Pode rejeitar todos os três. Pode encontrar outra empresa por indicação. Mas a seleção inicial já criou uma vantagem para quem apareceu.
Esse fenômeno merece atenção porque existe uma diferença entre estar disponível no mercado e ser considerado por quem está comprando.
Uma empresa pode investir em qualidade, construir um bom produto e organizar toda a sua operação comercial. Se o consumidor começar a jornada com uma recomendação pronta, a descoberta passa a depender também de quais informações o sistema encontra, interpreta e escolhe apresentar.
Isso afeta a maneira como pensamos presença digital, reputação, diferenciação e concorrência. Principalmente para negócios que ainda estão construindo reconhecimento.
O mercado já conhecia esse problema. A IA muda a escala da conversa
Quem já usou um aplicativo de música conhece o mecanismo. Você escuta uma canção e recebe outra parecida. Depois mais uma. Quando percebe, a plataforma já está decidindo boa parte da trilha sonora do seu dia.
Sistemas tradicionais de recomendação carregam há anos o chamado viés de popularidade, documentado em pesquisas acadêmicas sobre recomendadores.
A novidade da IA conversacional é que ela pode reunir todo esse processo em uma pergunta.
O usuário pede, compara e solicita uma decisão. Em alguns sistemas, o próximo passo já pode envolver procurar disponibilidade, selecionar um fornecedor ou executar parte de uma compra.
A vitrine, antes espalhada por dezenas de páginas, cabe em um parágrafo.
Uma marca conhecida pode aparecer por ter mais dados públicos, referências e avaliações. Outra pode ser indicada porque realmente atende melhor aos critérios pedidos. A questão que passa a interessar às empresas é simples: as respostas estão refletindo a qualidade das alternativas ou apenas repetindo a parte mais visível do mercado?
Quando a solução melhora para uma pessoa e empobrece para o conjunto
Outro estudo ajuda a enxergar o problema por um ângulo diferente.
Em pesquisa publicada na Science Advances em 2024, Anil Doshi e Oliver Hauser analisaram a escrita de histórias curtas com apoio de inteligência artificial.
O auxílio elevou avaliações de qualidade e criatividade de textos individuais, especialmente entre participantes com menor desempenho inicial. Ao comparar o conjunto, porém, os pesquisadores encontraram histórias mais parecidas entre si.
Imagine dez pessoas tentando criar uma campanha. Cada uma começa com uma ideia própria. Se todas consultam ferramentas semelhantes, o resultado final pode ficar tecnicamente melhor e, ao mesmo tempo, perder parte das diferenças que tornavam as propostas interessantes.
Foi um experimento de escrita, não de compras. Ainda assim, ele amplia a pergunta provocada por Matz: quanto da diversidade humana se perde quando muitos passam a consultar as mesmas ferramentas para criar, decidir e escolher?
Como descobrir se sua marca aparece nas recomendações
Um empresário não precisa começar essa investigação com um projeto gigantesco. Precisa começar com as perguntas certas.
Se o cliente busca um fornecedor, o que ele pergunta? Se quer comparar produtos, quais características menciona? Se está escolhendo um profissional, que critérios usa?
A partir daí, é possível montar um teste com perguntas reais, aplicadas a diferentes sistemas de IA, mantendo registro de data, versão, idioma e contexto.
| Indicador | O que observar | Por que importa |
|---|---|---|
| Presença da marca | Em quantas respostas sua empresa é citada? | Mostra se ela entra na primeira seleção. |
| Concentração das indicações | Quais são as três marcas mais recomendadas? | Revela quem ocupa mais espaço nas respostas. |
| Diversidade | Quantas empresas diferentes aparecem no conjunto? | Indica se o mercado está sendo apresentado de forma ampla ou restrita. |
| Motivo da indicação | Quais argumentos sustentam a escolha? | Ajuda a identificar informações decisivas e possíveis erros. |
| Comparação entre sistemas | Os mesmos nomes aparecem em modelos diferentes? | Mostra padrões de repetição ou diferenças de critérios. |
Para medir concentração, existe uma conta simples. Pegue o total de menções das três marcas mais citadas e divida pelo total de menções da amostra.
Exemplo ilustrativo: em 100 indicações, as três empresas mais frequentes somam 68 citações. A concentração nas três líderes é de 68%.
Esse exemplo serve para explicar a conta. Uma investigação real ainda precisaria considerar quantos fornecedores existem, quais são elegíveis e se as respostas atendem às necessidades do cliente.
Também vale registrar se as recomendações mudam quando a pergunta fica mais específica. Uma empresa pouco citada numa busca genérica pode aparecer quando o consumidor informa região, especialidade, orçamento ou requisitos técnicos.
É aí que uma auditoria pode deixar de ser mera contagem de nomes e se transformar em informação útil para a estratégia comercial.
E no Brasil?
A inteligência artificial já faz parte da rotina de empresas brasileiras. A TIC Empresas 2025, divulgada pelo Cetic.br, registrou uso de IA em 17% das empresas pesquisadas, frente a 13% em 2024.
É um sinal de adoção empresarial. Para conhecer o efeito das recomendações sobre compras no Brasil, falta medir outra coisa: a relação entre os nomes sugeridos pelos assistentes, as alternativas disponíveis e as escolhas efetivamente feitas pelos clientes.
A pesquisa de Matz foi construída com dados de usuários norte-americanos e agentes em condições experimentais. É um ponto de partida para investigar o mercado brasileiro, especialmente serviços locais, pequenos fornecedores e marcas ainda pouco conhecidas.
O caminho está aberto para pesquisas por setor, cidade e tipo de compra.
O que muda na decisão de uma empresa?
Se você vende, vale conhecer as perguntas que antecedem o contato comercial e conferir como sua empresa é apresentada nas respostas. Ter dados claros sobre serviços, especialidades, localização, condições e diferenciais ajuda o cliente a avaliar a oferta, independentemente do canal pelo qual chegou.
Se você compra usando inteligência artificial, peça alternativas e os critérios usados na seleção. Uma lista curta pode ser conveniente, mas talvez deixe de fora um fornecedor que atenderia melhor ao seu negócio.
Se desenvolve sistemas de recomendação, diversidade e justificativa das indicações podem entrar entre as medidas de qualidade. Uma resposta rápida perde parte do valor quando limita a comparação.
A questão também envolve competição. O mercado precisa de espaço para que novas empresas sejam descobertas e avaliadas. Uma tecnologia que aproxima consumidores de fornecedores tem influência sobre essa porta de entrada.
Sandra Matz e as fontes originais
Sandra Matz pesquisa comportamento humano, dados e tecnologia na Columbia Business School. Seu site oficial reúne pesquisas e atividades acadêmicas. Ela também mantém um perfil profissional no LinkedIn.
A palestra Is AI turning us all into the same person?, disponível no TED, apresenta a discussão de forma acessível. O estudo científico permite aprofundar a metodologia e os resultados.
Quem escolhe o que você vai conhecer?
A imagem da sorveteria fica na cabeça por um motivo. Os 31 sabores continuam lá. Mas uma recomendação pode mudar completamente o que cada pessoa chega a considerar.
Agora imagine a mesma dinâmica aplicada a milhares de empresas.
Antes de disputar preço, qualidade e atendimento, uma marca precisa entrar no campo de visão do consumidor. E parte desse campo de visão começa a ser organizada por sistemas que respondem, com aparente naturalidade, quais são as melhores opções.
Quando a inteligência artificial participa da escolha, aparecer entre as alternativas pode ser tão decisivo quanto ter uma boa oferta.
Resta investigar quem está aparecendo, por quê e quantos concorrentes ficaram invisíveis antes mesmo de a negociação começar.
