Como a inteligência artificial pode fabricar a aparência de consenso
Redes de perfis falsos, veículos de imprensa fictícios e chatbots persuasivos mostram como a IA pode apoiar a manipulação da opinião pública. Casos documentados e pesquisas recentes ajudam a entender o risco, sem confundir propaganda produzida com influência comprovada sobre uma população.
Imagine encontrar uma denúncia em um site de notícias. Nos comentários, moradores confirmam a história. Em outra rede social, um suposto especialista oferece uma explicação. Ao consultar um assistente de inteligência artificial, você recebe uma resposta organizada que repete a mesma acusação.
Esse é um cenário ilustrativo. A questão é que cada elemento pode parecer uma confirmação independente, embora todos tenham sido produzidos ou alimentados pela mesma operação. O perigo vai além de uma imagem falsa: envolve a fabricação de um ambiente no qual determinada versão dos fatos parece amplamente aceita.
Já existem registros de uso da IA para montar partes desse ambiente. Também há experimentos mostrando mudanças de opinião após conversas com chatbots. Isso exige atenção, mas não autoriza concluir que uma população inteira foi enganada ou que a tecnologia decidiu uma eleição.
O que significa fabricar consentimento
Em Manufacturing Consent, publicado em 1988, Edward S. Herman e Noam Chomsky propõem um modelo para explicar como estruturas econômicas e institucionais influenciam a seleção e o enquadramento das notícias. Entre os filtros analisados estão a propriedade dos veículos, a publicidade, a dependência de fontes poderosas, as pressões contra determinadas coberturas e o anticomunismo no contexto histórico original.
A ideia ajuda a examinar quais temas ganham destaque, quais vozes recebem credibilidade e quais alternativas ficam fora do debate. O modelo admite que esses padrões ocorram mesmo com profissionais agindo de boa-fé. Trata-se de uma interpretação sobre o funcionamento da mídia, que precisa ser confrontada com evidências em cada aplicação. [1]
Relacionar esse debate à IA é uma atualização analítica. Os autores não estudavam os chatbots atuais. Hoje, precisamos investigar também quem controla as ferramentas de produção e distribuição de conteúdo e como a autoria das mensagens se torna visível ou permanece escondida.
Quando os participantes do debate também são fabricados
O relatório da Anthropic divulgado em 10 de setembro de 2026 descreve uma operação comercial voltada à Malásia, com aproximadamente mil contas falsas, um veículo de notícias fictício e dossiês fabricados. Segundo a empresa, Claude foi utilizado na construção da infraestrutura e na produção de conteúdo, com apoio de dados eleitorais. O documento cobre atividades interrompidas entre dezembro de 2025 e agosto de 2026.
A própria Anthropic informa que não encontrou evidência de penetração dessa campanha em comunidades autênticas e que não verificou independentemente as grandes métricas alegadas pelos operadores. É um relato do fornecedor, com visibilidade sobre seu serviço, e não uma medição independente de mudança de voto. [2]
O caso ilustra o astroturfing: uma ação coordenada que tenta passar por mobilização espontânea. A aparência de apoio popular pode ser produzida por identidades fictícias. Por isso, contar comentários ou curtidas é insuficiente para concluir que muitas pessoas reais chegaram à mesma opinião.
Muitas fontes aparentes podem repetir uma única origem
Um risco adicional aparece quando a propaganda entra nas informações consultadas pelos próprios assistentes. McKenzie Sadeghi e Isis Blachez, em investigação da NewsGuard publicada em 6 de março de 2025, examinaram a rede pró-Kremlin Pravda. A auditoria encontrou repetição de narrativas falsas em 33% das respostas testadas de dez ferramentas de IA. [3]
O percentual se refere às perguntas e aos sistemas avaliados naquele momento. Não representa todas as respostas de IA, nem prova que todo modelo incorporou aquele conteúdo ao treinamento. A investigação aponta uma vulnerabilidade na recuperação de informações publicadas na internet.
A implicação é que uma afirmação pode chegar ao leitor pela voz de um assistente aparentemente confiável. Ao conferir uma resposta, vale examinar a origem de cada referência. Cinco páginas que reproduzem a mesma acusação sem apresentar novas provas não equivalem a cinco confirmações independentes.
A conversa pode persuadir sem esclarecer
Kobi Hackenburg, Ben Tappin e colaboradores publicaram na Science, em 4 de dezembro de 2025, uma pesquisa com 76.977 participantes, 19 modelos de linguagem e 707 questões políticas. Modelos de linguagem são sistemas que produzem texto a partir de padrões aprendidos e do contexto recebido. Os pesquisadores verificaram também 466.769 afirmações geradas nas interações.
Certos ajustes posteriores ao treinamento e instruções aumentaram a persuasão, mas também reduziram a precisão factual. Nesse estudo, personalização e tamanho do modelo tiveram efeitos menores do que essas intervenções. O trabalho identifica o uso rápido e estratégico de informações como parte da explicação para os resultados. [4]
Esses achados documentam efeitos nas condições experimentais. Não medem automaticamente mudança duradoura, comportamento eleitoral ou influência sobre um país. Ainda assim, mostram por que é necessário avaliar a verdade das afirmações separadamente da capacidade de convencer.
Uma resposta extensa e fluente pode exigir tempo para ser conferida. O leitor recebe muitos argumentos de uma vez, mas precisa rastrear cada dado e comparação. Essa assimetria merece atenção: a facilidade de produzir uma explicação não deve transformar a dificuldade de verificá-la em motivo para aceitá-la.
Fabricar um registro de algo que nunca aconteceu
A manipulação também pode se apresentar como uma gravação direta da realidade. Antes da eleição primária de New Hampshire, em janeiro de 2024, ligações automatizadas empregaram uma voz sintética imitando Joe Biden para orientar eleitores a não votar. Em 26 de setembro daquele ano, a autoridade norte-americana de comunicações, FCC, anunciou uma multa de US$ 6 milhões contra o consultor Steve Kramer pelas chamadas ilegais com identificação falsificada. [5]
Esse é um exemplo de deepfake, conteúdo sintético que faz alguém parecer dizer ou fazer algo que não ocorreu. O caso documenta uma tentativa de engano; não comprova que ela alterou o resultado eleitoral.
Para o cidadão, a mudança prática é que ouvir uma voz conhecida já não resolve a questão da autenticidade. Uma confirmação por outro canal, especialmente em mensagens sobre votação, dinheiro ou segurança, pode ser mais útil do que tentar decidir apenas pela qualidade do áudio.
O que os testes brasileiros acrescentam
Em 1º de outubro de 2026, o InternetLab apresentou uma nova rodada do projeto Papo de IA, desenvolvido com o LabDados/FGV e a Rede Conhecimento Social. Os dados foram coletados entre 19 e 23 de setembro. Segundo a apresentação dos resultados, 25,8% das conversas testadas com Gemini continham argumentos de deslegitimação antecipada do resultado eleitoral, frequentemente em pedidos de texto para circulação em outros espaços.
Os resultados são preliminares e dependem de testes estruturados, classificação automatizada e validação humana. Não representam a proporção de brasileiros atingidos ou de todas as conversas reais. Também não demonstram uma campanha intencional do fornecedor. [6]
O achado chama atenção para um uso intermediário: alguém pode pedir ao chatbot material enganoso e distribuir o texto depois. Investigar essa possibilidade exige observar tanto o comportamento da ferramenta quanto o uso posterior de suas respostas.
Como reconhecer o problema sem enxergar conspiração em tudo
Erro factual, viés, propaganda deliberada e concordância excessiva com o usuário precisam ser distinguidos. Um sistema pode apresentar uma resposta falsa por falha técnica; outra pessoa pode produzir a mesma falsidade de forma intencional. O conteúdo final pode ser semelhante, mas atribuir intenção requer evidências sobre os responsáveis e a operação.
Ao avaliar uma denúncia de manipulação coletiva, convém separar produção, alcance e efeito. Quantas mensagens foram geradas? Quantas pessoas reais as receberam? Houve alteração de opinião ou comportamento? Como isso foi medido? Uma rede grande de contas falsas pode fracassar em alcançar leitores, enquanto uma mensagem pode circular por canais de confiança.
Na leitura cotidiana, uma pergunta especialmente útil é: de onde veio essa afirmação? Depois, procure documentos originais, confira datas e observe se as referências realmente apresentam provas próprias. Também vale identificar quais dados relevantes ficaram fora da explicação. Uma narrativa pode distorcer o entendimento pela seleção de fatos verdadeiros.
A educação pode transformar a verificação em prática
Uma atividade pedagógica possível consiste em comparar duas explicações sobre um tema público. Os estudantes separam fatos verificáveis, interpretações e recomendações; localizam as fontes; identificam dependências entre elas; e indicam o que permanece incerto. O objetivo é aprender a justificar a confiança atribuída a uma informação.
A IA também pode contribuir. Thomas Costello, Gordon Pennycook e David Rand, em pesquisa publicada na Science em setembro de 2024, encontraram redução média de cerca de 20% na crença em teorias conspiratórias após diálogos com IA orientados por evidências, com efeitos observados por pelo menos dois meses. É um resultado de uma intervenção específica, não uma garantia para qualquer chatbot. [7]
A questão pública central é quem usa essa capacidade, com quais objetivos e sob quais condições de transparência. A autonomia do cidadão se fortalece quando ele consegue examinar uma explicação, contestá-la e conhecer seus limites. Isso exige boas ferramentas, fontes acessíveis e tempo para pensar.
Referências
- [1] Herman, Edward S.; Chomsky, Noam. A Propaganda Model. Trecho de Manufacturing Consent, 1988.
- [2] Anthropic. Detecting and countering misuse of AI: September 2026. Divulgação em 10 set. 2026; atividades entre dez. 2025 e ago. 2026. Relato do fornecedor.
- [3] Sadeghi, McKenzie; Blachez, Isis. Investigação sobre a rede Pravda e respostas de IA. NewsGuard, 6 mar. 2025. Auditoria de uma empresa de avaliação de informações.
- [4] Hackenburg, Kobi; Tappin, Ben M.; et al. The levers of political persuasion with conversational artificial intelligence. Science, 4 dez. 2025. DOI 10.1126/science.aea3884. Resumo científico consultado no PubMed.
- [5] FCC. Comunicado sobre multa a Steve Kramer por chamadas com voz sintética de Biden, 26 set. 2024.
- [6] Lima, Stephanie. Apresentação do segundo boletim Papo de IA. InternetLab, 1 out. 2026. Coleta entre 19 e 23 set. 2026.
- [7] Costello, Thomas H.; Pennycook, Gordon; Rand, David G. Durably reducing conspiracy beliefs through dialogues with AI. Science, set. 2024. DOI 10.1126/science.adq1814. Divulgação da pesquisa pela Cornell University em 12 set. 2024.
Fontes complementares: resumo de Hackenburg e colaboradores no PubMed; divulgação da pesquisa de Costello e colaboradores pela Cornell University.
Imagem de capa ilustrativa, gerada com inteligência artificial. A cena não representa acontecimentos ou participantes dos casos citados.
Quer receber mais guias práticos sobre IA e trabalho?
Assine a newsletter e receba conteúdos objetivos para aplicar no trabalho e na carreira.
Quero receber os conteúdos
Mestre em Educação Profissional e Tecnológica, engenheiro de software e profissional de transformação digital. Produz conteúdos sobre inteligência artificial, carreira e desenvolvimento pessoal e profissional.