Publicado no LinkedIn Pulse, 19 de Junho de 2026.

Uma investigação recente recolheu observações de mais de 15.000 cenários distintos, reproduzindo 7 dicotomias clássicas da estratégica no mundo empresarial: diferenciação vs. comoditização, automação vs. aumento de capacidade, curto prazo vs. longo prazo, inovação radical vs. incremental, centralização vs. descentralização, competição vs. colaboração, exploração vs. rentabilização de recursos existentes.

Para cada dicotomia, os investigadores variaram sistematicamente o setor de atividade, a dimensão da empresa e as condições de mercado — tudo aquilo que, numa análise real, deveria influenciar a recomendação. A variável que mais influenciou a resposta, além do contexto fornecido e da qualidade do prompt, foi a ordem pela qual as opções de resposta foram apresentadas. A troca da posição das várias opções alternativas para o início resultou na alteração da recomendação inicial em 58% das observações. Pedir ao modelo para raciocinar com mais profundidade teve uma influência quase nula na resposta (poderá comprovar esta experiência no Confirmation Bias Lab).

Da resposta mais plausível, à perceção de recomendação personalizada

Em psicologia existe um fenómeno documentado chamado efeito Barnum — a tendência para aceitar como precisas e específicas afirmações que são, na verdade, suficientemente genéricas para se aplicarem a quase toda a gente.

“A sua empresa tem características que os concorrentes diretos não replicam facilmente?” “Os seus clientes valorizam a qualidade e a experiência, não apenas o preço?” “A competição pelo custo poderá reduzir as margens da empresa de forma insustentável?”

A maioria dos gestores responde sim às três. A resposta produzida por um LLM seria: “O seu perfil estratégico indica que deve apostar na diferenciação — construir valor percebido superior que justifique um preço premium.”

Os estudos em referência demonstram que é exatamente isto que os modelos de linguagem fazem à escala de milhões de interações diárias. Não porque os seus criadores sejam negligentes, mas porque foram treinados com os dados disponíveis — representações da realidade inevitavelmente insuficientes.

Através do processo designado de RLHF — Reinforcement Learning from Human Feedback, os modelos aprendem a produzir as respostas que recebem melhor feedback por parte de utilizadores humanos. E as pessoas, como sabemos, tendem a avaliar melhor as respostas que confirmam aquilo em que já acreditam. O modelo aprende a desenvolver respostas, com base no incentivo estrutural para a confirmação, não para apurar a verdade.

O artigo de 2025 da Universidade de Stanford (Evaluating LLM Sycophancy) confirma a presença deste mecanismo através de observações no domínio da matemática e do aconselhamento médico. Este estudo adotou prompts deliberadamente concebidas para levar os modelos a inverter o sentido das suas respostas. Isto aconteceu, de facto, em 58% dos casos os modelos a alterar o sentido das respostas fornecidas — em 15% das situações isto ocorreu de forma regressiva, foi alterada uma resposta correta para outra incorreta.

Afinal, o que é um LLM?

É simplesmente uma calculadora de sintaxe. Não no sentido pejorativo — no sentido técnico e preciso. Um modelo LLM é um sistema que extrai padrões estatísticos de texto em grande escala, os quais são usados para prever sequências plausíveis de palavras. É uma proeza de engenharia notável mas não é propriamente o que significa o termo raciocínio. Não tem capacidade de ponderar a precisão de análise de forma autónoma, sem feedback humano.

A palavra “inteligência” em AI é uma hipérbole de marketing. O mecanismo subjacente não tem acesso à realidade — tem acesso a representações textuais da realidade, filtradas de acordo com as necessidades dos profissionais que treinaram o sistema. Quando o modelo recomenda a uma empresa que adote diferenciação em vez de liderança pelo custo, não é porque analisou efetivamente a empresa. É porque a estratégia de diferenciação é a abordagem mais presente nas publicações das fontes digitais e a mais divulgada pelos autores mais lidos.

É uma ferramenta, e não um oráculo

A distinção crítica entre os dois é a seguinte: a AI pode ser usada como oráculo — o utilizador formula uma pergunta, recebe uma resposta plausível, e age com base nela. Ou enquanto parceiro de trabalho — os modelos permitem complementar a inteligência humana sobre um domínio específico, podem ser usados para alargar o leque de opções, para contra-argumentar, para encontrar variações que não tinham sido consideradas, e sempre aplicando o sentido crítico da validação humana ao resultado.

O que determina os bons e os maus resultados não é apenas o desenho funcional destas ferramentas. O fator de sucesso está onde sempre esteve – na preparação das pessoas que as utilizam, e na adequação dos modelos de governação à experiência de risco, aplicando os controlos necessários e antecipando os expectáveis comportamentos idiossincráticos dos modelos.

Fontes: i) SycEval – Evaluating LLM Sycophancy Aaron Fanous, Jacob Goldberg (1), Ank A. Agarwal (1), Joanna Lin (1), Anson Zhou (1), Roxana Daneshjou (1), Sanmi Koyejo (1) ((1) Stanford University) – 19 Sep 2025; ii) Researchers Asked LLMs for Strategic Advice. They Got “Trendslop” in Return. by Angelo Romasanta, Llewellyn D.W. Thomas and Natalia Levina – March 16, 2026