Achatamento de Marca por IA É Arquitetural, Não Problema de Prompt

Todo líder de marketing que viu o texto rascunhado por IA voltar soando exatamente como o de um concorrente recorreu à mesma explicação: precisamos de prompts melhores. Diretrizes de marca mais rígidas. Um documento de voz que o modelo possa estudar. Mais exemplos na mensagem de sistema. A suposição embaixo de tudo isso é que distinção é um problema de ajuste, e que com instrução suficiente o modelo acabará soando como você em vez de como todo mundo.

Essa suposição está errada, e um Best Paper do NeurIPS 2025 agora tem os números para provar.

A homogeneização do conteúdo de marca gerado por IA não é uma falha de fluxo de trabalho. É estrutural. Um modelo de linguagem grande é uma compressão do centro estatístico de toda a linguagem já escrita, e quando você pede um texto, sua trajetória padrão se curva em direção a esse centro. Prompts e diretrizes empurram a saída nas margens. Não movem o substrato. O substrato é a média.

Os dados são piores do que as anedotas

Por muito tempo o achatamento foi uma impressão. Profissionais de marketing sentiam o conteúdo convergindo sem conseguir medir. Isso terminou quando Liwei Jiang e colegas rodaram 26.000 consultas em mais de 70 modelos de linguagem grandes e mediram o quão similares as saídas realmente eram. Os números principais são duros: GPT-4o e DeepSeek-V3 produziram fraseado idêntico em 81% das vezes. DeepSeek e Qwen chegaram a 82%. São empresas diferentes, pipelines de treinamento diferentes, países de origem diferentes, convergindo para as mesmas palavras quatro vezes em cada cinco.

Isso não é modelos copiando uns aos outros. É modelos descobrindo, de forma independente, o mesmo caminho de menor energia pela linguagem, porque todos foram treinados para prever o próximo token mais provável sobre aproximadamente o mesmo corpus de texto humano. O provável é, por definição, a média. Quando dois modelos concordam 81% das vezes no fraseado, eles não estão concordando um com o outro. Ambos estão concordando com a média.

O efeito de segunda ordem já é mensurável. Por uma estimativa, 74,2% das novas páginas da web contêm conteúdo de IA detectável. O corpus em que os modelos futuros vão treinar é cada vez mais a saída de modelos passados, o que significa que a média está se contraindo em direção a si mesma. Pesquisadores chamam isso de colapso de modelo: a distribuição se estreita, as caudas afinam e o centro fica mais denso a cada geração. O achatamento se acumula.

Por que o botão de temperatura não te salva

A resposta óbvia de engenharia é aumentar a aleatoriedade. A maioria das APIs expõe um parâmetro de temperatura que controla o quanto o modelo está disposto a se afastar do token mais provável. Aumente esse valor e certamente você ganha variedade.

Um estudo da PNAS Nexus, de Wenger e Kenett (março de 2026), testou exatamente isso e descobriu que não há ajuste utilizável. Em temperatura baixa, a saída é repetitiva e presa à média. Em temperatura alta, fica incoerente. Não existe faixa intermediária em que o modelo produza texto ao mesmo tempo distinto e sensato. Você passa direto de genérico para quebrado, sem nada aproveitável no corredor entre os dois. O botão que deveria comprar originalidade compra ruído.

Esta é a parte arquitetural do argumento, e é a parte que derrota toda gambiarra de engenharia de prompt. Distinção e probabilidade estão em tensão por construção. Uma frase genuinamente surpreendente é, estatisticamente, uma frase improvável, e uma frase improvável é exatamente o que o modelo foi treinado a evitar. Você não consegue sair da função objetivo via prompt.

O custo de confiança já está sendo cobrado

Se isso fosse apenas um problema estético, o marketing conviveria com ele. Não é. O estudo da Klaviyo de 2026, com 8.000 consumidores em oito países, descobriu que conteúdo de marca com IA detectada torna o consumidor quatro vezes mais propenso a confiar menos na marca. Apenas 13% dos consumidores disseram confiar completamente em IA. Quando o envolvimento de IA foi detectado, 31% relataram queda na confiança na marca, contra apenas 7% que relataram aumento.

Leia esses números junto com os dados do achatamento e o quadro estratégico fica mais nítido. O mercado está se enchendo de conteúdo que soa igual, e a audiência está penalizando quem ela flagra produzindo isso. Soar como todo mundo não é um custo neutro. É um passivo de confiança que os consumidores estão ativamente precificando.

Distinção é herdada, não gerada

Aqui está a consequência que a maioria dos times de marketing não absorveu. Se o substrato é a média, então voz distinta só pode vir de algo que o modelo não forneceu. Ela precisa ser importada para dentro do prompt, não extraída do modelo. Uma marca que tinha um ponto de vista genuinamente diferente antes de a IA tocá-la consegue codificar essa diferença e usar o modelo como amplificador. Uma marca cuja distinção morava apenas no polimento do texto não tem nada para importar, porque o polimento era exatamente a camada que o modelo agora comoditizou.

É por isso que argumentamos que conteúdo inimitável é um fosso de produto, e por que as penalidades medidas do Google sobre conteúdo de IA não são uma anomalia, e sim um indicador antecedente. As marcas que retêm voz em 2026 não são as com os melhores prompts. São as que tinham dados proprietários, um argumento real, uma experiência vivida ou uma posição contrária para começar. Voz agora se acumula sobre substância. O modelo consegue amplificar substância, e consegue polir o nada até a média, mas não consegue fabricar uma diferença que não existia antes de você abrir a janela do prompt.

O problema de governança, então, fica antes do prompt. A pergunta não é “como instruímos o modelo a soar como nós”. A pergunta é “o que temos a dizer que é nosso, e isso está codificado em algum lugar que o modelo alcance”. É uma questão editorial e estratégica, não de ferramenta. Tratá-la como questão de ferramenta é como times gastam um trimestre refinando prompts de sistema e terminam com um texto que lê como o do concorrente da esquina.

Faça isto agora

Rode uma auditoria de achatamento esta semana, e trate-a como revisão de estratégia, não como revisão de prompt.

Pegue dez peças do seu texto assistido por IA do último mês. Cole cada uma na voz de marca de um concorrente e peça a um colega para adivinhar qual empresa escreveu. Se ele não conseguir distinguir, você acabou de medir sua própria convergência para a média.

Depois faça a pergunta mais difícil para cada peça: o que aqui só poderia ter vindo de nós? Um número proprietário, uma história de cliente, uma posição que nenhum concorrente assumiria, uma verdade operacional. Se a resposta for “nada, só está bem escrito”, o modelo já comoditizou aquilo, e nenhum prompt vai resgatar.

Por fim, mova o trabalho para antes. Pare de investir em documentos de voz que o modelo estuda, e comece a investir na substância que o modelo amplifica. Os times que vencem os próximos dois anos de marketing assistido por IA não são os com os prompts mais espertos. São os que tinham algo diferente a dizer antes de o prompt existir.

Fontes

State of Brand. “The Great Flattening, Part 2.” Maio de 2026.

A Victorino ajuda times de marketing a governar a saída de IA por distinção e confiança, não só velocidade: contato@victorino.com.br | www.victorino.com.br