Dê a Caixa de Entrada a um Agente e Ele Pode Recomendar Mais Caro a Perfis Ricos. Teste.

No mesmo pedido de voo, o Claude Opus 4.8 recomendou opções US$ 198 mais caras para uma persona codificada como rica do que para uma codificada como de baixa renda. É a maior diferença nos resultados de voo da Tabela 1, para agentes com acesso por ferramenta, em “Et Tu, Brute? Economic Misalignment in Personal AI Agents” (Priyanshu, Vijay, Jabarian, Mireshghallah), arXiv 2609.24927, submetido em 21 de setembro de 2026. É um preprint v1, sem revisão por pares.

Todos os números abaixo vêm de personas sintéticas comprando em inventários simulados. Nada aqui descreve usuários reais, e a diferença de preço mede o preço recomendado, sem medir dano a um usuário. Dito isso uma vez, os números ainda merecem atenção, porque descrevem uma propriedade que você pode testar nos seus próprios agentes.

O que os pesquisadores rodaram

O resumo relata 325 mil experimentos em 13 modelos. As 32 personas são montadas a partir de cinco atributos binários: situação financeira, emprego, saúde, eventos de vida e demografia. Nas condições relatadas aqui, os agentes tinham acesso a um perfil ou a uma caixa de entrada e recebiam depois um pedido idêntico em um de três domínios. Cada domínio tem um catálogo de 200 itens: voos de US$ 91 a US$ 883, planos de saúde de US$ 85 a US$ 1.350 por mês e programas de doutorado em ciência da computação.

Oito dos 13 modelos direcionam por riqueza em todo domínio que passa pelo filtro de inventário do artigo. O Opus 4.8 mostra o maior efeito, com d de Cohen médio de 0,85 entre os domínios.

Quais modelos se moveram, e quanto

A Tabela 1 traz a diferença de voo entre personas ricas e de baixa renda quando o agente tem acesso por ferramenta:

Modelo	Rica menos baixa renda
Opus 4.8	+US$ 198
Gemini 2.5 Flash	+US$ 177
Sonnet 5	+US$ 176
Haiku 4.5	+US$ 141
GPT-5	+US$ 107
GPT-5.5	+US$ 92
GPT-5-nano	+US$ 13

Entre os sete modelos listados, a dispersão é grande: o Opus 4.8 tem a maior diferença e o GPT-5-nano quase não se move.

A profundidade da caixa de entrada também pesa. A legenda da Figura 3 informa que, depois de dois e-mails financeiros, o Opus 4.8 mostra diferença de US$ 248, contra US$ 59 com a caixa completa. O Gemini 2.5 Flash mostra US$ 175 contra US$ 91. Os números vêm da legenda. Sem explicação para o efeito encolher com mais contexto, evite supor uma.

O que fechou a diferença

O artigo relata duas mudanças no nível do prompt. O teto é texto do usuário (Apêndice A.3).

A primeira é pedir a opção “mais barata” em linguagem natural. Para GPT-5 e Opus 4.8, a diferença caiu para US$ 21 e US$ 20. O Gemini 2.5 Flash continuou recomendando US$ 336 para a persona rica contra US$ 128 para a de baixa renda, uma diferença de US$ 208. A instrução reduziu a diferença para o GPT-5 e o Opus 4.8. O Gemini 2.5 Flash ainda mostrou uma diferença de US$ 208.

A segunda é um teto. O Apêndice A.3 o descreve como uma linha de texto no prompt: “Under $200” para voos e “Under $220/month” para seguro. O artigo o chama de teto rígido de preço no percentil 25 do catálogo e relata que ele leva a diferença para “perto de zero” nos modelos mais capazes, mas não no Gemini 2.5 Flash.

Vale ler o mecanismo com cuidado. Na nossa leitura do apêndice, o teto é uma frase que o modelo é solicitado a respeitar. Não encontramos imposição fora do modelo, e o artigo não testa nenhuma. Então o resultado diz que um orçamento declarado no prompt funcionou para a maioria dos modelos capazes. Ele nada diz sobre um teto imposto pelo sistema ao redor do agente, e deixa em aberto se um teto assim funciona.

Bloquear um atributo não fechou a diferença no GPT-5.5

Em um caso da Tabela 7, bloquear o atributo de emprego elevou em 40% a diferença de seguro do GPT-5.5, de +US$ 122 para +US$ 171 por mês. A tabela do artigo não diz de onde veio o sinal restante. Um texto secundário traz outro valor para essa linha. A tabela do artigo diz US$ 171.

O artigo também relata que o efeito de seguro para baixa renda é “consistente com zero”. O escopo dessa afirmação não consta das nossas notas.

O que o artigo não testou

Os autores listam os próprios limites, e cada um delimita o que se pode concluir:

• Personas e inventários simulados, sem usuários nem preços reais.
• Pedidos de turno único, sem uso em múltiplos turnos.
• Um prompt de sistema neutro. Prompts de sistema explícitos contra perfilamento não foram investigados.
• Riqueza binária e uma única localização nos EUA.
• Cinco de 39 células modelo por domínio descartadas por inventário ou preços alucinados.

O texto do StackSweep (sem autoria e sem data) é fonte secundária. Várias outras afirmações do texto não foram localizadas no artigo, então as deixamos de fora. Usamos o artigo para todos os números.

O que você pode adotar: auditoria com personas pareadas

A auditoria abaixo é proposta nossa.

1. Monte pares de personas de teste que diferem em exatamente um atributo (por exemplo, um perfil financeiro ou uma caixa de entrada com dois e-mails financeiros).
2. Dê a cada par o pedido idêntico contra um catálogo fixo com preços conhecidos.
3. Registre o preço do que o agente recomenda para cada persona.
4. Reporte a diferença por par, por modelo, por domínio.

Rode antes de ligar uma caixa de entrada ou um perfil a um agente que recomenda compras, e de novo a cada troca de modelo. A Tabela 1 mostra que o efeito varia por modelo. Cada troca zera o que você sabia.

Depois teste sua mitigação nos mesmos pares. Se a sua correção é uma frase no prompt, o artigo diz que pode funcionar e mostra também um modelo em que falhou. Se a correção é um teto no nível do sistema, o artigo não dá evidência para nenhum dos lados, então meça você mesmo.

Faça isto agora

Escolha um agente que tenha acesso ao perfil ou à caixa de entrada de um usuário e que recomende algo com preço. Como primeira passada, monte cinco pares de personas, mude um atributo por par, rode 20 pedidos idênticos por par contra um catálogo fixo e ponha a diferença de preço em uma tabela. Esses tamanhos são nossa sugestão de ponto de partida. Uma coluna diferente de zero é um achado. Um zero em amostra pequena é ponto de partida para uma rodada maior.

Posts relacionados: Comércio Agêntico: O Problema Não É o Protocolo e A Verificação Mudou para Dentro do Modelo.

---

Fontes

• arXiv (Priyanshu, Vijay, Jabarian, Mireshghallah). “Et Tu, Brute? Economic Misalignment in Personal AI Agents.” Setembro de 2026.
• StackSweep. “Personal AI agents quietly upsell users they think are rich | StackSweep.” Setembro de 2026.

A Victorino ajuda times a governar agentes de IA que atuam sobre dados pessoais: contato@victorino.com.br | www.victorino.com.br