Você já leu uma resposta de IA, entendeu cada palavra e mesmo assim precisou reler a frase três vezes? Não é impressão sua, e agora existe um estudo acadêmico sobre isso.
Pesquisadores da Universidade do Texas em Austin e da NYU publicaram em 21 de outubro de 2026 o artigo “Why is AI-generated language so hard to understand?” no arXiv. Eles mediram por que o texto gerado por IA anda mais difícil de ler e propõem uma explicação.
A seguir você entende o que o estudo encontrou, quais “manias” de escrita os modelos desenvolveram, por que isso acontece e como pedir respostas mais claras ao ChatGPT, ao Claude ou ao Gemini.
O que o estudo fez
Os autores, Thomas Hikaru Clark, Matias B. Martin e Kyle Mahowald, montaram um corpus novo de textos gerados por IA em três situações: conversas de chat, sessões de programação e redações escolares.
Foram usados 14 modelos, entre eles Kimi K2.5, GLM 5, versões do Claude (Sonnet 5, Opus 5, Opus 5.5 e Fable 5), três variantes do GPT-5.6 e modelos abertos das famílias Olmo e Llama. A comparação foi feita contra textos humanos e contra paráfrases criadas por tradução de ida e volta.
A tradução de ida e volta funciona assim: o texto da IA é traduzido para outro idioma (japonês, no estudo) e depois de volta para o inglês. O conteúdo fica igual, mas o estilo vira algo mais comum. Se a “mania” some na paráfrase, ela era do modelo, não do assunto.
As manias de escrita que deixam o texto pesado
O estudo mediu recursos que a psicolinguística já associa a maior esforço de leitura. Segundo os autores, todos os nove modelos de fronteira e quase fronteira analisados usaram mais sujeitos inanimados com verbos de ser vivo e mais combinações raras de palavras do que os textos humanos:
| Recurso | Exemplo adaptado | Por que pesa na leitura |
|---|---|---|
| Sujeito inanimado com verbo de ser vivo | “A função engole o erro e devolve falso” | O leitor precisa reinterpretar a frase |
| Combinações raras de palavras | “orçamento de paciência do leitor” | Palavras imprevisíveis custam mais para processar |
| Dependências longas | Sujeito e verbo separados por muitas palavras | Sobrecarrega a memória de curto prazo |
| Substantivos empilhados | “pipeline de validação de dados de cliente” | Fica ambíguo quem modifica quem |
| Substantivo virando verbo | “calendariza isso”, “nota de rodapé isso” | Força o leitor a reanalisar a frase |
Segundo o artigo, a maioria dos modelos também usou dependências mais longas, mais substantivos empilhados e mais orações relativas reduzidas nas conversas. E houve variação grande entre famílias de modelos: nem todos erram do mesmo jeito.
Por que a IA passou a escrever assim
A hipótese dos autores é simples. A linguagem humana evoluiu para comunicar bem, equilibrando facilidade para quem fala e para quem ouve. Um modelo treinado só com texto humano herda esse equilíbrio.
Só que os modelos atuais passam por um pós-treinamento pesado em matemática, código e raciocínio. Nessas tarefas, eles são recompensados por acertar a resposta, não por serem claros. Somado ao limite da janela de contexto, isso cria pressão para densidade de informação: dizer mais com menos tokens.
Para testar a ideia, os pesquisadores ajustaram um modelo com penalidade por tamanho de resposta. Ele aprendeu a resolver as tarefas com menos tokens trocando construções mais longas por mais curtas, mesmo quando isso deixava o texto menos humano, e levou essa preferência até para construções que não apareciam no treino.
O que isso muda para quem usa IA no dia a dia
Para estudantes, profissionais e criadores de conteúdo, o recado é que texto de IA não deve ir direto para o leitor final. Um e-mail para cliente, um post de blog ou um relatório merecem uma revisão de clareza, não só de fatos.
O estudo foi feito em inglês, então não dá para afirmar que os mesmos números valem para o português. Mas os recursos medidos, como substantivos empilhados e verbos inventados a partir de substantivos, também aparecem em respostas em português.
Para melhorar o resultado, vale caprichar no pedido. Nosso guia de como escrever um bom prompt mostra como definir tom, público e formato. E se você quer entender por que o modelo às vezes inventa informação, leia o que é alucinação de IA.
Checklist rápido para deixar um texto de IA mais legível
- Corte frases com mais de 25 palavras em duas.
- Troque sujeitos abstratos por quem de fato faz a ação (“o sistema engole o erro” vira “o sistema ignora o erro”).
- Desfaça pilhas de substantivos com preposições (“validação dos dados do cliente”).
- Prefira palavras comuns às raras quando o sentido for o mesmo.
- Leia em voz alta: se você tropeçar, o leitor também vai tropeçar.
Perguntas frequentes
O estudo diz que a IA ficou pior?
Não exatamente. Ele mostra que o texto ficou mais denso e com recursos que dificultam a leitura humana, possivelmente porque os modelos foram otimizados para outras metas, como acertar contas e código.
Quais modelos foram analisados?
Catorze ao todo, incluindo Kimi K2.5, GLM 5, Claude Sonnet 5, Opus 5, Opus 5.5 e Fable 5, três variantes do GPT-5.6 e modelos Olmo e Llama.
Isso vale para textos em português?
O estudo analisou textos em inglês. Os autores não mediram o português, então os números não podem ser transferidos diretamente, embora os mesmos tipos de construção apareçam em respostas em português.
Tem como corrigir?
Os autores apontam caminhos de correção no treinamento. Para o usuário, a saída prática é pedir frases curtas e linguagem simples e revisar o texto antes de publicar.
Conclusão
O texto gerado por IA ficou mais difícil de ler porque os modelos aprenderam a economizar palavras para tarefas técnicas, e esse hábito vazou para a conversa. Saber disso ajuda você a pedir melhor e a revisar com mais atenção.
Quer entender outro limite curioso dos modelos? Veja por que a janela de contexto da IA influencia tanto o resultado.