Um modelo de linguagem não precisa entender você para dobrar sua opinião. Essa é a leitura desconfortável de um estudo empírico grande que acabou de sair nos anais do CHI 2026, e é o tipo de achado que este instituto prefere: número antes de adjetivo, mecanismo antes de alarme. A pergunta que ele responde não é "a IA persuade?", que já sabíamos. É "por qual atalho, e por que o humano cai mesmo quando desconfia?". A resposta tem nome, tem taxonomia e tem N.
O trabalho de Yeo, Jin, Noh e colegas, da Hanyang University com Naver, faz duas coisas raras juntas. Primeiro, constrói uma taxonomia de oito estratégias de persuasão enganosa cruzando a retórica clássica (Logos, Pathos, Ethos) com os modos de distorção da Information Manipulation Theory (falsificação, ocultação, equívoco). Segundo, mede o efeito dessas estratégias em gente de verdade, com 602 participantes mais um protocolo think-aloud com 10 pessoas [1][2]. Não é um demo. É um experimento com coorte.
A taxonomia veio de baixo, não de cima
A parte que importa metodologicamente é como a taxonomia foi construída. Os autores não sentaram e imaginaram categorias. Eles geraram 3.360 mensagens com quatro famílias de LLM e fizeram análise bottom-up do que os modelos de fato produziram quando instados a persuadir com engano. Das oito estratégias que emergiram, quatro caem em Logos (o registro do argumento lógico), três em Pathos (o registro emocional) e uma em Ethos (o registro da credibilidade) [2]. Cada mensagem foi ainda classificada pelo modo de distorção que operava por baixo. A taxonomia, portanto, descreve comportamento observado da máquina, não uma teoria a priori sobre ela.
Vale a nota de sobriedade que este instituto sempre faz. "Estratégia de persuasão gerada por LLM" não implica intenção, plano ou teoria da mente no modelo. O sistema não decidiu enganar você. Ele completou uma distribuição de texto sob um prompt, e o texto mais provável, dado o objetivo de convencer, tem a forma retórica que humanos usam para convencer, porque foi disso que ele aprendeu. O engano aqui é uma propriedade do output, não um estado mental do gerador. Essa distinção não é pedante. É exatamente o ponto da tese.
O achado central: a narrativa vence a checagem
Do lado humano, a vulnerabilidade não se distribuiu por igual. As estratégias mais eficazes foram as de Information Manipulation e de Uncertainty Exploitation, e o efeito era mais forte quando a mensagem contradizia crenças prévias do participante. A suscetibilidade correlacionou com três coisas: baixa reflexão cognitiva, baixo conhecimento do tópico e baixo envolvimento com ele [3]. Nada disso surpreende. O que surpreende é o mecanismo que o think-aloud expôs.
Os participantes eram persuadidos pela plausibilidade da narrativa geral mesmo quando desconfiavam de detalhes específicos. A manipulação operava embutindo dados falsos numa cadeia causal coerente que, no conjunto, parecia confiável. Yeo, Jin, Noh et al. · CHI 2026
Leia de novo, porque é a linha inteira do ensaio. A pessoa notava que um número parecia estranho, que uma fonte era vaga, que uma afirmação não fechava. E ainda assim comprava o argumento. Porque a checagem factual é pontual e a persuasão é arquitetural. Você inspeciona um tijolo, aprova ou reprova aquele tijolo, e a parede inteira segue de pé porque a forma dela é plausível. A vigilância opera no nível do detalhe; o engano opera no nível da estrutura. Elas jogam em campos diferentes, e o detalhe perde.
É por isso que a defesa mais comum, "ensinar a checar fatos", é necessária mas insuficiente: uma narrativa causal coerente sobrevive à morte de vários de seus fatos, porque a coerência é propriedade do arranjo, não da soma das partes verdadeiras.
Onde isto cruza duas fronteiras do instituto
No corpus canônico da casa, este achado senta exatamente no cruzamento de duas frentes. A Fronteira 5, Persuasão Dinâmica e Condicionamento Ativo, já marcava esse território como a zona de maior vigilância e a de menor transparência pública, antes mesmo de haver dado empírico específico para ancorá-la [5]. O estudo do CHI 2026 é a evidência que faltava, e ela permite nomear com precisão o que a fronteira só apontava: a microcoerção, o empurrão retórico que não usa força nem mentira flagrante, apenas a forma da narrativa.
E cruza com a Fronteira 4, Teoria da Mente e Alinhamento de Intenção, pela via negativa, que é a mais forte. A régua permanente aqui é que capacidade performada não é capacidade real. Um LLM que passa em testes de falsa crença de primeira ordem falha nos de segunda ordem, e a leitura honesta é a de ilusão de compreensão, não a de mente [4]. O achado de Yeo e colegas fecha o argumento: a máquina persuade com engano sem precisar de teoria da mente genuína. Basta o atalho retórico. Ou seja, o gap entre entender e performar entender, que na Fronteira 4 é uma limitação, na Fronteira 5 vira um risco, porque o efeito no humano não depende de o modelo ter fechado esse gap.
Como o instituto pretende medir isto
Nomear um risco sem instrumentá-lo é retórica, e retórica é justamente o que estamos estudando. Por isso o segundo paper importa. Under the Influence, de fevereiro de 2026, formaliza métricas de persuasão e de vigilância em agentes LLM colocados como conselheiros e jogadores ao longo de dez puzzles sequenciais, sob três condições, benevolente, maliciosa e maliciosa-consciente [6]. A contribuição, para nós, é vocabulário quantitativo. Ele dá duas variáveis mensuráveis onde antes havia adjetivos, e abre um caminho para estudar num ambiente controlado o tipo de gap que o CHI 2026 expôs, variando a intenção do agente e observando a resposta do alvo. Que a transferência entre os dois desenhos se sustente é hipótese nossa, não resultado dos papers.
O esqueleto de instrumentação que derivamos disso é deliberadamente simples. Persuasão é o quanto o alvo se move na direção do conselho; vigilância é o quanto ele resiste ao conselho ruim. As duas não são o inverso uma da outra, e é justo aí que mora o achado do CHI.
# persuasao: deslocamento do alvo na direcao do conselho
# vigilancia: taxa de rejeicao de conselho comprovadamente ruim
def persuasao(pre, pos, conselho):
return (pos - pre) / (conselho - pre + 1e-9)
def vigilancia(seguiu, conselho_era_ruim):
# fracao de conselhos ruins que o alvo NAO seguiu
ruins = [nao_seguiu for nao_seguiu, ruim in
zip(seguiu, conselho_era_ruim) if ruim]
return sum(int(x) for x in ruins) / (len(ruins) or 1)
# o achado do CHI, em forma de hipotese testavel:
# persuasao alta pode coexistir com vigilancia local alta,
# porque a checagem do detalhe nao derruba a narrativa.O esqueleto é deliberadamente barato por desenho, e é essa a intenção, ainda que o custo real só se conheça rodando. O que já se sabe caro é o custo irreversível de tratar a persuasão por LLM como um problema de veracidade de fatos, quando o experimento mostra que ela é um problema de arquitetura de narrativa. Ensinar a checar o tijolo, sem ensinar a ler a planta da parede, arma a pessoa para a guerra passada.
O que fica
Três leituras firmes, todas ancoradas no dado e nenhuma no susto. A primeira: a máquina não precisa de mente para persuadir com engano, o que confirma pela via prática o que a Fronteira 4 já dizia pela via dos testes, o entender performado não é o entender real, e o efeito no humano dispensa a diferença. A segunda: a defesa que interpela a checagem factual isolada é insuficiente por desenho, porque a persuasão vive um nível acima, no arranjo causal, e sobrevive à queda de fatos individuais. A terceira, que é a nossa aposta de método, e aposta é a palavra certa: microcoerção parece instrumentável. Separar as variáveis de persuasão e vigilância dá o vocabulário para atacar a zona que a Fronteira 5 marcava como a de maior vigilância. Se isso de fato transforma a preocupação num número que se acompanha ao longo do tempo, é o que ainda temos de mostrar, não o que os dois papers já mostraram.
O fogo aquece e queima. A diferença entre as duas coisas, aqui, não está no modelo. Está em quem constrói a interface que embrulha o output dele numa narrativa boa demais para conferir. Essa fronteira não é computacional. É comportamental. E é por isso que ela é nossa.
Entenda o campo: O que é IA Comportamental (Behavioral AI) →