Google e OpenAI esbarram em um limite: o que acontece se a web ficar sem texto humano

A principal vulnerabilidade da IA generativa é que ela vive do texto humano e, ao mesmo tempo, destrói as condições em que esse texto é produzido. Buscadores, chatbots e resumos de IA prometem ao usuário uma resposta rápida, sem precisar entrar em um site, e com isso reduzem a receita de quem produz o material original. No curto prazo, os modelos ganham em conveniência. No longo prazo, correm o risco de ficar sem uma base de treinamento de qualidade e passar a aprender com os próprios reflexos.

O primeiro problema é a economia das publicações. Desde que o Google lançou o AI Overviews, em maio de 2024, a busca passou a responder cada vez mais diretamente na página de resultados, sem enviar o leitor à fonte original. Segundo dados da Chartbeat publicados pelo Axios em 17 de março de 2026, sites pequenos, com 1 a 10 mil visualizações por dia, perderam cerca de 60% dos acessos vindos de buscas em dois anos.

Os sites médios caíram 47%, e os grandes, 22%. Um estudo do Pew Research Center de 22 de julho de 2025 mostrou um efeito parecido no comportamento dos usuários: quando os resultados trazem um resumo de IA, as pessoas clicam bem menos nos links tradicionais. Para veículos de mídia, fóruns, blogs de nicho e autores independentes, isso não é uma métrica abstrata, mas um golpe direto na publicidade, nas assinaturas e na motivação para continuar escrevendo.

O segundo problema são os próprios dados. Os grandes modelos de linguagem cresceram, no início, com enormes volumes de texto da internet. Em sistemas iniciais, como o GPT-3, a maior parte do corpus de treinamento veio da web e de fontes relacionadas.

Mas a quantidade de conteúdo humano de qualidade não é infinita. Em junho de 2024, pesquisadores da Epoch AI estimaram que, no ritmo de escala de então, a indústria poderia esbarrar no limite do texto publicamente disponível e adequado para treinamento em algum momento entre 2026 e 2032. É por isso que as maiores empresas começaram a fechar acordos com o Reddit, editoras e outros donos de grandes acervos: o acesso a dados deixou de ser um detalhe técnico e virou um ativo estratégico.

Nesse cenário, a tentação de migrar para dados sintéticos parece quase inevitável. Se falta texto real, é lógico pedir a um modelo que gere material para o próximo. O problema é que esse esquema piora a qualidade aos poucos.

Um trabalho publicado na Nature em 25 de julho de 2024 descreve o efeito de colapso de modelo (model collapse): no treinamento recursivo com dados gerados por máquinas, os modelos passam a perder fatos raros, suavizar padrões complexos e amplificar erros e vieses já existentes. É como fotocopiar a mesma página várias vezes: o sentido geral ainda aparece, mas os detalhes vão desbotando a cada iteração. Até a OpenAI já reconheceu publicamente que dados sintéticos podem ajudar em casos pontuais, mas não parecem um substituto completo para um corpus humano diversificado.

Há ainda outra armadilha: separar texto humano de texto de máquina é, na prática, bem mais difícil do que parece. Os detectores de conteúdo de IA ainda erram, principalmente em textos curtos, editados ou de estilo neutro. Alguns estudos mostraram um alto percentual de falsos positivos em textos de pessoas que não têm o inglês como língua materna.

Isso significa que será difícil para a indústria simplesmente "limpar a internet" e ficar só com dados humanos confiáveis. Além disso, avaliações acadêmicas recentes já apontam que a parcela de ajuda de IA nas novas publicações cresce rápido e que o conteúdo online está ficando mais uniforme no sentido e mais estéril no tom. Em outras palavras, o problema não é só a quantidade de texto, mas também a sua diversidade.

Se esse ciclo não for rompido, a internet vai funcionar pior para todos os envolvidos. Os autores publicarão com menos frequência materiais aprofundados, porque monetizá-los fica cada vez mais difícil. As plataformas continuarão enchendo os resultados de resumos curtos de IA, poupando o clique do usuário, mas empobrecendo o ecossistema de fontes. E os desenvolvedores de modelos receberão cada vez mais conteúdo de segunda mão, que soa confiante, mas traz menos conhecimento novo.

A saída parece estar não em gerar ainda mais, mas em preservar os incentivos para a escrita humana: pagar licenças, dar atribuição transparente, usar os resumos de IA com mais cuidado e priorizar a qualidade dos dados em vez da escala pura e simples. Caso contrário, a IA realmente vai cair numa armadilha que ela mesma construiu.