Imagine ouvir um podcast sobre uma notícia que você mesmo escreveu e perceber, aos poucos, que a inteligência artificial está contando uma história diferente da sua.
É exatamente isso que aconteceu quando alguns jornalistas testaram o NotebookLM, ferramenta do Google que transforma artigos escritos em episódios de podcast gerados por IA. A proposta é interessante: tornar o consumo de notícias mais acessível para quem aprende melhor ouvindo do que lendo. Mas o que os repórteres encontraram na prática foi uma mistura curiosa de impressionante, desconcertante e, em alguns momentos, preocupante.
A IA soou humana demais nos primeiros minutos, depois começou a inventar detalhes, dramatizar histórias tranquilas, ignorar partes inteiras das reportagens e até mudar o tom de matérias que tinham um humor muito específico. Tudo isso levanta uma questão que vai além da tecnologia em si: quando uma ferramenta decide o que é importante em uma notícia, ela carrega junto os próprios critérios, limitações e, claro, os vieses embutidos no modelo. E aí o buraco é mais embaixo do que parece. 🎙️
Quando a IA resolve contar a história do seu jeito
O NotebookLM foi desenvolvido para ser uma espécie de assistente inteligente de leitura e organização de conteúdo. Entre suas funções, está a capacidade de pegar um texto, seja um artigo de jornal, uma reportagem investigativa ou uma nota curta, e transformar tudo isso em um episódio de podcast com dois apresentadores virtuais conversando sobre o tema. A voz é fluida, o ritmo é dinâmico, e nos primeiros minutos você quase esquece que está ouvindo uma máquina. É tecnicamente impressionante, não tem como negar.
Vale lembrar que essa não é a primeira experiência do tipo. Recentemente, o Google já havia colocado à prova a conversão de reportagens escritas em vídeos no estilo TikTok, e a nova rodada de testes com podcasts do NotebookLM apenas confirma um padrão. Os jornalistas descreveram os resultados com palavras como surpreendente, sem graça e explicativo. Ou seja: a tecnologia entrega uma embalagem sedutora, mas o conteúdo por dentro nem sempre corresponde ao que foi originalmente reportado.
O problema começa quando a ferramenta vai além de simplesmente narrar o que está escrito. Jornalistas que testaram o sistema relataram situações em que a inteligência artificial acrescentou informações que não estavam no texto original, criou contextos que não existiam na reportagem e, em alguns casos, alterou completamente o tom da matéria. Uma notícia escrita com ironia virou uma análise séria e pesada. Uma reportagem equilibrada sobre um tema delicado ganhou um drama que o repórter nunca quis colocar. E o mais curioso: a IA fez tudo isso com uma confiança narrativa que tornava muito difícil perceber onde o conteúdo original terminava e onde a invenção começava.
Isso não é um bug isolado. É uma característica estrutural de como os grandes modelos de linguagem funcionam. Eles não leem um texto da mesma forma que um humano lê. Eles identificam padrões, associam conceitos e reconstroem uma versão do conteúdo baseada no que foi aprendido durante o treinamento. Quando esse processo encontra uma lacuna, o modelo preenche com o que estatisticamente faz mais sentido, mesmo que isso signifique inventar um detalhe ou reinterpretar uma intenção editorial que o jornalista levou horas para construir com cuidado.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Como a IA decide o que entra no podcast
Segundo Parsa Hejabi, doutorando em ciência da computação no laboratório de moralidade e linguagem da Universidade do Sul da Califórnia, o áudio pode ser uma ferramenta bastante útil. Mas transformar um artigo em outro formato usando inteligência artificial pode introduzir viés, emoção ou falhas de comunicação. E isso acontece porque todo esse processo é o que ele chama de pipeline, uma sequência de etapas em que cada fase tem o seu próprio modo de falhar.
De forma geral, a IA começa extraindo as informações principais do material original. Depois, ela filtra os dados e prioriza os pontos que considera mais relevantes. Na terceira etapa, entra a construção da narrativa, quando os trechos selecionados viram roteiro, com transições, explicações e conclusões. Por fim, a tecnologia de conversão de texto em fala produz a voz do apresentador ou narrador.
O detalhe é que cada estágio pode gerar distorções. A extração pode perder informações importantes. A priorização pode dar peso excessivo a uma perspectiva ou destacar detalhes errados. E a fase de construção da narrativa pode inventar conexões novas ou metáforas irrelevantes. Como resumiu Hejabi, a voz, a música, o ritmo ou os elementos visuais podem introduzir uma carga emocional que simplesmente não existia no material original. E essa dimensão extra é justamente o que abre espaço para o viés e para a perda de precisão.
O que os jornalistas encontraram na prática
Os relatos dos repórteres que testaram o NotebookLM ilustram muito bem esses problemas. Gabriela Flores, repórter freelancer do veículo The Wave, contou que ficou assustada no começo de tão humana que a voz soava, com pausas e risadinhas espalhadas pela conversa. Mas foi só passar alguns minutos para ela perceber que se tratava de uma máquina. O podcast explicou bem a primeira metade da reportagem dela, sobre a abordagem do prefeito de Nova York em relação a dois grandes projetos de infraestrutura, mas acabou focando em apenas um deles e adotando a perspectiva dos manifestantes.
Pior: a IA afirmou que uma nova linha de trem conectaria uma área geograficamente isolada, algo que não é verdade, já que a região do Queens é bastante conectada. A ferramenta também usou expressões exageradas, como descrever a decisão do prefeito como jogar concreto sobre uma cápsula do tempo, inventando motivações que não estavam em nenhuma parte da matéria. Para Flores, é uma situação escorregadia e perigosa deixar a IA dar palpites próprios sobre as intenções de alguém.
Miranda Dunlap, repórter de educação do Open Campus, teve experiência parecida. Sua reportagem sobre uma comunidade afetada por enchentes ganhou um tom de choque constante ao longo dos 18 minutos de áudio, além de digressões que ela nunca escreveu, como uma sobre seguros contra desastres serem uma fraude. A IA ainda acrescentou informações sobre mecânica de enchentes e desenvolvimento urbano vindas de fora do texto original. O maior incômodo, segundo ela, é que o tempo economizado é ilusório, já que ela precisa revisar tudo de novo para conferir se cada afirmação está correta.
Já Emanuel Maiburg, do 404 Media, criticou principalmente a demora do podcast para chegar ao ponto. No jornalismo escrito, o leitor entende a essência da história logo no título, mas o áudio só chegava ao assunto principal após quatro minutos de comentários vazios e explicações que davam voltas. Ele acredita que isso acontece porque a ferramenta é treinada em podcasts populares cheios de bate-papo, algo que não faz sentido do ponto de vista de eficiência informativa. E a reportagem dele, que tinha um humor específico sobre um mascote do Vaticano, virou uma peça que ridicularizava a igreja, mudando completamente o tom original.
Nem tudo é problema: quando a IA acerta
Curiosamente, nem todas as experiências foram negativas. Jessica Craig, epidemiologista e repórter de saúde, ficou impressionada com a forma como o podcast resumiu um tema científico complexo sobre como pais tomam decisões de vacinação para seus filhos. Segundo ela, a ferramenta não simplificou demais nem tentou empurrar o ouvinte para uma conclusão específica, respeitando as diferentes perspectivas que ela havia incluído propositalmente na reportagem.
Craig até elogiou algumas metáforas criadas pela IA para explicar conceitos técnicos, como a comparação do sistema imunológico com um segurança sonolento que pode ser acordado por uma sirene presente nas vacinas. Foi uma forma criativa e didática de traduzir algo complicado. Ainda assim, ela admitiu que a sensação de ouvir alguém que não existe falando com tanta intimidade sobre o seu próprio trabalho é estranha e difícil de processar.
Precisão e viés: os dois lados de um problema só
A questão da precisão nos conteúdos gerados por inteligência artificial já é um debate antigo no setor de tecnologia, mas ele ganha uma dimensão nova quando falamos de jornalismo. Em outras áreas, um dado inventado por uma IA pode ser corrigido antes de causar dano. No jornalismo, uma informação errada distribuída em formato de podcast, com uma voz agradável e uma narrativa envolvente, tem um poder de persuasão enorme. As pessoas tendem a confiar mais no que ouvem do que no que leem, especialmente quando o áudio soa natural e bem produzido.
Mas a imprecisão factual é só metade do problema. A outra metade chama viés. Todo modelo de linguagem é treinado com uma enorme quantidade de dados, e esses dados refletem os preconceitos, preferências e lacunas do mundo real. Quando a IA decide que uma parte de uma reportagem é menos importante do que outra, ela não está fazendo isso com base em critérios editoriais humanos conscientes. Ela está fazendo isso com base nos padrões que aprendeu, que muitas vezes priorizam conteúdo dramático, conflituoso ou emocionalmente carregado, simplesmente porque esse tipo de conteúdo aparece mais nos dados de treinamento.
O resultado prático disso é que a narrativa gerada pela IA pode distorcer a realidade de uma reportagem de maneiras sutis, mas significativas. Uma matéria sobre uma política pública bem-sucedida pode virar uma história sobre burocracia e obstáculos, porque conflito vende mais do que sucesso. Uma entrevista cuidadosa com múltiplas perspectivas pode ser resumida em uma única visão, porque o modelo entendeu aquela como a perspectiva dominante. Esses deslizes não são intencionais, mas são sistemáticos. E sistemático é muito mais difícil de detectar e corrigir do que acidental. 🤖
O que isso significa para quem consome notícias em podcast
Para o ouvinte comum, que talvez não saiba que aquele episódio foi gerado por inteligência artificial, a experiência pode ser bastante enganosa. A voz soa humana, o conteúdo parece organizado e bem embasado, e não há nenhuma indicação clara de que partes daquela conversa foram literalmente inventadas pelo modelo. Isso coloca o consumidor em uma posição vulnerável, especialmente em um momento em que a desinformação já é um problema gigantesco no ecossistema de mídia digital.
A transparência sobre o uso de IA na produção de conteúdo jornalístico é um ponto que ainda está sendo negociado entre veículos, plataformas e reguladores no mundo todo. Algumas publicações já adotam políticas de divulgação obrigatória sempre que um texto ou áudio passou por geração automatizada. Outras ainda operam em uma zona cinza, onde a IA é usada como ferramenta de apoio, mas a linha entre assistência e autoria se torna cada vez mais tênue. O podcast gerado automaticamente é um exemplo claro de onde essa linha pode desaparecer por completo se não houver critérios bem definidos.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Além disso, existe o impacto direto sobre os próprios jornalistas. Quando uma IA pega o seu trabalho e o reapresenta de uma forma diferente, com detalhes que você não escreveu e um tom que você não escolheu, isso levanta questões sérias sobre autoria, integridade editorial e responsabilidade. Se alguém ouvir aquele podcast e tomar uma decisão com base em uma informação que a IA inventou, quem responde por isso? O jornalista cujo texto serviu de base? A empresa que fez a ferramenta? A plataforma que hospedou o conteúdo? Essas perguntas ainda não têm respostas claras, e enquanto o debate não avança, a tecnologia continua sendo usada em larga escala. 🎧
A narrativa automática e os limites do que a IA entende
Um dos pontos mais fascinantes, e ao mesmo tempo mais problemáticos, dessa discussão é o que a inteligência artificial simplesmente não consegue capturar em uma narrativa. Jornalismo de qualidade é construído com camadas: o que está escrito, o que está nas entrelinhas, o contexto cultural, o timing da publicação, a intenção do repórter ao escolher determinadas palavras. Um bom texto jornalístico carrega decisões editoriais em cada vírgula. A IA, por mais sofisticada que seja, não tem acesso a essas camadas. Ela enxerga a superfície e tenta reconstruir o que imagina estar por baixo.
Isso fica ainda mais evidente em matérias que dependem de humor, ironia ou sarcasmo. Esses recursos são profundamente culturais e contextuais. Uma piada que faz sentido para um público específico pode soar ofensiva ou simplesmente sem graça para outro. Uma IA treinada principalmente em inglês, por exemplo, tem dificuldades reais para capturar as nuances do humor brasileiro, que é extremamente regional, histórico e carregado de referências que não existem em outras línguas. Quando o NotebookLM pega uma reportagem bem-humorada e transforma em um episódio sério de podcast, não é descuido, é uma limitação estrutural do modelo.
E a precisão da narrativa também sofre quando o modelo tenta simplificar conteúdos complexos para um formato de áudio mais dinâmico. Explicações técnicas, dados estatísticos e argumentações com múltiplas variáveis são frequentemente achatadas em frases simples que perdem boa parte da profundidade original. Para um ouvinte que já conhece o tema, isso pode parecer superficial. Para alguém que está tendo o primeiro contato com aquele assunto, pode criar uma compreensão incompleta ou até equivocada da realidade, sem que ele tenha nenhuma forma de perceber isso. Esse é talvez o viés mais silencioso de todos: o da simplificação que parece clareza, mas esconde complexidade. 🔍
O que o ouvinte deve manter em mente
No fim das contas, o conselho mais importante de quem estuda esses sistemas é simples e vale ouro. Segundo Hejabi, é fundamental lembrar da primeira etapa do processo, aquela em que o modelo escolhe o que considera importante. Esses pontos podem não ser tão relevantes quanto parecem, porque cada modelo carrega pesos, valores e prioridades próprios, que variam entre empresas, áreas de conhecimento e produtos.
Ele também reforça que os conteúdos gerados podem soar plausíveis de forma geral, mas ainda assim conter imprecisões. Por isso, a verificação é a fase mais importante que qualquer usuário deveria adotar, não importa o quanto confie no sistema ou o quanto tenha pressa. Aceitar a saída de uma IA de forma cega é justamente o que não deve acontecer. Ou seja: use a ferramenta como ponto de partida, mas nunca como ponto final. A curiosidade crítica continua sendo a melhor defesa que temos contra a desinformação, mesmo quando ela chega com uma voz simpática e um roteiro caprichado. 😉
