Desde sua chegada a nossas vidas, a internet aprendeu sobre nós observando o que fazíamos. Ou seja, observando e registrando o que pesquisávamos, em que anúncios clicávamos, quais vídeos assistíamos até o fim e o que comprávamos, de modo que cada ação realizava deixava um sinal virtual para trás. Depois disso, as plataformas juntavam esses sinais e tentavam adivinhar o que poderia nos interessar – um processo que resultou no que chamamos hoje de marketing digital. Frente aots fatos, podemos chamar tal modelo de captação de dados de personalização por rastro, pois o sistema aprende nós acompanhando nosso comportamento.
Contudo, com a chegada meteórica dos assistentes de IA, começa a ganhar força outro tipo de personalização. Em vez de apenas observar escolhas, o sistema agora conversa conosco. Ouve sobre nossos planos, preferências, problemas e objetivos. Depois, pode guardar parte desse contexto para responder melhor em outra conversa – ou, então, para nos sugerir algo com maior acuidade. Vamos chamar isso de personalização por relato, porque o sistema aprende com aquilo que contamos e com as interpretações que constrói a partir do que contamos.
Sob esses conceitos, a diferença entre os modelos parece pequena – só parece –, uma vez que ela muda totalmente nossa relação com eles. Veja que um algoritmo de recomendações tradicional pode deduzir que alguém gosta de música grunge porque essa pessoa ouviu Nirvana várias vezes. Um assistente, por sua vez, também pode chegar a uma conclusão parecida porque ela pediu recomendações de bandas como Nirvana – mesmo que, para isso, tenha sido usado meios diferentes para fins comuns. Deste modo, no primeiro caso, o sistema observa um comportamento. No segundo, transforma uma conversa em uma informação sobre a pessoa.
É essa mudança que aparece em um estudo apresentado na ACM Web Conference de 2026. Neste, os pesquisadores analisaram 2.050 memórias registradas a partir de conversas de 80 usuários do ChatGPT. Em análise, 65 dos históricos continham memórias relacionadas ao usuário registradas no modelo – numa espécie de “persona sintética” criada a partir do contexto dado em diversas interações. Segundo o estudo, 96% delas foram criadas pelo próprio sistema, sem um pedido explícito para guardar cada informação. Por fim, os pesquisadores também identificaram dados pessoais em 28% das memórias e algum tipo de informação psicológica – como desejos, intenções, emoções ou crenças – em 52%. Isso quer dizer que, em outras palavras, os LLM’s simulavam não apenas desejos, mas também emoções de suas respectivas personas sintéticas criadas.
Diante disso, é claro que, num primeiro momento, esses números e o mérito da coleta chamam atenção, mas precisam ser lidos com cuidado, pois a pesquisa analisou um conjunto pequeno e voluntário de históricos; algo que não não prova que todos os usuários tenham o mesmo tipo de perfil, nem que as informações sejam usadas para publicidade (pelo menos formalmente). Além disso, 84% das memórias examinadas estavam diretamente ligadas ao contexto das conversas. Ou seja: o estudo não diz que o sistema inventava livremente quem eram aquelas pessoas. O ponto é que ele selecionava informações, organizava-as e decidia o que parecia importante lembrar.
Com isso, tais decisões algorítmicas são fundamentadas sob razões práticas ao dia a dia do uso de modelos como o Claude, uma vez que a memória armazenada pode evitar que alguém tenha de se apresentar de novo a cada conversa com seu modelo, gerando, assim, maior proximidade e conveniência do usuário com seu assistente, bem como, em contrapartida, um maior consumo de tokens. A OpenAI descreve o recurso como uma forma de o ChatGPT carregar preferências, projetos e restrições para interações futuras.
Em uma atualização anunciada em junho de 2026, a empresa explicou que o sistema poderia sintetizar informações surgidas naturalmente nas conversas, sem depender de pedidos explícitos para lembrar. Também diz que o usuário pode consultar e atualizar o resumo das memórias.
Voltando ao tópico dos diferentes meios de coleta de informações, a troca, da personalização por rastro pela de relato, é fácil de entender. Se o assistente se lembra do tipo de trabalho que fazemos, das nossas preferências e do que estamos tentando resolver, ele pode nos dar respostas mais úteis. Mas, para isso, precisa construir uma representação da pessoa. E uma representação não é a pessoa inteira: é uma seleção de fatos e interpretações que o sistema considera relevantes.
É aí que a personalização por relato fica diferente da personalização por rastro. Um clique costuma mostrar o que alguém fez em determinado momento, ou seja, representa uma ação pontual e descontextualizada de um potencial lead. Por outro lado, uma conversa pode trazer consigo contexto, isto é, o por que aquela escolha foi feita, se era uma curiosidade passageira ou uma preferência duradoura, se a pessoa estava falando de si ou apenas explorando uma hipótese. Dessa maneira, quando esse contexto vira uma memória curta, algumas dessas diferenças podem desaparecer, um pedido de recomendação pode ser registrado como um gosto; uma dúvida, como uma característica; uma situação temporária, como um traço permanente.
Isso, obviamente, não torna a memória inútil. Na verdade, explica por que ela pode ser tão valiosa, pois o assistente que entende melhor o contexto do usuário pode economizar tempo e oferecer uma ajuda mais ajustada. Para a empresa, é razoável inferir que uma experiência mais útil pode fazer as pessoas voltarem e dependerem mais do serviço. Essa é uma interpretação sobre a estratégia do produto, não uma conclusão medida pelo estudo.
A questão também pode ultrapassar a conversa. Se, no futuro (que já se materializa em diversos países), um assistente ajudar a escolher produtos ou serviços, a memória acumulada poderá influenciar as recomendações, não apenas com base no que compramos antes, mas no que contamos sobre nossa rotina, prioridades e limitações. O estudo, entretanto, não demonstra que isso já esteja acontecendo como publicidade direcionada. Mas aponta para uma pergunta que ficará mais importante à medida que esses assistentes participarem de mais decisões: quem passa a influenciar nossas escolhas quando uma plataforma conhece não só nossos rastros, mas também nossos relatos?
Entre no canal Entrelinhas no WhatsApp e siga nosso Instagram: informação rápida, em tempo real, que tangibilizam as transformações.
A personalização digital começou tentando prever o próximo clique. Agora, começa a interpretar a próxima conversa, de tal razão que a conveniência aumenta justamente porque o sistema guarda mais contexto. O desafio é garantir que a pessoa consiga entender o retrato que está sendo construído, corrigir o que ficou errado e decidir o que prefere não deixar registrado.
No fim, a disputa talvez não seja apenas para criar a IA que responde melhor, mas sim para criar a IA que sabe mais sobre nós – e para decidir até onde estamos confortáveis em deixá-la saber.
