Durante a primeira fase da adoção da inteligência artificial (IA) no jornalismo, a discussão concentrou-se principalmente em ferramentas. Sistemas capazes de auxiliar jornalistas em tarefas específicas, como transcrição, tradução, resumo de documentos, sugestão de títulos ou revisão textual, foram incorporados como instrumentos de apoio ao trabalho editorial. Essa fase caracteriza-se por uma relação relativamente simples entre humano e máquina: o jornalista formula uma solicitação, o sistema produz uma resposta e o profissional avalia o resultado antes de adotá-lo. O controle permanece concentrado no humano. O modelo de linguagem funciona como uma ferramenta cognitiva “melhorando”, por assim dizer, capacidades individuais na estrutura do processo jornalístico.
Assim, na era da IA — da preditiva à generativa —, recebemos a “ajuda” da IA como assistente de fluxo de trabalho editorial na confecção das notícias, e ela continua evoluindo, como previsto, de acordo com o próprio treinamento do aprendizado de máquina: de um lado, com mais dados; de outro, com o refinamento constante pelos acertos e erros, o que faz com que ela, obviamente, alucine cada vez menos. Há que se ressaltar que ela é treinada com dados medianos, e não refinados ou limpos, razão pela qual a qualidade é, muitas vezes, ruim. Adquirimos também a possibilidade de medir o rastreamento de impacto da IA tanto na rotina de trabalho dos jornalistas quanto na identificação precisa da audiência, no intuito de saber quais notícias servem às necessidades humanas para que as pessoas possam formar suas opiniões, compartilhar experiências e exercer a cidadania, inclusive a digital.
Ainda na era da IA, é quando, principalmente a partir das mudanças nos modelos de negócios, o tráfego de informações transita cada vez menos nos sites de notícias para figurar cada vez mais dentro dos chatbots, e seu uso migra de um motor de busca para um contexto de fato e repercussão, triangulando outras mídias e até mesmo influenciadores para comparação e possível chamada de ações. Mesmo sendo notório que o chatbot inventa quando não sabe a resposta. Vamos lembrar que o internauta só consome o que lhe interessa — e a IA fatia o que está disponível na big data e/ou nas redes e entrega uma síntese —, e o usuário pode questionar, pedir aprofundamento, análises etc., e não mais recebe informação aleatoriamente, como antes, quando achávamos que estávamos criando gosto nele. Época que já passou. Ainda mais com a infeliz prática de negar acesso gratuito, como algumas empresas tradicionais persistem, pois isso só piora a queda de audiência na imprensa tradicional. É preciso liberar conteúdo (completo, aprofundado, com variadas fontes etc.) dentro dos softwares das IAs, se quiser ser consumido, ou seja, fazer parte das conversas. Portanto, a fase é utilizar a IA também para difundir (e monetizar) informação. A controvérsia sobre vender conteúdo para as plataformas precisa deixar de polemizar e partir para o contrato. Faz parte tratar de reorganizar as cadeias de valor das notícias com a questão do consentimento e da compensação para organizações de imprensa por parte de empresas de IA que usam material jornalístico. Afinal, que IA queremos construir a nosso favor?
Da mediação editorial humana à mediação editorial algorítmica
A partir do momento da interferência de agentes de IA no jornalismo, a ideia é tensionar a expressão “mediação editorial algorítmica” para designar o processo pelo qual sistemas baseados em IA tomam parte da seleção, síntese, interpretação, recomposição, contextualização e hierarquização da informação, além de distribuírem conteúdos, assumindo funções tradicionalmente associadas à mediação editorial. Ao selecionar informações relevantes, resumir argumentos, estabelecer conexões e adaptar explicações ao contexto do usuário, esses sistemas assumem operações que historicamente pertenciam ao trabalho jornalístico; assim, a IA vai de uma infraestrutura de distribuição ao exercício de funções próximas às da mediação editorial.
Essa emergência pode ser compreendida como uma forma de mediação editorial algorítmica: a participação de sistemas inteligentes na organização e apresentação de informações ao público. Diferentemente da edição jornalística tradicional, essa mediação algorítmica não ocorre necessariamente a partir de critérios explícitos de relevância pública, responsabilidade social ou compromisso institucional; ela depende dos dados utilizados no treinamento dos modelos (por vezes enviesados), de suas arquiteturas técnicas, das regras estabelecidas por seus desenvolvedores e dos critérios de implementação adotados por cada sistema.
A mediação editorial algorítmica pode ser definida como uma nova camada de intermediação informacional, que se sobrepõe às mediações anteriores (humana, industrial, plataformizada) sem, contudo, eliminá-las.
Resta apontar que, nos sistemas criados pelas grandes empresas de tecnologia, também conta o resultado das ferramentas que as próprias equipes de redações forem capazes de construir, dos critérios minuciosos que incorporarem a esses sistemas e das escolhas editoriais que orientam seu funcionamento. Mas, nessa nova camada — a mediação editorial algorítmica —, o desafio do jornalismo está em examinar com atenção esse novo ambiente e em garantir que os critérios que historicamente sustentaram a profissão sejam incorporados aos sistemas que passam a organizar a informação. Sabemos que a discussão fundamental vai além das máquinas com habilidades de gerar textos e imagens (estáticas ou em movimento). A questão decisiva é se sistemas capazes de produzir, escolher e distribuir informação serão orientados por princípios da ética jornalística.
Afinal, uma sociedade inundada por informação não é forçosamente uma sociedade mais informada. A abundância pode favorecer o conhecimento, mas também pode aumentar a confusão, a fragmentação e a dificuldade de distinguir evidência de aparência.
Eis o problema: a IA altera a infraestrutura da arquitetura da informação e introduz uma nova forma de mediação — a mediação editorial algorítmica —, cuja consequência é o trabalho do jornalista deixando de se concentrar na produção e passando obrigatoriamente a se concentrar na supervisão crítica dessa mediação. Se o século XX discutiu quem mediava a informação, o século XXI precisa discutir a fundo como sistemas automatizados passam a exercer essa mediação e quais critérios devem orientá-la.
Essa transformação não conduz necessariamente à substituição do jornalista. De fato, ela abre uma disputa sobre qual será o lugar do jornalista quando a produção básica de texto deixa de ser o principal diferencial. Podemos constatar que uma IA como assistente amplia capacidades humanas, especialmente em tarefas de escala, monitoramento e análise, o que impacta todas as profissões, inclusive o jornalismo. A distinção determinante é: notícia não pode ser falsa; se é falsa, é fraude. Este princípio é testado em escala industrial. Em suma, um maior poder computacional reforça essa cola da crescente disponibilidade de grande quantidade de dados e o progresso dos algoritmos.
É bom lembrar que já em 2019 Diakopoulos atenta para os vários desafios no uso da produção automatizada de notícias pelas organizações jornalísticas. “Isso exige um fluxo de dados limpo e constante. Portanto, se você estiver trabalhando em um domínio em que os dados não são abundantes ou muitas vezes estão sujos e exigem muita normalização e limpeza, isso limita o uso da automação”. Ainda é preciso saber lidar com a data literacy, ou seja, “ser capaz de trabalhar com dados” significa também “poder criticar dados, saber de onde vêm, se têm qualidade e integridade, se estão atualizados, porque as ferramentas de automação dependem muito dos dados”.
É sabido que, no caso das máquinas, o humano por trás delas, entre tantas outras iniciativas, cria ferramentas para a análise de dados (pessoais e de empresas) rumo a conhecer em detalhes os alvos analisados. Inicialmente, a partir da justificativa de traçar o perfil com precisão e no intuito de direcioná-lo ao que de “melhor” lhes caberia, publicitários invadem a privacidade dos internautas e fornecem (ou empurram) produtos para o consumo, conforme conveniência comercial. A princípio, parecia um serviço, e cada vez mais raspavam os dados para adequar aos gostos e costumes do público, como se estivessem fazendo uma boa ação. Aos poucos, conheciam mais sobre os perfilados do que eles próprios.
A plataformização do noticiário e a coleta dos nossos dados
Para entrarmos no estado da arte da indústria jornalística mediada por IA, e com ela as implicações éticas tão caras ao exercício da imprensa, devemos trazer temas recorrentes para uma resumida linha do tempo, com os marcos significativos para pontuarmos a história.
Um dos tópicos é a plataformização de notícias, à disposição tanto em portais quanto em redes sociais e mensageiros instantâneos. Mas, antes mesmo de a plataformização se instalar — seja ela de dados ou não, de ser cunhada como capitalismo de plataforma ou economia de plataforma, ou da existência do movimento de desplataformização —, é importante deixar marcado que os oligopólios da informação já existiam antes das plataformas, antes da internet. Vale ressaltar também que o esquema de plataformização de grandes conglomerados monopolistas não é transparente. Mais notadamente em momentos conturbados, a contrapelo da civilidade, pelos quais passamos de tempos em tempos, “as plataformas tornaram-se uma maneira eficiente de monopolizar, extrair, analisar e usar as quantidades cada vez maiores de dados que estão sendo registrados”, afirmou Srnicek em 2017. De qualquer forma, a mecânica das plataformas funciona com a ajuda da IA a estruturar suas redes informacionais e é abastecida pela participação dos usuários. Sem eles, ela não acontece; sem a IA, vira uma mistura confusa!
Assim, nessa altura do estado da arte, do alto dessa era da plataformização, não se sabe ao certo como exatamente as informações são distribuídas e, calejados que estamos, clamamos pela visibilidade do que realmente pode nos favorecer em meio a esse assalto de nossos dados. Por total falta de transparência das plataformas sobre o processo de circulação informativa, estamos todos nas mãos de quem manipula a ordem do conhecimento, da troca de saberes, ou mesmo do hard news diário que importa saber.
Automação sem ilusões: o que aprendemos com dez anos de jornalismo algorítmico
Muito se discute as estratégias já usadas e as potenciais para a adoção da IA no jornalismo. Para entender como chegamos aqui, é útil recuar dez anos no tempo: Andreas Graefe articula que a inovação tecnológica, conhecida como jornalismo automatizado, era, até então, um fenômeno relativamente novo na área do jornalismo computacional. Conforme sua definição, jornalismo automatizado refere-se ao processo de utilizar software ou algoritmos previamente programados para, automaticamente, gerar notícias sem intervenção humana. Só para frisar: sistemas de software têm vulnerabilidades. Assim, o algoritmo, já desenvolvido, permite automatizar cada etapa do processo de elaboração das notícias, desde a coleta e análise dos dados até a criação e publicação das notícias.
De todo modo, a rotina de produção do jornalismo, e especialmente do jornalismo na internet, sofre constantes mudanças, o que é próprio do imprevisível ambiente numérico. Desde que os robôs passaram a criar notícias informativas, a classe dos jornalistas se dividiu. Uns achavam que, se era para fazer textos a partir de informações facilmente disponíveis, realmente não precisaria de quem estudou as regras jornalísticas — bastava imputar o intento no programa do algoritmo. Já outros achavam que, mesmo assim, os robôs tirariam lugar de profissionais, medo que acontece perante os avanços da IA e, especificamente, dos recursos linguístico-computacionais.
Dentro das novas tecnologias de redação, é notório que, para atividades repetitivas ou meramente informativas, realmente um robô — programado por um humano, é claro — economizaria tempo para que os jornalistas pudessem aprofundar na notícia ou partir para outra que exigisse mais elaboração, enquanto o robô faria o serviço que exigisse cuidados, regras, responsabilidades, como qualquer notícia, mas sem necessitar de outros recursos jornalísticos melhor desempenhados (e sentidos) por humanos, como achar, conectar e entrevistar fontes, encontrar personagens, colher novos depoimentos de especialistas ou interpretação, análise, julgamento, opinião, quando pertinente. Apenas todo o tipo de planos para desdobramentos fica a cargo do humano, como a inclusão de ilustrações, gráficos, multimídia etc. A IA não só faz sob comando como também sugere. Assim, o jornalismo robótico ou jornalismo algorítmico não tira o lugar do profissional, porque o jornalismo ultrapassa o caráter meramente informativo ou mesmo multimídia. No entanto, devemos compor uma contínua e refinada aprendizagem do funcionamento da mídia e do trabalho de apuração do jornalista, dando sempre a possibilidade de interação e exposição; dessa maneira, o senso crítico do público será aguçado, fazendo com que o conteúdo seja questionado e possa melhorar ou ser complementado.
Vamos frisar o alerta de Flusser em 1999: “as memórias eletrônicas podem armazenar todas as informações que antes deveriam ser armazenadas pelo cérebro humano. O cérebro agora está livre para fazer outras coisas. As pessoas não terão mais que memorizar fatos, mas aprenderão como armazenar, relembrar e variar dados”. O autor diz mais: “Memórias eletrônicas podem ser facilmente reescritas. Isso permite a compilação disciplinada e crítica das informações adquiridas”. A compreensão da maneira como os humanos funcionam na transmissão de informações, reflete Flusser, “exige uma nova antropologia: se no passado pensávamos que a capacidade de armazenar informações é o que nos torna humanos, agora podemos ver que os computadores podem fazer a mesma coisa”.
Trazer transparência da apuração jornalística é uma prática que deveria ser mais usada. Por exemplo: deixar à mostra a íntegra das entrevistas, o que é possível fazer no ambiente digital; incluir mais dados sobre as fontes utilizadas e não apenas seus nomes e cargos, para dar mais credibilidade, principalmente aos leigos; registrar quem não aceitou dar depoimento — é uma das táticas possíveis, apesar de tornar o trabalho mais demorado pelo detalhamento. Enfim, todas as informações possíveis para que possamos, depois de todas as garantias, confiar de olhos fechados. O que está acontecendo: os riscos e a necessidade de critérios humanos na era dos sistemas inteligentes. Ignorar isso é como ignorar a internet no início.
Desde o surgimento da IA, com a acessibilidade crescendo em popularidade, a precaução em mostrar os bastidores do fazer jornalístico em todas as suas etapas redobrou; e hoje, com a chegada mais forte dos agentes autônomos de IA, que, como o nome diz, atuam de forma autônoma, o cuidado é triplicado.
Regulação, transparência e o controle democrático da mediação algorítmica
É certo que cada vez mais a regulação das plataformas está na pauta dos pensadores, pesquisadores, defensores dos direitos humanos, legisladores e jornalistas, preocupados com a questão da manipulação dos nossos dados e, consequentemente, das pessoas. Mas faltam transparência adequada e controle democrático. É preciso deixar claras a dificuldade de regulação e a falta de discussão consistente de diretrizes e princípios fundamentais da computação aplicados à produção, e de como usar a IA em audiências com a população nesta transformação do setor desde a entrada da internet (como um depósito contínuo de dados), depois na invasão das redes sociais com ou sem IA, e, mais recentemente, com os chatbots e os agentes de IA.
Na era da internet, a multimídia proporciona que todos os artifícios se juntem no empenho de atrair o consumidor individualmente, até porque ele não para no texto: navega pelo áudio (disponível para podcast), vídeo (curto ou longo) em um já recorrente esquema multiplataforma usado desde que as plataformas existem, em que uma republica a outra transmidiaticamente. Assim, as relações comerciais das plataformas triangulam entre as plataformas. São os conhecidos abusos das plataformas, com exigência e incentivo a quem consegue gerar maior número de cliques. Hoje ultrapassamos a era dos cliques. A intenção agora é estar dentro do banco de dados dos LLMs para que possam entrar como respostas aos consumidores ávidos por informação.
Agentes de IA e o fortalecimento dos jornalistas de dados
A questão, além de ser de precisão de uma informação gerada, envolve ser da governança de um sistema que participa da produção informacional. Uma equipe de redação, além de saber usar IA, precisa saber governá-la. A responsabilidade não pode existir apenas como uma declaração institucional. Ela precisa estar incorporada ao funcionamento cotidiano dos sistemas.
Essa mudança precisa ser observada em diferentes possibilidades de aplicação dentro das redações. Um agente de IA de monitoramento de pautas poderia acompanhar continuamente redes sociais, bases públicas, diários oficiais e indicadores econômicos, identificando alterações importantes e sugerindo temas até mesmo antes que sejam percebidos pelos jornalistas. Um agente de apuração poderia cruzar documentos, localizar conexões entre personagens e apontar relações potencialmente relevantes para uma investigação. Um agente de memória poderia recuperar automaticamente coberturas anteriores, personagens recorrentes a essas coberturas e informações históricas relacionadas a determinado acontecimento.
Produzir informação era dispendioso e caro; hoje, o custo marginal diminuiu consideravelmente. É evidente que redações que usam IA para eficiência podem acelerar a própria comoditização da notícia com produção em escala e, de certa forma, uma distribuição otimizada a partir de personalização mais precisa do que antes, como um outro regime de produção. Em todos esses casos, a lógica se aproxima de funções tradicionais das redações.
Há, contudo, uma assimetria estrutural que o debate sobre agentes de IA costuma obscurecer: a adoção dessas tecnologias exige infraestrutura computacional, equipes especializadas e capacidade de integração de sistemas — recursos concentrados em grandes grupos de mídia. Redações pequenas, veículos independentes e iniciativas hiperlocais dificilmente conseguem acompanhar esse ritmo, o que aprofunda um fosso já existente. Se a mediação editorial algorítmica se tornar padrão de mercado, o risco é que apenas os grandes atores definam os critérios dessa mediação, enquanto os demais ficam restritos ao papel de consumidores de soluções prontas. A concentração da infraestrutura cognitiva é, portanto, também uma questão de pluralidade informacional.
A dimensão trabalhista é inseparável dessa transformação. A automação de tarefas básicas — transcrição, resumo, geração de notas — já é usada por veículos para reduzir custos com mão de obra, ainda que os discursos institucionais enfatizem “aumento de produtividade” ou “liberação do jornalista para tarefas nobres”. Sindicatos e associações profissionais começam a discutir cláusulas sobre uso de IA em convenções coletivas, mas o debate ainda é incipiente no Brasil. O paradoxo é evidente: a mesma IA que amplia capacidades individuais pode esvaziar postos de trabalho, sobretudo nas funções mais repetitivas e nas redações menores. Sem políticas de requalificação e sem transparência sobre o uso dessas ferramentas, a promessa de “fortalecimento dos jornalistas de dados” corre o risco de se limitar a uma elite profissional.
Notícia probabilística como inovação jornalística
O modelo do jornal norueguês iTromsø usou análise econométrica para investigar o impacto do Airbnb nos preços de imóveis, publicando incertezas e premissas. Isso representa a “notícia probabilística”, replicável como infraestrutura informacional para outras cidades, respondendo à falta de compreensão. O trecho em questão é um exemplo de infraestrutura informacional e relata discussões sobre os projetos de jornalismo orientados a dados liderados por Lars Adrian Giske no jornal norueguês iTromsø. A citação e o conceito de “notícia probabilística” originam-se do artigo analítico publicado no Reuters Institute for the Study of Journalism (Universidade de Oxford), de autoria do pesquisador e estrategista de mídia Shuwei Fang.
A IA nas redações mostra o direcionamento mudando para a rastreabilidade, com sistemas que (agora) citam fontes e sinalizam incertezas quando da dúvida. Trata-se da união cada vez maior do humano com a máquina. Sem IA, é inviável analisar em tempo jornalístico. Unem-se modelos personalizados e arquiteturas de agentes com ferramentas de monitoramento e transcrição.
Exemplos práticos ilustram o uso de IA nas redações e constam em relatórios de inovação em mídia (como os briefings do Nieman Journalism Lab e estudos de caso do Reuters Institute sobre o ecossistema de notícias) sobre automação e supervisão editorial humana:
- The New York Times (Manosphere Report / Caso Epstein): trata-se da cobertura de bastidores da redação do The New York Times sobre ferramentas internas baseadas em LLMs (desenvolvidas pelo R&D/Product team e lideradas por executivos de produto como Zach Seward) para varredura de áudios e grandes volumes textuais (Nieman Journalism Lab, 2025/2026).
- Manosphere Report: software de IA transcreve e resume cerca de 80 podcasts sobre extrema-direita para 40 repórteres, identificando tendências de retórica. A decisão e a checagem permanecem humanas.
- Caso Epstein: software de IA analisa milhões de documentos para mapear redes, mas o cruzamento e a verificação detalhados são feitos por humanos.
- The Guardian (100 Anos de Retórica): projetos de jornalismo computacional do The Guardian (equipe de Data Projects), que utilizam aprendizado de máquina para processar arquivos históricos de debates do Parlamento Britânico (Hansard) sobre imigração, revelando guinadas significativas (Bell, Emily et al., 2026).
- IA para vigilância democrática e jornalismo hiperlocal brasileiro: QuiterlA e Radar Antigênero monitoram leis e discursos de ódio, treinados por especialistas em gênero e direitos humanos (Gênero e Número, 2025).
- Crosstown, Los Angeles: IA transforma dados municipais em newsletters personalizadas, detectando anomalias e gerando alertas para reportagens investigativas (Crosstown LA, 2026).
Esses exemplos mostram a IA como ferramenta para ampliar o alcance e a profundidade da apuração, com o discernimento jornalístico humano ao final.
No entanto, existe uma armadilha cultural entre os obstáculos internos à IA, uma espécie de paradoxo geracional: os jovens têm facilidade para dominar as ferramentas, porém os veteranos é que têm o critério, e a IA exige troca mútua para funcionar efetivamente. Trata-se de uma maneira de sedentarismo cognitivo, ou seja, adotar soluções prontas sem entender seu funcionamento impede adaptação e reconhecimento de erros. É uma perda do aprendizado pelo fazer, pois, se a IA automatiza tarefas básicas, a formação da próxima geração de jornalistas resta focar em curadoria, investigação e ética, conforme disse Liuzzi em 2026.
Quem define os critérios da mediação algorítmica?
Como inovação, o vibe coding permite que jornalistas criem ferramentas sem programar, descrevendo a funcionalidade em linguagem natural para a IA gerar o código. Isso rompe a dependência da equipe de tecnologia, mas impõe responsabilidade redobrada pela precisão técnica da entrega ao público. O artigo de Pachal, na Fast Company (2026), introduz o conceito do vibe coding. Em resumo, é a prática de usar IA para criar software, miniaplicações ou páginas interativas sem que o jornalista precise saber programar.
Isso representa uma ruptura que quem viveu a transição para o digital conhece bem. Quebra a dependência da equipe de tecnologia e permite que quem domine o conteúdo dite a forma como a história é apresentada. Durante anos, no início da fase digital, a relação do jornalista do impresso com a tecnologia era de dependência e fila. Surgia a ideia, o texto era redigido, quem fotografava tirava a foto, e então vinha a espera do webdesigner montar a página, criar o layout. Havia a espera da equipe de tecnologia da informação liberar o acesso. O conteúdo era do jornalista, mas a forma como ele chegava ao leitor pertencia a outra pessoa, às vezes em outro andar do prédio, com outra agenda e outra ordem de prioridades. Quem domina o conteúdo passa a ditar também a forma, o mapa interativo, a visualização de dados, a página personalizada para cada história com a tecnologia adaptada à narrativa. A autonomia criativa vem com responsabilidade técnica, e isso exige uma mudança de mentalidade que vai além de aprender a usar um software novo.
Exemplos de possibilidades são quando a IA no jornalismo serve para ajudar a escrever ou a pesquisar (como nos exemplos anteriores), mas, sobretudo, serve para dar aos jornalistas o poder de criar ferramentas. O vibe coding mostra que a tecnologia está se tornando tão intuitiva que a barreira entre “quem escreve” e “quem programa” está desaparecendo dentro de uma dimensão institucional com valores, normas, responsabilidade e governança.
A proliferação de painéis de inteligência em tempo real (dashboards) que utilizam IA, criados rapidamente por meio de vibe coding para monitorar conflitos em tempo real — a exemplo dos painéis improvisados durante os episódios de ataques entre Estados Unidos e Irã —, gera uma falsa sensação de controle e transparência. Embora agreguem dados brutos de fontes abertas, como imagens de satélite e redes sociais, essas ferramentas carecem de contexto histórico e curadoria, dando espaço a alucinações de modelos e, de forma alarmante, a imagens de satélite sintéticas. O apelo dessas plataformas é a promessa de “superar a mídia tradicional”, entregando dados brutos diretamente ao usuário e permitindo análises rápidas e até apostas financeiras em mercados de previsão sobre o desenrolar da guerra. Esse cenário transforma conflitos em um entretenimento perigoso e gamificado, reforçando o papel essencial do jornalista na filtragem de ruídos, validação de fatos e contextualização rigorosa, afirmaram Goldfarb e McNamara no ano de 2026.
De ferramentas a sistemas: a virada dos agentes de IA
Um modelo de linguagem (LLM) é acionado pelo jornalista para uma tarefa pontual: pesquisar um tema, resumir, sugerir título, revisar. Um agente usa esse modelo dentro de um sistema que observa, decide e age de forma contínua e sem precisar ser chamado.
Entre os exemplos de agentes na redação, há o agente de monitoramento, que funciona como um radar de pauta e lembra o trabalho do pauteiro e do produtor. Desde a consolidação da imprensa moderna, o pauteiro foi uma figura fundamental nas redações: varre informações nas redes sociais, Diários Oficiais, bases públicas e propõe pautas mesmo sem o pedido direto do jornalista. Quem trabalha ou trabalhou em redação sabe exatamente de quem vem essa função. Aquela figura que chega cedo, lê tudo, ouve tudo e entra na reunião de pauta com uma lista de sugestões. O bom pauteiro fareja tendências, cruza informações dispersas, percebe o que está prestes a explodir antes de explodir. O agente de IA faz isso em escala e em tempo contínuo, ou melhor, sem o intervalo entre uma reunião de pauta e a seguinte, sem fim de semana, sem limite de fontes que consegue monitorar simultaneamente. A lógica é a pauta que chega até o jornalista. A diferença crítica está no que o pauteiro tem e o agente não tem: contexto humano, sensibilidade política, o instinto de perceber que uma informação tecnicamente correta pode ser socialmente explosiva se publicada naquele momento. O agente entrega o sinal. Quem decide se vale a pauta e como, e quando deve ser publicada, precisa continuar sendo humano.
Um agente de IA pode realizar parte dessa função em uma escala incomparavelmente maior. Ele pode acompanhar milhares de fontes simultaneamente, sem interrupção, identificando padrões que dificilmente seriam percebidos por uma única pessoa por conta da logística dessas ações. Mas há uma diferença fundamental. O pauteiro humano possui contexto. Ele compreende relações políticas, tensões sociais, sensibilidades culturais e consequências potenciais de uma publicação. No cruzamento de uma gama enorme de dados, um agente pode identificar uma alteração estatística ou uma repetição discursiva, mas não possui compreensão do significado social daquele acontecimento. Ele produz sinais, e o jornalista atribui sentido.
Essa distinção é central para compreender o papel humano na era dos agentes de IA. O valor do jornalista é transferido cada vez mais do rendimento máximo em localizar informações pertinentes para a capacidade de interpretar sua relevância pública. A mesma lógica vale para agentes de apuração. Sistemas capazes de raspar grandes bases de dados podem revelar conexões invisíveis em investigações complexas. Podem identificar relações entre empresas, contratos públicos, registros financeiros e personagens políticos. Entretanto, uma conexão encontrada por um sistema não necessariamente constitui automaticamente uma notícia. A investigação jornalística depende de contexto, de checagem (e rechecagem quantas vezes for necessário), de conhecer o contraditório e da avaliação de interesse público. A máquina encontra relações, enquanto o jornalista constrói explicações a partir delas.
Seria simplista, no entanto, tratar a IA apenas como ameaça. Em contextos de deserto de notícias, agentes de monitoramento podem ampliar a cobertura de temas negligenciados, como licitações municipais, violações de direitos em áreas remotas ou mudanças legislativas pouco visíveis. Ferramentas de tradução automática e síntese multilíngue podem ampliar o alcance de reportagens para públicos historicamente excluídos. A mesma IA que serve à desinformação em escala pode servir à checagem em escala — e há exemplos concretos disso, como os projetos QuiterlA e Radar Antigênero citados anteriormente. A questão, portanto, não é binária: depende de quem controla a infraestrutura, com quais objetivos e sob quais critérios de governança. A IA não é democrática nem autoritária por natureza; ela é o que fizermos dela.
Outra função dos agentes é a apuração assistida: cruza bases de dados, levanta histórico de personagens, sugere conexões invisíveis. Ao investigar um contrato público, identifica vínculos entre empresas e doadores de campanha. Como um agente de memória: ao escrever sobre uma enchente, recupera automaticamente coberturas anteriores, personagens recorrentes, promessas não cumpridas. Como uma espécie de “guardião” editorial: sinaliza linguagem potencialmente difamatória ou dados não confirmados. Claro que não substitui o editor, mas cria uma camada extra de vigilância.
No entanto, o que diferencia estruturalmente um agente jornalístico de um agente de produção massiva de mensagens falsas? A resposta está no compromisso com a integridade da informação, ou seja, além de checar fatos, garantir contexto, responsabilidade, rastreabilidade, critérios de relevância. É sustentar um processo com a capacidade de produzir informação confiável em meio ao ruído. Portanto, a questão é: sob quais princípios os agentes vão operar. Porque, no fim, serão os critérios humanos — ou a ausência deles — inscritos dentro da IA que vão implicar o futuro da informação.
Manual de redação para máquinas
A adoção de agentes, obviamente, não elimina a necessidade de critérios editoriais. Ao contrário, torna esses critérios ainda mais imprescindíveis. Ao longo da consolidação do jornalismo industrial, os manuais de redação orientaram jornalistas humanos. Agora precisam orientar sistemas, pois sistemas precisam de governança editorial. Tradicionalmente, o jornalismo construiu algo muito específico para se orientar. Os manuais definiram procedimentos de apuração, critérios de publicação, padrões éticos e formas de correção. Eles antecediam a prática jornalística, estabelecendo critérios e padrões para garantir a integridade da informação. Com a introdução de sistemas autônomos e agentes de IA que sugerem pautas, geram textos e organizam dados, o setor enfrenta uma inversão histórica: a prática tecnológica avançada está forçando a reescrita imediata das diretrizes editoriais. Os manuais de redação precisam urgentemente se transformar em ferramentas para orientar e limitar os próprios sistemas inteligentes, garantindo supervisão humana e transparência.
No Brasil, iniciativas como as diretrizes de IA incorporadas por grandes grupos de comunicação indicam essa transição institucional. O Grupo Globo, por exemplo, estabeleceu princípios para orientar o uso da tecnologia dentro de seus valores editoriais. A Folha de S. Paulo incluiu orientações sobre IA em suas políticas editoriais, enquanto O Estado de S. Paulo também passou a definir parâmetros para utilização dessas ferramentas, conforme o Meio & Mensagem de 2026
O monitoramento automatizado realizado por IA em múltiplas fontes digitais possui um paralelo histórico direto nas tradicionais “radioescutas” das redações analógicas, em que estagiários ou iniciantes passavam horas rastreando transmissões para identificar fatos emergentes. Embora a tecnologia atual amplie exponencialmente a velocidade e o volume de dados rastreados, a lógica editorial essencial permanece idêntica: a máquina atua na detecção do sinal e na varredura de fontes, enquanto cabe exclusivamente ao jornalista interpretar a relevância dos fatos e direcionar a apuração.
A expansão do uso da IA marca uma fase de transição em que deixamos de utilizar ferramentas isoladas para interagir com arquiteturas de inteligência aplicadas — uma verdadeira enxurrada de soluções, como GPT, Gemini, Copilot, DeepSeek, Claude etc. —, evoluindo de sistemas de consulta passiva para uma infraestrutura cognitiva autônoma e ativa. Essa geração de sistemas agênticos verticais, que inclui desde plataformas de tutoria socrática até arcabouços de gestão de dados, não se limita a responder a comandos, mas a planejar e executar trilhas de conhecimento e raciocínio. Para compreender esse paradigma, a ideia é estabelecer a distinção entre, ao menos, três estágios progressivos que delimitam esses ecossistemas. A questão é como as redações vão usar agentes. Como vão definir os limites, os critérios e a responsabilidade sobre aquilo que esses agentes fazem.
A passagem do jornalismo industrial para o jornalismo de sistemas em três estágios
O primeiro deles é a IA preditiva, que se baseia na análise estatística de dados históricos para identificar padrões e antecipar comportamentos futuros. Mas notem o limite atual desta tecnologia: ela é IA preditiva. O papel dela hoje é o de uma bússola; ela analisa o passado para “adivinhar” o futuro e entrega um gráfico ou um relatório sobre o tema pesquisado. A ação final ainda é 100% dependente do ser humano, que decide o que vai destacar.
Já no estágio dos agentes dessa mesma ferramenta, esse sistema não apenas gera um alerta, mas é como se ele ganhasse — ou fosse liberado para ter — comandos digitais para agir. Imagine que, na necessidade de contratar um estagiário, a IA agêntica decida autonomamente enviar convites para uma entrevista de seleção para o WhatsApp dos candidatos à vaga, acesse o calendário do recrutador para agendar as entrevistas e já selecione materiais dos currículos específicos que a IA identificou no histórico deles.
A segunda fase é a da IA generativa, que se popularizou pela capacidade de criar novos conteúdos a partir de comandos humanos específicos. É, por exemplo, o pauteiro usando a IA para criar em segundos um plano do que merece ser reportado, ou o redator pedindo um resumo de um texto denso. O mote é similar ao uso do Zap, em que nos comunicamos por mensagem ou áudio e recebemos retorno. Portanto, estamos mais do que acostumados com essa prática.
Só que o estágio atual é definido pela IA agêntica; ela está dentro da IA generativa, mas como uma camada de aplicação funcional, como uma espécie de evolução do uso. Nesta fase, a tecnologia deixa de ser apenas um motor de processamento para se tornar um sistema capaz de agir no mundo digital. Ela recebe um objetivo e, em vez de apenas escrever sobre ele, planeja, escolhe ferramentas e executa. Um exemplo: a IA generativa é o produtor que escreve um e-mail para uma fonte sondando uma possível entrevista ou pedindo uma aspa. A IA agêntica percebe que o repórter está com dificuldades ou sem tempo para uma pauta de perguntas, decide sozinha buscar um vídeo explicativo no YouTube, envia um lembrete no WhatsApp do produtor e ainda relata o progresso para o editor. É o assistente que decide que precisa escrever um e-mail para a personagem, abre o Outlook, anexa arquivos, envia a mensagem e depois agenda uma reunião no seu calendário com base na resposta que recebeu.
Enquanto os modelos anteriores apenas criam conteúdo e dependem de comandos constantes para cada pequena tarefa, os agentes possuem a capacidade de planejar, utilizar ferramentas digitais e executar tarefas complexas (como rodar um código) com autonomia, ou seja, sem precisar de um comando humano a cada passo.
Recapitulando: as empresas jornalísticas estão montando uma espécie de “pilha de IA”, usando IA preditiva/analítica, IA generativa, modelos cada vez mais capazes e, em grau crescente, sistemas agentivos.
IA preditiva: “o que provavelmente vai acontecer?” Essa é uma tecnologia que o jornalismo usa há bastante tempo, antes da explosão da IA generativa. Ela analisa dados históricos para estimar coisas como: quais leitores provavelmente vão clicar em determinada matéria; quais assinantes têm maior probabilidade de cancelar; quais temas têm potencial de audiência; qual horário é melhor para publicar; qual conteúdo recomendar para determinado leitor; quais assuntos estão começando a ganhar tração.
IA generativa: “produza alguma coisa”. Aqui entram ChatGPT, Claude, Gemini e modelos semelhantes. No jornalismo, o uso mais comum não é necessariamente “Escreva uma matéria do zero”. É muito mais frequentemente: transcrever entrevistas; resumir documentos; traduzir; sugerir títulos; gerar resumos; auxiliar pesquisa; auxiliar programação; reorganizar material; encontrar padrões em grandes volumes de documentos; auxiliar verificação; transformar uma reportagem em diferentes formatos.
No contexto jornalístico, essa evolução muda o papel da IA. Se antes, como modelo estático, escrevia uma pauta de perguntas para determinado assunto sob comando de um repórter, o agente pode atuar como tutor personalizado com memória de longo prazo e monitorar o progresso de um jornalista durante uma grande reportagem, identificar lacunas de conhecimento e adaptar formatos de conteúdo multimídia em tempo real. Ainda opera com interoperabilidade: a IA “conversa” com outros sistemas (agenda, planilhas etc.) para executar fluxos de trabalho completos e enviar alertas (quando o assunto der suíte, por exemplo). O agente verifica a agenda da equipe e as ferramentas disponíveis na redação para criar um plano completo, sugerindo inclusive atividades extras para redatores com diferentes níveis de aprendizado, dando feedback e só escalando para o editor quando a dúvida é conceitual. O agente checa se o jornalista está inteirado com o tema da reportagem em questão. Se não, ele muda o plano. Também relata resultados ao editor de forma autônoma e automatiza burocracias, como triagem de dúvidas repetitivas (prazos, normas do Manual da Redação, agenda de fontes recomendada), apoio na revisão — como uma primeira correção de textos — e geração de procedimentos com, por exemplo, inserção de ilustração, infográficos, linhas de tempo etc.
Estamos vivendo a transição da IA como ferramenta de consulta para a IA como agente de execução. Precisamos discutir como essa “agência” transforma a IA em uma infraestrutura cognitiva ativa. O salto é justificado porque as empresas de tecnologia (como Google, Microsoft e OpenAI) pararam de focar apenas em chats e passaram a oferecer APIs de agentes (como o OpenAI Assistants ou o Google Vertex AI Agent Builder). Isso facilitou para que qualquer empresa acoplasse um agente de IA sem precisar reconstruir o sistema do zero. Afinal, estamos na era de acessar diretamente as APIs e não só as plataformas.
Contudo, essa autonomia sem precedentes traz riscos e dilemas éticos que deslocam o debate do plágio e das “alucinações” como preocupações centrais na IA generativa para questões de responsabilidade e transparência. Na IA agêntica, o problema se torna a perda de controle sobre a ação. O perigo é que a “crise de agência” surge quando o sistema toma decisões editoriais de forma independente, levantando dúvidas sobre quem responde por eventuais erros ou preconceitos embutidos na “caixa-preta” algorítmica. Quem responde quando um agente toma uma decisão editorial errada? Como evitar que a eficiência do agente atrofie a capacidade de pensamento crítico do jornalista?
Riscos da autonomia: responsabilidade, opacidade e vigilância
É preciso ressaltar que qualquer sistema automatizado que tome decisões deve permitir a revisibilidade humana. Em fluxos de multiagentes, nos quais as decisões podem se tornar opacas devido à interação entre diferentes IAs, a empresa deve garantir que o jornalista ou editor possa contestar e entender os critérios da decisão.
Esses questionamentos articulam quatro eixos fundamentais de risco: a crise de responsabilidade, a opacidade decisória, a manipulação invisível e engajamento viciante, e a vigilância constante que sistemas de hiper-personalização podem gerar.
Vamos destrinchar esse ângulo. Como diria Peron (2018), faria sentido nos referirmos a esses procedimentos como “agenciamentos algorítmicos”, os quais conformam e perpetuam, em sequência lógica e na programação, interesses particulares contingenciados histórica e socialmente. Consequentemente, agem de forma permanente sobre o corpo social. Afinal, agentes são projetados para serem persuasivos e eficientes. O risco, então, é um agente que pode se tornar tão eficiente em manter o jornalista engajado que acabe usando táticas viciantes ou conduzindo o pensamento do jornalista para uma única linha de raciocínio, eliminando o pensamento crítico e o contraditório a ponto de atrofiar a capacidade de pesquisa independente.
Diferente de um chat que você fecha a aba e acaba, o agente está rodando em segundo plano. Ele monitora o tempo de tela, a velocidade de digitação, as pausas e até o tom de voz em sistemas mais avançados. Isso cria um estado de vigilância constante sob o pretexto de hiper-personalização. Em que momento termina o suporte jornalístico e começa a invasão de privacidade?
O desarranjo informacional que nos cerca e, acima de tudo, que cerca pessoas com tendência a sofrer influências — por exemplo, das mensagens falsas — por não compreenderem os processos tecnológicos e as possíveis formas de controle do que recebem, pela falta total de educação digital para aprender sobre fontes de informação confiáveis e interação responsável, afeta boa parte da população brasileira. Vamos à agência compartilhada: a IA pode até ter a iniciativa, mas o humano deve deter o poder de veto e a supervisão final.
Literacia digital como condição de governança
Parece óbvio, por acaso não seria? Enfim, serve de alicerce para as questões candentes centrar o design no ser humano, como em situações de reconhecimento das atividades dos usuários. Ou seja, a responsabilidade jornalística permanece sendo exclusividade do jornalista, e a implementação ainda depende de cada empresa.
Recapitulando: a tecnologia avançou da fala para a ação; agora cabe à comunicação avançar da consulta para a governança crítica. Principais preocupações (que estão guiando normas futuras): os documentos convergem em alguns riscos, como perda de pensamento crítico dos jornalistas; dependência excessiva da IA; problemas de autoria e integridade da informação; opacidade (não saber como o agente decide) e uso de dados sensíveis. Esses pontos são ainda mais críticos com agentes autônomos.
O objetivo dessas ferramentas é que as equipes alcancem uma independência técnica, na qual a tecnologia de ponta atue como um pilar de fortalecimento cultural e intelectual, permitindo que o conhecimento seja expandido sem criar uma dependência cega da automação. Tudo corre para ser automatizado, aliás, desde as priscas eras — década de 1970.
A conclusão estratégica notória é que a tecnologia avançou mais rápido que a regulação, e que o movimento global aponta para um ciclo inevitável: da prática jornalística para a política institucional, e desta para a lei. Quanto maior a autonomia do agente, maior tende a ser a pressão regulatória sobre ele.
No Brasil, esse ciclo já começou a se materializar. O PL 2338/2023, que institui o marco legal da inteligência artificial, prevê classificações de risco para sistemas automatizados, exigências de transparência e responsabilização por danos, ainda que sua tramitação enfrente resistências do setor tecnológico. A ANPD (Autoridade Nacional de Proteção de Dados) tem ampliado a discussão sobre tratamento de dados sensíveis e decisões automatizadas, enquanto entidades como a Fenaj e a Abraji começam a incluir a governança algorítmica em suas pautas. O debate, no entanto, segue fragmentado: falta articulação entre regulação estatal, autorregulação das empresas jornalísticas e formação profissional. Sem essa triangulação, a pressão regulatória tende a chegar tarde — e a chegar apenas depois que os danos já estiverem escalados.
Da apuração à desinformação: os dois lados da IA
Quando da emergência da desinformação no ciberespaço, aquela que tem deliberadamente a intenção de enganar, a necessidade de demonstrar transparência no processo da apuração jornalística se tornou uma das maneiras de provar o rigor ético da imprensa aos incautos e a todos os assolados pelas mensagens falsas, que confundiam integrantes da superindústria que alimentavam a desordem informacional daqueles que exerciam a profissão do jornalismo. Bom lembrar que a desinformação assume muitas formas, e poderíamos elencar a invisibilidade de notícias como uma delas. O que é chamado de deserto de notícias. Não informar determinado fato, principalmente quando esse fato é imprescindível ao cidadão, ou seja, de interesse público, também é uma maneira drástica de desinformar. Deveríamos exigir uma cidadania informada.
Fomos da escassez à abundância de informação, e da audiência humana para a de máquinas. Hoje o intuito é que os softwares possam redistribuir as informações nas respostas dos prompts. Trata-se de um novo intermediário de distribuição. Nos últimos tempos, as redações estão integrando a IA como multiplicadora de força de engajamento de seus produtos jornalísticos. Até porque não dá para esperar que o consumidor de notícias venha a clicar em suas reportagens a bel-prazer. A relação com o leitor, antes direta, foi mediada por plataformas; agora, sistemas de IA atuam como intermediários ativos, interpretando, recortando e recompondo o conteúdo. Chatbots, além de recuperar, reconstroem a informação com agência editorial. Essa inversão estrutural muda a dinâmica da informação, impactando como o jornalismo entende e atende sua audiência. O esquema atualiza o texto sozinho, adapta para diferentes públicos, publica em múltiplos canais. Ou seja, um mesmo texto vira: push notification, post para redes, newsletter, nota etc.
Para se ter uma ideia, o “ChatGPT tem 800 milhões de usuários ativos semanais, e as principais atividades são a busca de informação e os pedidos de conselhos. Nenhuma redação está estruturada para esse mercado”. Esta citação baseia-se na cobertura feita pelo portal TechCrunch a respeito do anúncio oficial realizado por Sam Altman (CEO da OpenAI) durante o evento OpenAI Dev Day, em outubro de 2025.
A transição de modelos de linguagem (LLMs) para agentes de IA altera a natureza do trabalho jornalístico. Enquanto os LLMs funcionam como ferramentas reativas e pontuais sob demanda direta — com riscos limitados a erros localizados —, os agentes operam de forma sistêmica e contínua, observando, decidindo e agindo de maneira autônoma. Essa diferença transforma a escala do problema: se um modelo erra uma resposta isolada, um agente pode escalar erros, vieses ou desinformação de forma automatizada. Estamos diante de uma nova camada operacional dentro da redação. Nesse cenário, o jornalismo passa de uma era de uso de ferramentas para a operação de sistemas, exigindo que a automação contínua seja firmemente orientada por valores e critérios humanos estritos.
“À luz da Teoria Democrática, o jornalismo vigia e controla os outros poderes, baseando-se no princípio da liberdade de expressão, em especial na sua vertente da liberdade de informação (liberdade de informar, informar-se e ser informado)”, alegou Jorge Pedro Sousa em 2006. Afinal, sabemos que, com a informação correta, as pessoas podem formar suas opiniões. O problema não é a mentira. É a sua automação. Da desinformação à automação da desinformação.
O paralelo histórico: déjà vu do ceticismo
O medo de hoje tem precedentes exatos: a) Google (anos 1990/2000): “Vai acabar com a reportagem de rua”, diziam. Não acabou, acelerou a apuração e virou o ponto de partida para localizar especialistas e documentos. b) Wikipédia (2005/2010): “Não é confiável, qualquer um edita.” Aprendemos a usá-la como mapa de referências, não confiamos no texto, mas seguíamos as notas de rodapé para as fontes primárias. c) IA generativa (de 2022 para cá): o medo subiu na escala, não é mais “quem escreveu” ou “quem editou”, mas “quem inventou”. O Google e a Wikipédia lidavam com fragmentos da realidade; a IA lida com verossimilhança — o que parece verdade, mas pode ser alucinação. Conclusão histórica: sobrevivemos ao Google e à Wikipédia aprendendo a checar redobradamente e triangular a informação. A IA pode funcionar como um bom estagiário para organizar o caos diário e um péssimo editor para dar a palavra final.
Antes, a redação era organizada em torno de pessoas, cargos e rotinas. Agora começa a ser organizada também em torno de sistemas, fluxos de dados e agentes automatizados. A inteligência artificial não deve ser analisada pelo critério da substituição do jornalista, mas pela transformação da arquitetura da mediação informacional.
Num mundo de deepfake, toda informação é suspeita
A infraestrutura da rede proporciona ferramental suficiente para abastecer o ecossistema da desinformação para produzir meras informações inúteis, mensagens falsas ou sofisticados deepfakes de texto, áudio ou de vídeo, com a ajuda do cipoal de dados digitalizados, que servem como munição ao processo manipulativo de linguagem natural.
Portanto, a inexistência de transparência (ter ideia de como os algoritmos produzem resultados) e o consequente ocultamento da explicabilidade (caixa-preta), envolvendo a cultura algorítmica (aqui, a negativa) — e, com ela, não somente o ato de falsear a realidade, mas também outras consequências, como a discriminação resultante da falta de dados suficientes ou mesmo de dados enviesados (inicialmente imputados por humanos, obviamente) —, ficarão no campo da necessidade impreterível do direito à ciência dos dados abertos, com o devido alcance para o escrutínio permanente, como um forte apelo ético. Mesmo que a computação faça avanços transformadores em dados orientados a dados, com subdisciplinas como IA e aprendizagem de máquina, e testemunhemos, sem precedentes, a informação da sociedade em que vivemos, há também uma crescente conscientização das aplicações emergentes que discriminam muitas populações.
“Uma vez desenvolvidos, os algoritmos não apenas podem criar milhares de notícias para um determinado tópico, como também o fazem de forma mais rápida, econômica e potencialmente com menos erros do que qualquer jornalista humano”, aponta há dez anos Graefe (2016). Os algoritmos podem usar os mesmos dados para contar histórias em vários idiomas, segundo o pesquisador, “e de diferentes ângulos, personalizando-os, assim, de acordo com as preferências de um leitor individual. Os algoritmos têm o potencial de gerar notícias sob demanda, criando histórias em resposta às perguntas dos usuários sobre os dados”.
Independentemente de o fazer jornalístico ter sido invadido por mecanismos de automação, ajudando e piorando os métodos cotidianos da imprensa, é sintomático saber lidar com o atual estado borrado entre o trabalho do humano — o profissionalismo, a responsabilidade e o caráter de identificação colhido pelos depoimentos das personagens — e o automatismo — frio e burocrático.
Éramos felizes e não sabíamos. Escrever com liberdade, escolher palavras, títulos, chapéus etc. era uma tarefa fluida. Com o advento dos motores de busca, para ganharmos visibilidade, foi preciso paulatinamente mudar nossa escrita. Utilizar obrigatoriamente as regras de SEO é o menor dos males, no entanto.
Imprescindível é melhorar e fornecer a transparência adequada, não sobrecarregar o usuário, obter maior confiança e compreensão. É preciso ter em mente que nem sempre o cidadão comum terá capacidade de averiguar por si só os resultados da IA, mesmo com muita transparência.
Tornar o sistema o mais justo possível, reduzir possíveis discriminações e preconceitos, melhorar sua transparência, prover explicação e previsibilidade e tornar o sistema mais rastreável, auditável e responsável. Não parece que a maior parte da audiência saiba diferenciar um jornalista de um colaborador (muitas vezes bem-intencionado) ou de um falsificador. Por isso, é necessário redobrar esforços para fazer circular a noção de verdade e, assim, reduzir a chance de discrepâncias que castigam as redes. É preciso sublinhar que a apuração e a infatigável checagem de informações são demandas originárias dos jornalistas desde que eles existem. Já o pensamento crítico só é adquirido com conhecimento de causa somado à experiência na profissão, bem como à de vida, e o alerta da velocidade (e com ela, o tempo de atenção) é acentuado por todos que estudam o atual jornalismo.
Com o estado da tecnologia que alça os “modelos de fronteira”, que são, em geral, os modelos de IA mais avançados disponíveis em determinado momento, especialmente aqueles que estão empurrando o limite superior do que as IAs conseguem fazer, o cuidado dessa capacidade tecnológica deve ser triplicado, especialmente no quesito da autonomia, quando raciocinar, decidir qual ação deveria ser tomada e realizar sequências relativamente longas de tarefas sem intervenção humana constante já é perigoso. Com os agentes, o perigo é maior; eles dirigem o próprio processo e uso de ferramentas, em um ciclo que, além de planejar e agir, observa, percebe inconsistências, ajusta e cuida de agir novamente, caso necessário, mudando a estratégia. Ou seja, o modelo possui capacidade cognitiva, ao passo que o agente é o sistema que utiliza essa capacidade para realizar uma tarefa. Eles operam em ciclos, e a tendência é justamente a convergência de modelos cada vez mais capazes (melhorando a qualidade das respostas) e agentes cada vez mais autônomos, com cada vez mais permissão para decidir. Bom frisar a entrada dos multiagentes subdivididos como agente pesquisador, agente programador, agente analista etc., capazes de triangular as informações mais rapidamente
Conclusão: a arquitetura da informação como questão polític
Ao longo deste texto, o argumento é que a IA além de acrescentar ferramentas ao jornalismo, reconfigura a arquitetura da informação, alterando quem seleciona, hierarquiza, contextualiza e distribui o conteúdo. Essa reconfiguração não é neutra — ela desloca poder, redefine funções e cria novas dependências. A passagem do jornalismo industrial para o jornalismo de sistemas é uma mudança técnica, e principalmente, uma mudança política, econômica e epistemológica. Se o século XX disputou quem mediava a informação, o século XXI precisa disputar como sistemas automatizados exercem essa mediação e sob quais critérios. A resposta está na governança que a orienta: manuais de redação traduzidos em código, auditoria algorítmica, formação crítica de jornalistas e regulação democrática. Sem isso, a IA não será uma ferramenta de fortalecimento do jornalismo — será apenas mais uma camada de opacidade sobre a informação. A questão, portanto, extrapola como a IA está transformando o jornalismo, e reflete quem definirá os critérios dessa transformação. Essa é, antes de tudo, uma decisão humana.
Magaly Prado, jornalista e escritora, é pesquisadora colaboradora do Instituto de Estudos Avançados da Universidade de São Paulo. É coordenadora de Podcasts Especiais da Rádio USP. Fez estágio de pós-doutorado na Escola de Comunicações e Artes da USP. É doutora em Comunicação e Semiótica e mestre em Tecnologias da Inteligência e Design Digital, ambos programas da Pontifícia Universidade Católica – SP.
