Existe uma situação curiosa que se repete em milhões de salas de estar. Chegamos em casa, ligamos a televisão, abrimos a Netflix e começamos a procurar alguma coisa para assistir. Passamos por dezenas de filmes, séries e documentários, lemos sinopses, assistimos a prévias e continuamos procurando. Até perceber que gastamos uma parte considerável do tempo disponível tentando decidir o que fazer com o restante dele. Durante décadas, a tecnologia trabalhou para resolver o problema da escassez. Queríamos mais acesso, mais conteúdo, mais alternativas e mais liberdade para escolher. Conseguimos. Agora, a indústria parece empenhada em resolver um problema que nasceu justamente desse sucesso: o excesso de possibilidades.
Em novembro de 2026, a Netflix começou a testar nos Estados Unidos o AI Discover, uma ferramenta que recomenda filmes e séries a partir do humor e do tempo disponível do usuário. Em vez de procurar por gêneros ou títulos, a pessoa pode escolher sugestões como “algo leve”, “me assuste” ou “tenho pouco tempo”. A inteligência artificial organiza as recomendações e permite refiná-las conforme as respostas recebidas. É uma evolução de um sistema que há anos utiliza nossos hábitos para personalizar o catálogo, mas que agora revela uma mudança interessante: a plataforma não quer apenas saber do que gostamos. Quer entender o que estamos com vontade de sentir.
A personalização sempre foi uma das grandes promessas da economia digital. Se uma plataforma sabe que gosto de determinado diretor, gênero musical ou estilo de roupa, parece natural que utilize essa informação para apresentar alternativas semelhantes. O problema começa quando confundimos relevância com familiaridade. Aquilo que tem maior probabilidade de agradar não é necessariamente aquilo que mais vale a pena descobrir. Nossos gostos não são estruturas fixas esperando para ser identificadas por um algoritmo. Eles também são construídos pelas experiências que vivemos, pelas pessoas que encontramos e, principalmente, por coisas às quais nunca teríamos chegado sozinhos.
Pense em quantas referências culturais importantes surgiram de uma escolha que você não havia planejado. Um amigo que insistiu para você ouvir um disco completamente diferente do seu repertório, um filme encontrado por acaso na televisão, um livro comprado porque a capa chamou atenção ou uma exposição visitada sem grandes expectativas. Algumas dessas experiências se tornaram importantes justamente porque não correspondiam ao que você já sabia que gostava. A descoberta tem uma característica que a personalização nem sempre consegue reproduzir: ela pode transformar nossas preferências, em vez de apenas atendê-las.
Essa tensão é conhecida na pesquisa sobre sistemas de recomendação como exploration versus exploitation. De um lado, explorar possibilidades desconhecidas, aceitando algum grau de incerteza. Do outro, aproveitar informações existentes para recomendar alternativas com maior probabilidade de aprovação. As duas estratégias são necessárias. Um sistema que recomenda apenas coisas inesperadas pode se tornar irrelevante. Um sistema que recomenda somente aquilo que já corresponde ao nosso histórico corre o risco de reduzir o espaço para novas experiências. A questão, portanto, não é escolher entre personalização e descoberta, mas entender o que acontece quando a eficiência passa a determinar quase tudo o que encontramos.
A própria Netflix reconhece a importância dessa diversidade ao incluir no AI Discover uma opção chamada Something Different, que permite solicitar sugestões diferentes. Seria incorreto afirmar que a plataforma deseja eliminar o inesperado. Mas existe uma pergunta interessante por trás dessa funcionalidade: quando até a surpresa precisa ser solicitada a um algoritmo, quem está realmente conduzindo a descoberta? Pesquisas sobre sistemas de recomendação mostram que eles podem favorecer conteúdos já populares, reforçando ciclos de visibilidade. Ao mesmo tempo, existem técnicas desenvolvidas para ampliar diversidade e novidade. Isso significa que a descoberta não desaparece necessariamente com a personalização, mas passa a depender cada vez mais das escolhas de quem desenvolve esses sistemas.
Talvez estejamos acostumados a tratar a conveniência como uma virtude tão evidente que raramente questionamos aquilo que ela modifica. Quando uma ferramenta economiza tempo ou reduz o esforço de uma decisão, enxergamos imediatamente o benefício. E ele é real. Não existe grande valor cultural em passar quarenta minutos procurando um filme quando tudo o que queremos é descansar. Mas há uma diferença entre eliminar fricções desnecessárias e eliminar as possibilidades de desvio. Algumas experiências importantes começam justamente quando nossos planos não funcionam: o restaurante que descobrimos porque o primeiro estava fechado, a música que ouvimos porque alguém assumiu o controle do som ou o livro que encontramos enquanto procurávamos outro. A eficiência procura encurtar a distância entre intenção e resultado. A descoberta, muitas vezes, acontece no meio desse caminho.
A psicologia do consumo também ajuda a explicar esse movimento. Em 2000, Sheena Iyengar e Mark Lepper publicaram um estudo que questionou a ideia de que oferecer mais alternativas necessariamente melhora a experiência de escolha. Pesquisas posteriores mostraram que a sobrecarga de opções depende de fatores como complexidade, contexto e clareza das preferências. Não existe uma regra universal segundo a qual mais opções sejam sempre piores, mas há um desafio evidente: quanto mais difícil é decidir, mais valiosa se torna uma boa curadoria. É nesse espaço que a inteligência artificial começa a ocupar um papel cada vez maior, deixando de apenas apresentar possibilidades para interpretar nossas intenções e organizar decisões.
E isso nos leva diretamente à publicidade. Durante muito tempo, uma das funções mais importantes das marcas foi apresentar possibilidades que as pessoas ainda não conheciam. Uma campanha podia despertar interesse por uma categoria, transformar uma percepção ou fazer alguém desejar algo que nunca havia considerado. A publicidade não se limitava a responder a demandas existentes. Em seus melhores momentos, ajudava a ampliar o imaginário coletivo. Mas, em um ambiente no qual sistemas procuram antecipar preferências, existe o risco de confundirmos comunicação relevante com comunicação previsível.
Uma marca que utiliza apenas informações sobre aquilo de que as pessoas já gostam pode acabar oferecendo versões ligeiramente diferentes de experiências conhecidas. Pode gerar conversões, produzir resultados e ser extremamente eficiente no curto prazo. Mas construir significado cultural frequentemente exige apresentar uma perspectiva que ainda não estava disponível. Algumas das campanhas mais memoráveis parecem estranhas antes de parecerem óbvias. Elas não apenas encontram uma demanda; introduzem uma nova maneira de olhar para alguma coisa. Os dados são excelentes para compreender o que fizemos e estimar o que provavelmente faremos, mas não representam a totalidade daquilo que podemos desejar.
A Netflix está testando uma maneira mais conveniente de ajudar as pessoas a escolher o que assistir, e isso pode representar uma melhoria real na experiência dos usuários. O problema não é a tecnologia conhecer nossos gostos, mas a possibilidade de esse conhecimento se transformar em uma definição estreita de quem somos. Talvez o futuro das recomendações não esteja em desenvolver sistemas capazes de acertar sempre, mas em criar sistemas que também saibam quando vale a pena nos surpreender. Afinal, estamos nos tornando cada vez mais eficientes em encontrar exatamente aquilo que procuramos, enquanto algumas das experiências que mais transformam nossa vida continuam sendo aquelas que jamais teríamos pensado em procurar.
As refs.:
- Netflix — Introducing AI Discover: A New Place to Find Your Next Great Watch (2026). https://about.netflix.com/en/news/introducing-ai-discover
- Netflix — Como funciona o sistema de recomendações da Netflix. https://help.netflix.com/pt/node/100639
- TechCrunch — Netflix’s new AI Discover tab helps you find something to watch based on your mood (2026). https://techcrunch.com/2026/11/03/netflixs-new-ai-discover-tab-helps-you-find-something-to-watch-based-on-your-mood/
- Iyengar, S. S.; Lepper, M. R. — When Choice Is Demotivating: Can One Desire Too Much of a Good Thing? (2000). https://pubmed.ncbi.nlm.nih.gov/11138768/
- Scheibehenne, B.; Greifeneder, R.; Todd, P. M. — Can There Ever Be Too Many Options? (2010). https://doi.org/10.1086/651235
- Chernev, A.; Böckenholt, U.; Goodman, J. — Choice Overload: A Conceptual Review and Meta-Analysis (2015). https://doi.org/10.1016/j.jcps.2014.08.002
- Klimashevskaia, A. et al. — A Survey on Popularity Bias in Recommender Systems (2024). https://link.springer.com/article/10.1007/s11257-024-09406-0
