--- title: "Como funciona" description: "O ciclo de engagement, o motor de recomendação e por que o algoritmo não tem nenhum incentivo para se importar com o seu bem-estar." url: https://attentionmachine.org/pt/maquina-da-atencao/como-funciona/ lang: pt updated: 2026-10-25 license: "CC BY-NC-SA 4.0 (https://creativecommons.org/licenses/by-nc-sa/4.0/)" --- > **Conteúdo em revisão por voluntários** Falantes nativos estão conferindo esta tradução com o original em inglês. [Como traduzimos e como informar um erro (em inglês)](https://attentionmachine.org/en/about/translations/#volunteer-review) # Como funciona O ciclo de engagement. O motor de recomendação. Por que o algoritmo não tem nenhum incentivo para se importar com o seu bem-estar. ## O mecanismo central Toda grande plataforma de rede social é construída em torno de uma decisão[^src-narayanan-2023] tomada bilhões de vezes por dia: o que você vai ver em seguida? Quem toma essa decisão é um algoritmo. O algoritmo não decide com base no que é verdadeiro, no que é importante ou no que seria bom você saber. Ele decide, de forma esmagadora, com base em um único tipo de sinal: o que manteve pessoas como você engajadas no passado. Uma curtida, um compartilhamento, um comentário, uma pausa longa enquanto você rola a tela — cada interação é um dado. O algoritmo aprende com esses dados e os usa para prever com o que você vai interagir em seguida. > **Sistema de recomendação (recommender system)** > > A classe de algoritmos que decide o que cada usuário vê. Com base no seu comportamento passado e no comportamento de usuários parecidos, esses sistemas preveem com qual conteúdo você tem mais chance de interagir — e ordenam o seu feed de acordo com isso. São o motor do Facebook, do YouTube e do TikTok. > > O ponto decisivo: eles otimizam para o engagement previsto, não para a precisão, a importância ou o seu bem-estar. Onde essas coisas chegam a entrar no modelo — um classificador que avalia uma publicação como provável discurso de ódio, um questionário que pergunta aos usuários o que valeu a pena para eles —, elas são ajustes colocados por cima, não a medida que o sistema foi construído para maximizar. > > **Fontes** > > - Narayanan, A. (2023), [_Understanding Social Media Recommendation Algorithms_](https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms), Knight First Amendment Institute, Universidade Columbia. > **Otimização de engagement (engagement optimisation)** > > A prática de treinar um sistema de ranking para maximizar sinais de comportamento mensuráveis — cliques, tempo assistido, compartilhamentos, comentários — usados como substitutos do valor de um conteúdo. Esse substituto é conveniente porque é fácil de medir. Mas ele está sistematicamente desalinhado com o bem-estar: o conteúdo que prende a atenção não é o conteúdo que faz bem a você. > > **Fontes** > > - Narayanan, A. (2023), [_Understanding Social Media Recommendation Algorithms_](https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms), Knight First Amendment Institute, Universidade Columbia. Parece razoável. Na prática, isso cria um problema sistemático. ## Engagement não é a mesma coisa que bem-estar Um acidente de carro para o trânsito. Um bate-boca atrai uma multidão. Indignação, medo e conflito tribal geram engagement[^src-milli-2025] — não porque as pessoas gostam deles, mas porque é difícil desviar o olhar. O algoritmo não consegue distinguir o engagement que faz bem a você do que não faz. Ele nem tenta. Não é isso que ele está otimizando. A pesquisa interna do próprio Facebook, vazada em 2021 pela whistleblower Frances Haugen[^src-facebook-files-2021], mostrou que a empresa sabia que seus algoritmos amplificavam de forma desproporcional, entre os posts recompartilhados, o que seus próprios pesquisadores chamavam de “desinformação, toxicidade e conteúdo violento[^src-hagey-2021]”. Documentos internos mostravam um debate sobre corrigir ou não esse problema. As correções propostas enfrentaram resistência porque teriam reduzido o engagement. Isto não é uma acusação de má-fé. É uma descrição de incentivos. Quando o engagement é a métrica e a indignação gera engagement, a indignação é o que o sistema põe em destaque — seja qual for a intenção. ## O ciclo de retroalimentação O sistema de recomendação (recommender system) funciona por meio de um ciclo contínuo[^src-narayanan-2023]: **Você interage** com um conteúdo — pausa, curte, comenta, compartilha ou simplesmente assiste por alguns segundos. **O sistema registra** o que provocou essa interação. **O algoritmo atualiza** o modelo do que funciona com você. **Ele entrega** mais conteúdo com previsão de provocar reações parecidas. O ciclo roda sem parar, de forma invisível, para mais de três bilhões de pessoas por dia[^src-meta-platforms-2026] só nos apps da Meta. O próprio Facebook foi lançado em 2004[^src-meta-2004]. Com o tempo, o algoritmo fica muito preciso em prever as suas reações — não porque entende você, mas porque acumulou dados suficientes sobre o seu comportamento para modelá-lo[^src-zuboff-2019]. O resultado é um feed que parece pessoal e relevante, porque foi calibrado para o seu perfil psicológico específico. > **Perfilamento comportamental (behavioural profiling)** > > A construção de um modelo de previsão de uma pessoa a partir dos rastros que ela deixa — no que clica, quanto tempo se demora, o que compartilha, quem segue. Esse perfil não é uma descrição em que você se reconheceria; é um objeto estatístico otimizado para prever a sua próxima ação. Você nunca o vê, e não pode corrigi-lo. > > **Fontes** > > - Zuboff, S. (2019), _The Age of Surveillance Capitalism_, PublicAffairs. O mesmo ciclo paga quem produz o conteúdo. Os **criadores de conteúdo** — veículos de comunicação, influenciadores, qualquer pessoa que vive de publicar — ganham com a parte da receita de publicidade que a plataforma repassa, com patrocínios cujo preço depende do alcance e com os fundos que a própria plataforma mantém para criadores; tudo isso cresce com o engagement, e assim a preferência do ranking pelo que provoca reação vira também o incentivo deles. Os Facebook Files registram a conclusão da própria empresa: depois que a mudança de 2018 passou a premiar comentários e compartilhamentos, veículos de comunicação e partidos políticos disseram ao Facebook[^src-hagey-2021] que tinham passado a publicar posts mais polarizadores, porque era isso que o ranking agora recompensava. Ninguém deu essa ordem a eles; a receita deu. ## O que os dados mostraram Em 2018, o Facebook mudou seu algoritmo para impulsionar as “Meaningful Social Interactions” (interações sociais significativas) — conteúdos que geravam mais comentários e reações, com a intenção de promover conexões genuínas. Um estudo revisado por pares[^src-germano-2026] (Germano, Gómez e Sobbrio, publicado no _Journal of Public Economics_ em 2026), com dados de questionários dos Estados Unidos e da Itália, concluiu que a atualização, em vez disso, contribuiu para o aumento do extremismo ideológico e da polarização afetiva nos dois países. Com base nessas evidências, uma decisão comercial tomada numa reunião de produto teve consequências políticas — dados de questionários, não um experimento, e o quanto uma única mudança de ranking move a polarização não está resolvido (veja abaixo). Uma apresentação interna do Facebook de 2016, noticiada pelo Wall Street Journal em 2020[^src-horwitz-2020], constatou que, entre os grupos políticos alemães que ela estudou, 64% de todas as entradas em grupos extremistas tinham vindo das ferramentas de recomendação do próprio Facebook — um país, um ano, a medição da própria empresa. Não de sites marginais. Do próprio motor da empresa, um grupo sugerido de cada vez. ## Por que a força de vontade individual é o enquadramento errado A resposta mais comum a tudo isso é pessoal: use menos, faça pausas, tenha mais disciplina. O conselho não está errado, mas erra a escala do problema. O sistema que otimiza o seu feed foi construído ao longo de anos por grandes equipes de engenheiros altamente qualificados[^src-narayanan-2023], treinado em registros imensos do que as pessoas fazem e refinado continuamente — uma mudança após a outra testada em usuários reais — na direção do que gera mais engagement. A ideia de que a força de vontade individual é a principal defesa contra isso — e não uma mudança estrutural no próprio sistema — é, ela mesma, um enquadramento que beneficia as plataformas. Ela coloca o peso da resposta sobre os usuários, e não sobre o design. Entender o mecanismo é o começo. O resto é estrutural: uma mudança naquilo que o sistema foi construído para maximizar, e não na disciplina dos seus usuários. **Como sabemos — a mudança de algoritmo de 2018 e o que as evidências mostram e não mostram** A mudança de 2018, chamada “Meaningful Social Interactions” (MSI), redistribuiu os pesos do News Feed para favorecer posts que atraíam comentários e reações, em especial compartilhamentos entre amigos. O Facebook a apresentou como uma forma de promover conexão. A análise revisada por pares de Germano, Gómez e Sobbrio[^src-germano-2026] (2026; divulgada como texto para discussão em 2025) modelou como o ranking baseado em sinais de engagement espalha conteúdos e testou as previsões com dados dos Estados Unidos e da Itália; o modelo prevê que dar mais peso a curtidas e compartilhamentos aumenta o engagement, mas também a desinformação e a polarização, e os dados de questionários indicam que a mudança MSI contribuiu para o aumento do extremismo ideológico e da polarização afetiva. As evidências são observacionais: dados de questionários, não um experimento controlado. As revelações de Haugen[^src-hagey-2021] mostraram depois que funcionários do próprio Facebook tinham alertado que a MSI recompensava a indignação e a desinformação recompartilhada. **O que está em disputa.** Que o ranqueamento por engagement amplifica conteúdo que divide tem bom respaldo; o quanto isso move a polarização não está estabelecido. Os maiores experimentos sobre a questão apontam na direção contrária: nos estudos da eleição americana de 2020 feitos com a Meta, três meses de um feed cronológico no lugar do ranqueado[^src-guess-2023], ou de um terço a menos de conteúdo de fontes com as mesmas posições[^src-nyhan-2023], não mudaram de forma mensurável a polarização nem as atitudes políticas — dentro dos limites de três meses e uma eleição. As magnitudes exatas, e a parcela da polarização no mundo real que pode ser atribuída a uma única mudança de algoritmo, dependem das premissas do modelo. Os efeitos das plataformas interagem com a política fora da internet, com a mídia e com a autosseleção, o que torna difícil uma atribuição causal limpa. Descrevemos o mecanismo e o que a empresa sabia internamente, como está documentado; não afirmamos que o algoritmo sozinho causou a polarização. **Sobre o número de 64%.** Ele vem de uma apresentação interna do Facebook de 2016, noticiada pelo Wall Street Journal em maio de 2020[^src-horwitz-2020] — um ano antes das revelações de Haugen. O slide, de um estudo sobre grupos políticos na Alemanha, dizia que 64% de todas as entradas em grupos extremistas se deviam às ferramentas de recomendação do próprio Facebook (“Nossos sistemas de recomendação aumentam o problema”). É a medição que a própria empresa fez do seu próprio produto, e é isso que lhe dá peso — mas é um único número interno, de um país e de um ano, não um estudo replicado de forma independente, e ele não diz nada sobre se esses usuários já estavam procurando esses grupos. ## Fontes [^src-facebook-files-2021]: [The Facebook Files](https://www.wsj.com/articles/the-facebook-files-11631713039) (Wall Street Journal, 2021) — as revelações internas de Frances Haugen. [^src-germano-2026]: Germano, F., Gómez, V. & Sobbrio, F. (2026), [_Ranking for Engagement: How Social Media Algorithms Fuel Misinformation and Polarization_](https://bse.eu/research/working-papers/ranking-for-engagement-how-social-media-algorithms-fuel-misinformation-and-polarization), Journal of Public Economics 255 (versão em acesso aberto, como texto para discussão, na Barcelona School of Economics) — estudo empírico sobre a atualização de algoritmo do Facebook em 2018. [^src-guess-2023]: Guess, A.M. et al. (2023), [_How do social media feed algorithms affect attitudes and behavior in an election campaign?_](https://doi.org/10.1126/science.abp9364), Science 381(6656), 398–404 — experimento da eleição americana de 2020, feito com a Meta: três meses de feed cronológico no Facebook e no Instagram “não alteraram de forma significativa os níveis de polarização em torno de temas, polarização afetiva, conhecimento político ou outras atitudes centrais”. [^src-hagey-2021]: Hagey, K. & Horwitz, J. (15 de setembro de 2021), [_Facebook Tried to Make Its Platform a Healthier Place. It Got Angrier Instead_](https://www.wsj.com/articles/facebook-algorithm-change-zuckerberg-11631654215), Wall Street Journal (The Facebook Files) — memorandos internos em que veículos de comunicação e partidos políticos relatam ter passado a publicar posts mais negativos e polarizadores depois da mudança de ranking de 2018. [^src-horwitz-2020]: Horwitz, J. & Seetharaman, D. (26 de maio de 2020), [_Facebook Executives Shut Down Efforts to Make the Site Less Divisive_](https://www.wsj.com/articles/facebook-knows-it-encourages-division-top-executives-nixed-solutions-11590507499), Wall Street Journal — a apresentação interna de 2016 e o número de “64%”. [^src-meta-2004]: Meta, [_Company information_](https://www.meta.com/about/company-info/) — “Quando o Facebook foi lançado, em 2004”. [^src-meta-platforms-2026]: Meta Platforms (29 de julho de 2026), [_Meta Reports Second Quarter 2026 Results_](https://www.sec.gov/Archives/edgar/data/1326801/000162828026050596/meta-06302026xexhibit991.htm) — a contagem da própria empresa: “o DAP foi de 3,60 bilhões em média em junho de 2026” (Family daily active people, as pessoas ativas por dia no conjunto de apps da empresa), conforme o documento entregue à Securities and Exchange Commission dos EUA. [^src-milli-2025]: Milli, S., Carroll, M., Wang, Y., Pandey, S., Zhao, S. & Dragan, A.D. (2025), [_Engagement, user satisfaction, and the amplification of divisive content on social media_](https://doi.org/10.1093/pnasnexus/pgaf062), PNAS Nexus 4(3) — auditoria pré-registrada: o ranking por engagement do Twitter amplificou conteúdos de forte carga emocional e hostis a outros grupos, em comparação com um feed cronológico, e os usuários não o preferiam. [^src-narayanan-2023]: Narayanan, A. (2023), [_Understanding Social Media Recommendation Algorithms_](https://knightcolumbia.org/content/understanding-social-media-recommendation-algorithms), Knight First Amendment Institute, Universidade Columbia. [^src-nyhan-2023]: Nyhan, B. et al. (2023), [_Like-minded sources on Facebook are prevalent but not polarizing_](https://doi.org/10.1038/s41586-023-06297-w), Nature 620, 137–144 — reduzir em cerca de um terço a exposição a fontes com as mesmas posições, para 23.377 usuários durante a eleição americana de 2020, não teve efeito mensurável sobre a polarização afetiva, o extremismo ideológico nem outras seis atitudes pré-registradas. [^src-zuboff-2019]: Zuboff, S. (2019), _The Age of Surveillance Capitalism_, PublicAffairs. [Seu cérebro — por que a máquina funciona em quase todo mundo →](https://attentionmachine.org/pt/maquina-da-atencao/seu-cerebro/)\ [Publicidade & vigilância — o que está sendo feito com a sua atenção →](https://attentionmachine.org/pt/maquina-da-atencao/publicidade/)\ [Busca — a mesma lógica de ranking, aplicada ao que você procura →](https://attentionmachine.org/pt/maquina-da-atencao/busca/)\ [Sim, mas… →](https://attentionmachine.org/pt/objecoes/) --- Parte do conteúdo deste site foi criada com o auxílio de ferramentas de IA e pode conter erros. [Como usamos IA →](https://attentionmachine.org/pt/sobre/como-usamos-ia/)