A inteligência artificial consegue entender o gosto cinematográfico?

O que as máquinas realmente aprendem sobre filmes

Um sistema de recomendação não conhece filmes. Conhece comportamentos. A Netflix descreve o seu “Foundation Model for Personalized Recommendation”, apresentado em 2025, como um modelo que opera segundo o princípio da previsão autorregressiva – “our default approach employs the autoregressive next-token prediction objective, similar to GPT” – e cujo objetivo primordial é simplesmente prever a próxima interação com um título (Netflix Technology Blog). É treinado com os históricos de interação de mais de 300 milhões de utilizadores e centenas de milhares de milhões de interações (Netflix Technology Blog). Isso não é formação de gosto, mas cálculo de probabilidades em grande escala.

De forma semelhante funciona a personalização das imagens de capa: a Netflix escolhe o artwork exibido por meio dos chamados contextual bandits, otimizando a probabilidade de um “quality play”, medida como “take fraction” (Netflix Technology Blog). Com isso, a empresa personaliza explicitamente “not just what we recommend but also how we recommend” – e relata um “significant lift in core metrics” (Netflix Technology Blog). O YouTube, por sua vez, divide as suas recomendações desde 2016 em duas etapas: uma geração de candidatos e um modelo de ranking (Google Research).

Esses sistemas são inegavelmente poderosos. Mas respondem a uma pergunta diferente da artística. Eles medem o que muitas vezes funciona. Não explicam por que uma determinada imagem é emocionalmente necessária dentro de uma determinada história.

Do prognóstico à avaliação: números sem discernimento

O salto da recomendação à avaliação é a verdadeira ambição do setor. Os fornecedores prometem reconhecer o sucesso antes mesmo das filmagens. A ScriptBook anuncia-se como “87 % financially accurate” com uma precisão de greenlight de 80 por cento apenas com base no roteiro; a patente subjacente indica uma precisão de classificação de até 86 por cento para sucesso e fracasso (ScriptBook). A Largo.ai declara uma precisão de greenlight de 82 por cento e estima em mais de 12.000 os filmes analisados (Largo.io). Ambas são afirmações dos fornecedores que não resistiram a uma verificação independente no âmbito desta pesquisa.

A pesquisa séria é mais cautelosa. Um estudo publicado em 2024 na Scientific Reports alcançou uma precisão média de prognóstico de 83,7 por cento para a bilheteria com uma rede neural ampliada por comentários; sem os dados de comentários, os valores caíam consideravelmente (Scientific Reports). Decisivo, no entanto, é o objeto: o que se prognostica é o sucesso comercial, não a qualidade artística. Os próprios autores apontam a seleção de dados e o efeito COVID como limites em aberto (Scientific Reports).

É exatamente aqui que se revela o ponto cego. Uma análise independente da ScriptBook feita pela Cineuropa sustenta que o propósito da análise não é “captar as sutilezas de um roteiro, mas comparar o seu conteúdo com as grandezas conhecidas de filmes já lançados” (Cineuropa). No caso documentado do filme Passengers, a previsão de bilheteria foi utilizável, mas a ferramenta não conseguiu antecipar a má recepção crítica (Cineuropa). A crítica é: “false objectivity” – métricas objetivas que apenas podem apoiar uma decisão subjetiva, mas não tomá-la (Cineuropa).

A diferença entre efeito e verdade

Pode uma máquina ao menos medir o efeito emocional? Em parte. Modelos de affective computing como o AttendAffectNet preveem as emoções evocadas por um filme a partir das faixas de vídeo, áudio e texto – mas apenas como as dimensões de valência e ativação, com os melhores valores de correlação em torno de 0,655 para a ativação e 0,575 para a valência (Sensors). Trata-se de uma aproximação correlativa a reações medidas, não de um juízo sobre a verdade emocional. Tal pesquisa esboça como modelar as reações do público como pontos de dados; não substitui nem um público de teste representativo nem um juízo estético, e um uso produtivo em estúdio precisamente deste modelo não está documentado nas fontes examinadas.

É exatamente aí que entram as exibições de teste e os dados de público. Podem agrupar reações, tornar visíveis padrões entre grupos de espectadores e estimar probabilidades. Mas um público de teste continua sendo uma amostra, não um juízo de valor, e espectadores diferentes reagem de forma diferente à mesma cena. Os sistemas automatizados de trailers e artwork, por sua vez, podem otimizar a seleção e a apresentação do material – a Netflix demonstra isso para a escolha personalizada de capas (Netflix Technology Blog). No entanto, em nenhuma das fontes examinadas para este artigo há prova de que um sistema compreenda a assinatura de um realizador ou a necessidade artística de uma imagem; esta frase deve ser lida como constatação de pesquisa e enquadramento jornalístico, não como afirmação categórica sobre o futuro.

Com isso é possível afinar o eixo conceitual central deste artigo. São mensuráveis ou prognosticáveis: a qualidade técnica, a probabilidade estatística de sucesso, a notoriedade, a popularidade e – de forma limitada e correlativa – o efeito emocional. Permanecem, por outro lado, normativas, culturais e dependentes do contexto: a verdade emocional, a originalidade, a necessidade artística e o gosto pessoal. Um filme tecnicamente impecável, familiar e estatisticamente promissor pode ser emocionalmente vazio. Uma obra a princípio desconcertante pode tornar-se culturalmente marcante. Nenhum sistema aqui documentado decide sobre essa diferença.

A razão é estrutural, não meramente gradual. Os modelos comparam o novo com o conhecido. É precisamente por isso que a pesquisa alerta contra a uniformidade guiada por dados: o clássico achado de Fleder e Hosanagar mostra que os sistemas de recomendação podem gerar “ciclos autorreforçantes” nos quais os títulos populares são recomendados com mais frequência, consumidos com mais frequência e, em seguida, recomendados ainda mais – “These cycles reduce diversity” (INFORMS). Um experimento de campo posterior, com 82.290 produtos e mais de 1,1 milhão de utilizadores, confirma que os filtros colaborativos reduzem a diversidade agregada da oferta, ainda que a diversidade individual possa aumentar ao mesmo tempo (University of Pennsylvania). Um sistema otimizado para o conhecido tende a produzir mais do conhecido.

O que realmente acontece na prática

O quadro real é mais matizado do que ambos os extremos – tanto a fé eufórica nas máquinas quanto a rejeição generalizada. O caso prático provavelmente mais sólido é a Cinelytic: a Warner Bros. Pictures International usa a plataforma desde 2020 para avaliar conteúdos e talentos e para orientar estratégias de lançamento (Business Wire). Notável é a sua autolimitação. O fundador Tobias Queisser disse à Fortune: “We don't believe that an algorithm can run a script and understand whether the story is good or will connect with humans” – e deixou claro: “We're not in the business of forecasting hits or flops” (Fortune). Em 2025 a Cinelytic ampliou o seu portfólio com a aquisição da Jumpcut Media e da sua ferramenta de análise de roteiros ScriptSense; entre os clientes citados estão a Lionsgate e a Warner Bros. (Variety).

No nível das ferramentas de pós-produção, tais automações estão comercialmente disponíveis desde 2025. A Blackmagic Design descreve, para o DaVinci Resolve 20, que o “IntelliScript” constrói automaticamente uma timeline “with the best takes of user selected dialogue” com base num script de texto fornecido pelo utilizador, que o “IntelliCut” pode remover os silêncios nos diálogos e, por reconhecimento de locutores, colocar cada locutor em faixas separadas, e que o “Multicam SmartSwitch” na página de montagem pode “automatically select angles based on who is speaking” (Blackmagic Design). São sugestões assistivas e automações de tarefas técnicas – um corte bruto, o encurtamento de silêncios, a escolha da câmera que fala. Não fundamentam nem uma estética de câmera nem um ritmo: não a decisão dramatúrgica de por que um corte, numa cena emocional, cai um segundo cedo ou tarde demais.

Um exemplo frequentemente citado do limite entre análise e juízo é o trailer assistido por IA que a IBM desenvolveu em 2016 para o filme da 20th Century Fox Morgan. A IBM Research descreve o projeto como uma colaboração homem-máquina: uma análise multimodal de imagem, som, atmosfera e estrutura de cena identificou dez momentos adequados, posteriormente organizados e montados por um cineasta profissional (IBM Research). Segundo John Smith, diretor de pesquisa da IBM, o montador usou nove dos dez clipes propostos, ajustou os seus limites, definiu as transições e escolheu a música – “that was a completely human process” (VICE). O sistema analisou e propôs momentos; a seleção cinematográfica e o corte final permaneceram humanos. Como experimento histórico, o caso ilustra o potencial da análise automatizada de trailers – não um gosto cinematográfico autônomo.

Contra-argumentos, limites e riscos

A objeção mais forte ao ceticismo é esta: também o gosto humano é aprendido, moldado pela experiência, pela cultura e pela imitação. Se um modelo reconhece padrões que “funcionam”, faz então algo fundamentalmente diferente de um montador experiente? A diferença demonstrável reside menos na capacidade de reconhecer padrões do que naquilo que pode ser medido. Os sistemas otimizam grandezas observáveis – cliques, tempo de permanência, receita. A necessidade artística, a marca cultural e as decisões erradas ousadas e produtivas não estão definidas como meta mensurável em nenhuma das fontes aqui examinadas.

Daí decorrem riscos concretos. Primeiro, o perigo documentado de homogeneização por meio de ciclos de popularidade autorreforçantes (INFORMS). Segundo, a “false objectivity” das ferramentas de prognóstico, cujos números sugerem certeza onde seria preciso tomar uma decisão cultural e estética (Cineuropa). Terceiro, a confusão entre qualidade técnica e verdade: uma imagem pode estar perfeitamente composta e ainda assim ser irrelevante. Ao mesmo tempo, seria errado negar à IA qualquer relevância. Como ferramenta analítica – para a avaliação de riscos, para a automação do trabalho técnico, para a personalização da distribuição – a sua utilidade está documentada. A fronteira não passa entre o ser humano e a máquina, mas entre o mensurável e o juízo.

Conclusão: entre correlação e significado

Um sistema de IA pode aprender quais imagens, histórias ou cortes funcionam com frequência. Pode agrupar as reações dos grupos de teste, estimar probabilidades e revelar correlações que escapam ao olhar humano. Daí não se segue que compreenda por que uma determinada imagem é emocionalmente necessária dentro de uma determinada história. Gosto não é mera popularidade, e a probabilidade estatística não é um juízo estético. O estado honesto das coisas em 2026 situa-se entre duas narrativas cômodas: a máquina não substitui a assinatura do realizador, nem é irrelevante. Ela desloca a pergunta. Já não: o que provavelmente vai funcionar? Mas sim: quem decide quando os dados e a intuição divergem – e quem assume o risco criativo quando uma obra desconcertante se revela a que marca uma época? Por ora, essa decisão continua sendo um juízo humano.