{"id":801,"date":"2026-10-25T18:34:01","date_gmt":"2026-10-25T21:34:01","guid":{"rendered":"https:\/\/yellowkode.com\/blog\/por-que-texto-de-llm-virou-mais-dificil-de-ler\/"},"modified":"2026-10-25T18:34:01","modified_gmt":"2026-10-25T21:34:01","slug":"por-que-texto-de-llm-virou-mais-dificil-de-ler","status":"publish","type":"post","link":"https:\/\/yellowkode.com\/blog\/por-que-texto-de-llm-virou-mais-dificil-de-ler\/","title":{"rendered":"Por que texto de LLM virou mais dif\u00edcil de ler: o que o paper de Clark, Martin e Mahowald mostrou"},"content":{"rendered":"<h2>O fato<\/h2>\n<p>Em 21 de outubro de 2026, Thomas Hikaru Clark (NYU), Matias B. Martin e Kyle Mahowald (UT Austin) publicaram no arXiv o paper <em>Why is AI-generated language so hard to understand?<\/em> (arXiv:2610.29162). Eles testam duas hip\u00f3teses: que a sa\u00edda de LLMs de ponta e quase ponta usa demais tra\u00e7os lingu\u00edsticos associados \u00e0 dificuldade de compreens\u00e3o humana, e que uma press\u00e3o por densidade de informa\u00e7\u00e3o durante o p\u00f3s-treino desloca a sa\u00edda dos modelos para longe do humano. Usando an\u00e1lise lingu\u00edstica combinada com interven\u00e7\u00e3o direta no p\u00f3s-treino, encontram suporte para as duas.<\/p>\n<p>Nos nove modelos de ponta e quase ponta avaliados, todos usam mais sujeitos inanimados com verbos animados e mais n-gramas de baixa frequ\u00eancia que humanos, e a maioria tamb\u00e9m usa depend\u00eancias mais longas, mais substantivos empilhados e mais relativas de objeto reduzidas em conversa. Este artigo explica o mecanismo por tr\u00e1s disso e o que d\u00e1 para fazer com a informa\u00e7\u00e3o.<\/p>\n<h2>Como o paper mede dificuldade de leitura<\/h2>\n<p>A psicolingu\u00edstica j\u00e1 tem uma lista de estruturas que custam caro para o leitor humano processar. O paper pega essa lista pronta e vai contar quantas vezes aparecem em texto de LLM, em texto humano e em par\u00e1frase controlada.<\/p>\n<h3>Os tra\u00e7os que eles medem<\/h3>\n<p>S\u00e3o constru\u00e7\u00f5es espec\u00edficas, n\u00e3o m\u00e9tricas vagas de &#8220;qualidade&#8221;. As principais:<\/p>\n<ul>\n<li><strong>Relativa de objeto sem &#8220;que&#8221;<\/strong>. Em portugu\u00eas seria algo como &#8220;o relat\u00f3rio o diretor pediu&#8221; em vez de &#8220;o relat\u00f3rio que o diretor pediu&#8221;. O leitor precisa segurar o primeiro substantivo em mem\u00f3ria at\u00e9 descobrir que ele \u00e9 objeto, n\u00e3o sujeito, da pr\u00f3xima ora\u00e7\u00e3o.<\/li>\n<li><strong>Depend\u00eancia sint\u00e1tica longa<\/strong>. Quando a palavra que resolve o sentido est\u00e1 muito longe de onde come\u00e7ou a pend\u00eancia. Quanto mais tokens entre as duas pontas, mais custa.<\/li>\n<li><strong>N-grama de baixa frequ\u00eancia<\/strong>. Sequ\u00eancias de palavras que voc\u00ea quase nunca viu juntas. &#8220;Reader-patience budget&#8221; \u00e9 o exemplo que os autores d\u00e3o.<\/li>\n<li><strong>Sujeito inanimado com verbo animado<\/strong>. &#8220;A frase est\u00e1 comendo seu or\u00e7amento de paci\u00eancia&#8221;. O verbo &#8220;comer&#8221; espera algo vivo como sujeito.<\/li>\n<li><strong>Substantivos empilhados<\/strong>. Tr\u00eas ou mais substantivos encadeados sem preposi\u00e7\u00e3o no meio, tipo &#8220;pipeline de ingest\u00e3o de dados de clientes de varejo&#8221;.<\/li>\n<\/ul>\n<p>O pr\u00f3prio paper abre com uma frase que concentra v\u00e1rios desses tra\u00e7os de prop\u00f3sito: uma relativa de objeto, um verbo denominal (&#8220;footnote&#8221; virando verbo), um sujeito inanimado com o verbo &#8220;eat&#8221;, e substantivos empilhados formando um n-grama de baixa frequ\u00eancia (&#8220;reader-patience budget&#8221;).<\/p>\n<h3>O controle que elimina a resposta \u00f3bvia<\/h3>\n<p>A primeira obje\u00e7\u00e3o a esse tipo de medi\u00e7\u00e3o \u00e9: &#8220;claro que o texto de LLM \u00e9 diferente, o conte\u00fado \u00e9 diferente do conte\u00fado humano&#8221;. Os autores sabiam disso e desenharam um controle.<\/p>\n<p>Via tradu\u00e7\u00e3o de ida e volta (round-trip translation), eles mostram que esses tra\u00e7os n\u00e3o aparecem em par\u00e1frases controladas estritamente para conte\u00fado sem\u00e2ntico, o que serve como evid\u00eancia adicional de que s\u00e3o resultado de caracter\u00edsticas espec\u00edficas dos modelos modernos p\u00f3s-treinados. Em outras palavras: pegaram o pr\u00f3prio texto do LLM, traduziram para outra l\u00edngua e de volta, e as constru\u00e7\u00f5es dif\u00edceis desapareceram. O conte\u00fado \u00e9 o mesmo. O estilo mudou. Logo, n\u00e3o \u00e9 o assunto que carrega os tra\u00e7os, \u00e9 o modelo.<\/p>\n<h2>A hip\u00f3tese do mecanismo: densidade de informa\u00e7\u00e3o<\/h2>\n<p>At\u00e9 aqui o paper descreveu <em>o que<\/em>. A parte interessante \u00e9 <em>por qu\u00ea<\/em>.<\/p>\n<p>A literatura em psicolingu\u00edstica mostra que a linguagem humana \u00e9 em grande parte otimizada para comunica\u00e7\u00e3o (Gibson et al., 2019), no sentido de equilibrar ser f\u00e1cil de produzir e f\u00e1cil de entender. Isso significa que humanos trocam ambiguidade por redund\u00e2ncia sem pensar: colocamos &#8220;que&#8221;, repetimos sujeito, escolhemos a ordem que distribui melhor o esfor\u00e7o do leitor.<\/p>\n<p>Modelo de fronteira n\u00e3o tem essa press\u00e3o. A press\u00e3o dele \u00e9 outra. Enquanto a linguagem humana \u00e9 otimizada para comunica\u00e7\u00e3o bem-sucedida, o texto gerado por IA \u00e9 cada vez mais otimizado para outros objetivos como matem\u00e1tica, c\u00f3digo e racioc\u00ednio, nos quais existe uma press\u00e3o por densidade de informa\u00e7\u00e3o em vez de comunica\u00e7\u00e3o bem-sucedida.<\/p>\n<p>Pense num engenheiro escrevendo commit message versus escrevendo mensagem para o pai no WhatsApp. No commit, cada token \u00e9 caro, o leitor \u00e9 t\u00e9cnico, redund\u00e2ncia \u00e9 ru\u00eddo. No WhatsApp, redund\u00e2ncia \u00e9 cuidado. \u00c9 o mesmo c\u00e9rebro, press\u00f5es diferentes. O LLM p\u00f3s-treinado em muito c\u00f3digo e racioc\u00ednio aprendeu a conta do commit e aplica em tudo. A analogia quebra porque o engenheiro sabe para quem escreve e troca de registro, enquanto o modelo n\u00e3o troca por conta pr\u00f3pria.<\/p>\n<h3>A prova de conceito<\/h3>\n<p>Para fechar o argumento, n\u00e3o bastava mostrar correla\u00e7\u00e3o. Os autores testam causalidade com uma interven\u00e7\u00e3o direta.<\/p>\n<p>Eles fazem fine-tuning de um modelo de linguagem com penalidade de comprimento, o que leva a uma diverg\u00eancia do comportamento lingu\u00edstico humano. Ou seja: pegam a press\u00e3o por densidade (penalizar tokens a mais) e aplicam de forma isolada. Resultado: o modelo come\u00e7a a parecer mais com o padr\u00e3o dif\u00edcil que viam nos modelos de ponta.<\/p>\n<p>O modelo aprende a ter sucesso na tarefa usando menos tokens, aproveitando altern\u00e2ncias sint\u00e1ticas (casos em que h\u00e1 duas formas de expressar o mesmo significado), mesmo quando isso torna a sa\u00edda menos parecida com a humana. Mais ainda, a prefer\u00eancia por compress\u00e3o de informa\u00e7\u00e3o transborda para altern\u00e2ncias lingu\u00edsticas que n\u00e3o foram vistas no treinamento.<\/p>\n<p>Essa \u00faltima parte \u00e9 o que importa. O modelo n\u00e3o decorou &#8220;nessa tarefa, use essa constru\u00e7\u00e3o&#8221;. Ele generalizou uma pol\u00edtica de &#8220;gaste menos token&#8221; que aparece em constru\u00e7\u00f5es que nem estavam no conjunto de treino. \u00c9 press\u00e3o de otimiza\u00e7\u00e3o mudando o estilo lingu\u00edstico de forma ampla.<\/p>\n<h2>O que isso significa na pr\u00e1tica<\/h2>\n<p>Se voc\u00ea constr\u00f3i produto com LLM, isso tem tr\u00eas consequ\u00eancias diretas.<\/p>\n<p><strong>Um<\/strong>: a instru\u00e7\u00e3o &#8220;seja conciso&#8221; n\u00e3o \u00e9 neutra. Quando voc\u00ea diz ao modelo para encurtar, est\u00e1 puxando o mesmo gatilho que a penalidade de comprimento no experimento deles. O que sai do outro lado tende a ter mais dessas constru\u00e7\u00f5es dif\u00edceis. Se o destinat\u00e1rio \u00e9 humano em contexto n\u00e3o t\u00e9cnico, pior ainda.<\/p>\n<p><strong>Dois<\/strong>: par\u00e1frase via round-trip translation funciona como ferramenta de limpeza. O pr\u00f3prio controle do paper mostra que mandar o texto para outra l\u00edngua e trazer de volta tira boa parte das constru\u00e7\u00f5es pesadas sem mexer no conte\u00fado. Isso \u00e9 us\u00e1vel como etapa de p\u00f3s-processamento quando o LLM gerou algo correto mas estranho.<\/p>\n<p><strong>Tr\u00eas<\/strong>: validar antes de entregar vale mais do que confiar na sa\u00edda. Nos nove modelos de ponta e quase ponta testados, todos usaram mais sujeitos inanimados pareados com verbos animados e mais n-gramas de baixa frequ\u00eancia que humanos, e a maioria tamb\u00e9m produziu depend\u00eancias sint\u00e1ticas mais longas, mais substantivos empilhados e mais relativas de objeto reduzidas em conversa, com varia\u00e7\u00e3o not\u00e1vel entre fam\u00edlias de modelos. Nem todo modelo erra do mesmo jeito, nem no mesmo volume.<\/p>\n<p>Isso bate com uma coisa que vi na pr\u00e1tica: quando constru\u00ed uma extens\u00e3o de navegador que escrevia direto num CRM, na falha o sistema tenta de novo com prompt corretivo, depois cai para rascunho sinalizado para revis\u00e3o humana, nunca escrita parcial. Chamada de API bem-sucedida n\u00e3o diz nada sobre o payload fazer sentido. A m\u00e9trica &#8220;o modelo respondeu com 200 OK&#8221; n\u00e3o cobre &#8220;o texto que ele gerou \u00e9 leg\u00edvel para o atendente que vai ler depois&#8221;. S\u00e3o duas camadas diferentes de qualidade.<\/p>\n<h3>Como aplicar sem construir pipeline novo<\/h3>\n<p>Um fluxo m\u00ednimo que voc\u00ea consegue montar hoje:<\/p>\n<pre><code>1. Gere o texto normalmente com o LLM principal.\n2. Pe\u00e7a ao mesmo modelo (ou a um menor) para reescrever:\n - sem relativas de objeto reduzidas\n - sem sujeitos inanimados com verbos de a\u00e7\u00e3o humana\n - sem cadeias de 3+ substantivos sem preposi\u00e7\u00e3o\n - mantendo exatamente o conte\u00fado\n3. Compare comprimento e densidade. Se encurtou demais,\n a passagem de reescrita entendeu errado o conte\u00fado.<\/code><\/pre>\n<p>N\u00e3o \u00e9 bala de prata. \u00c9 uma camada que troca lat\u00eancia por legibilidade.<\/p>\n<h2>Onde isso quebra<\/h2>\n<p>Algumas limita\u00e7\u00f5es honestas do que o paper suporta.<\/p>\n<p><strong>Nove modelos \u00e9 um recorte, n\u00e3o um censo<\/strong>. Os autores j\u00e1 notam varia\u00e7\u00e3o entre fam\u00edlias. Qual modelo espec\u00edfico voc\u00ea usa, em qual temperatura, com qual system prompt, tudo isso muda a frequ\u00eancia dos tra\u00e7os. O resultado \u00e9 direcional, n\u00e3o \u00e9 tabela de refer\u00eancia.<\/p>\n<p><strong>O estudo \u00e9 em ingl\u00eas<\/strong>. Relativa de objeto, animacidade e empilhamento de substantivos t\u00eam comportamentos diferentes em portugu\u00eas. Depend\u00eancia longa d\u00f3i parecido, substantivos empilhados s\u00e3o bem menos naturais em portugu\u00eas do que em ingl\u00eas, ent\u00e3o o estranhamento tende a ser ainda maior. Mas isso \u00e9 extrapola\u00e7\u00e3o minha, n\u00e3o est\u00e1 no paper.<\/p>\n<p><strong>A prova de conceito usa um modelo<\/strong>. O fine-tuning com penalidade de comprimento mostra que a press\u00e3o por densidade causa o deslocamento, mas \u00e9 um modelo isolado. N\u00e3o prova que foi exatamente essa press\u00e3o que mudou os modelos comerciais, s\u00f3 que uma press\u00e3o desse tipo \u00e9 suficiente para produzir o padr\u00e3o observado.<\/p>\n<p><strong>Dificuldade de leitura n\u00e3o \u00e9 erro<\/strong>. Texto denso \u00e9 apropriado em contexto t\u00e9cnico, documenta\u00e7\u00e3o de API, especifica\u00e7\u00e3o. Escrever sobre esses assuntos obriga a entender a ponta que a pr\u00e1tica deixa passar, e nos livros que escrevi, entre eles a s\u00e9rie IA na Pr\u00e1tica, isso ficou claro: para leitor t\u00e9cnico com contexto, densidade ajuda. O problema \u00e9 quando o modelo aplica a mesma densidade em comunica\u00e7\u00e3o de atendimento, resposta a usu\u00e1rio final ou documento jur\u00eddico lido por n\u00e3o especialista.<\/p>\n<h2>O que ainda n\u00e3o d\u00e1 para afirmar<\/h2>\n<p>O paper n\u00e3o mede diretamente compreens\u00e3o humana da sa\u00edda dos nove modelos. Ele mede frequ\u00eancia de tra\u00e7os que a literatura associa a dificuldade. \u00c9 forte, mas \u00e9 infer\u00eancia: ningu\u00e9m sentou leitor na frente de texto do Claude Opus 5 e cronometrou tempo de leitura nesse estudo. A conex\u00e3o entre &#8220;tem mais relativas de objeto&#8221; e &#8220;leitor demora mais&#8221; vem de outros trabalhos citados.<\/p>\n<p>Tamb\u00e9m n\u00e3o est\u00e1 claro se o fen\u00f4meno piora com o tempo. A sensa\u00e7\u00e3o de que &#8220;ficou pior&#8221; \u00e9 mencionada como motiva\u00e7\u00e3o, mas o paper \u00e9 um corte transversal, n\u00e3o longitudinal. Pode ser que modelos mais recentes concentrem mais densidade, pode ser que a percep\u00e7\u00e3o p\u00fablica tenha mudado. O estudo n\u00e3o distingue.<\/p>\n<p>E o paper n\u00e3o prop\u00f5e remedia\u00e7\u00e3o completa. Os achados destacam os eixos de desalinhamento entre as demandas de processamento lingu\u00edstico em humanos e LLMs, e apontam para poss\u00edveis solu\u00e7\u00f5es. &#8220;Poss\u00edveis&#8221; \u00e9 a palavra-chave. \u00c9 diagn\u00f3stico com rascunho de tratamento, n\u00e3o protocolo.<\/p>\n<h2>Como testar isso voc\u00ea mesmo<\/h2>\n<p>Um experimento de 15 minutos que replica o esp\u00edrito do paper em escala pessoal:<\/p>\n<ol>\n<li>Pe\u00e7a ao seu LLM preferido um par\u00e1grafo t\u00e9cnico sobre algo que voc\u00ea conhe\u00e7a bem (seu dom\u00ednio, seu produto).<\/li>\n<li>Pegue esse par\u00e1grafo e pe\u00e7a ao mesmo modelo para traduzir para o espanhol e depois de volta para o portugu\u00eas. Isso \u00e9 o round-trip translation que o paper usou como controle.<\/li>\n<li>Coloque os dois lado a lado. Procure especificamente: cadeias de substantivos encadeados, frases onde o sujeito \u00e9 uma coisa inanimada fazendo uma a\u00e7\u00e3o de agente, depend\u00eancias longas (sujeito no come\u00e7o, verbo l\u00e1 no fim).<\/li>\n<li>Entregue os dois para algu\u00e9m que n\u00e3o \u00e9 da sua \u00e1rea ler. Pergunte qual preferiu e por qu\u00ea.<\/li>\n<\/ol>\n<p>Voc\u00ea vai ver os tra\u00e7os descritos no paper na sua tela. \u00c9 pequeno, mas \u00e9 o suficiente para come\u00e7ar a notar o padr\u00e3o em todo texto de LLM que voc\u00ea consumir depois. Depois que o olho treina, n\u00e3o desatreina.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Paper do arXiv mostra que LLMs de ponta usam mais estruturas que dificultam leitura humana. Entenda o mecanismo, os tra\u00e7os medidos e como testar.<\/p>\n","protected":false},"author":2,"featured_media":800,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-801","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/801","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/comments?post=801"}],"version-history":[{"count":0,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/801\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media\/800"}],"wp:attachment":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media?parent=801"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/categories?post=801"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/tags?post=801"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}