A IA consegue adivinhar o tom da sua mensagem. Não consegue saber o que você realmente sente.

Sou um dos criadores do Subtext, um aplicativo que ajuda as pessoas a ler mensagens e descobrir como responder. Então eu tinha um motivo nada imparcial para vasculhar a pesquisa sobre detecção de tom por IA: os benchmarks, os artigos da ACL, as críticas da psicologia e a lei da UE que agora proíbe parte desse campo.

A versão curta cabe em duas frases. A IA de hoje é boa em prever como uma mensagem pode soar para quem lê. Ela não tem como saber, de forma confiável, o que quem escreveu está sentindo. Tudo o que vem a seguir é detalhe sobre o intervalo entre essas duas frases.

Detecção de tom é cinco tarefas diferentes

A expressão parece descrever um recurso só. Por baixo do capô, ela cobre problemas separados que ficam mais difíceis conforme você desce na lista.

Sentimento é o mais fácil: o texto é positivo, negativo ou neutro. Todo grande provedor de nuvem vende isso. A API do Google¹ devolve uma nota de menos um a mais um, junto com uma magnitude para a força emocional, o Amazon Comprehend² classifica o texto em positivo, negativo, neutro ou misto, e o serviço Azure da Microsoft³ soma mineração de opinião por aspecto, então uma frase como “o app é ótimo mas o suporte foi péssimo” é dividida corretamente em vez de virar uma média sem sentido.

Detecção de emoção é o passo seguinte: raiva, alegria, medo, tristeza e as muitas primas delas. Mais difícil, como os números vão mostrar.

Tom interpessoal é o que importa quando você manda mensagem para o seu proprietário. Isso soa caloroso, direto, defensivo, acusatório. Pesquisadores já modelavam frustração, formalidade e educação em e-mails de trabalho lá em 2018⁴, e funcionou razoavelmente bem porque eles trataram essas coisas como dimensões separadas, em vez de um rótulo de emoção só.

Depois vêm o sarcasmo e o subtexto, que dependem mais do contexto do que das palavras. No fundo da lista está o estado emocional privado de quem escreveu, que é exatamente o que mais aparece implícito no marketing e o que a pesquisa menos sustenta.

Então quando a página de um produto diz que detecta tom, minha primeira pergunta é qual dessas cinco coisas ela quer dizer.

Os números de precisão que nunca aparecem na página de vendas

O dataset de referência para emoção detalhada em texto é o GoEmotions⁵, do Google: 58.000 comentários do Reddit, rotulados à mão com 27 emoções mais neutro, apresentado na ACL em 2020. Seu modelo base BERT marcou um F1 macro de 0,46 no conjunto completo de rótulos. Trabalhos posteriores⁶, com modelos mais fortes e truques de dados, levaram isso a algo entre 0,49 e 0,51. Anos de progresso, e os melhores modelos especializados ainda erram uma boa parte dos rótulos detalhados.

Peça para um chatbot generalista fazer a mesma classificação em 28 categorias e a pontuação dele no benchmark cai bem abaixo dos modelos pequenos e especializados, em parte porque modelos de resposta livre inventam rótulos fora da taxonomia e não se calibram aos limites do teste. O que soa condenatório até você descobrir que, em um estudo de 2025⁷, juízes humanos muitas vezes preferiram os rótulos do GPT-4 aos oficiais do dataset. Às vezes o modelo discorda do benchmark porque o benchmark é a parte mais fraca.

A classificação grosseira entre positivo e negativo pontua bem mais alto, de forma geral. O colapso acontece exatamente onde moram as distinções interessantes: irritação contra raiva, decepção contra desaprovação.

Humanos também discordam sobre tom

A parte que mudou minha visão do tema inteiro é o que acontece quando você confere os humanos. O artigo do GoEmotions relata a concordância entre os próprios rotuladores humanos, e para a maioria das emoções o kappa de Cohen fica entre aproximadamente 0,1 e 0,5. Gratidão é fácil, com 0,75. Luto fica em 0,09, perto de uma rotulagem aleatória. Quando humanos treinados lendo a mesma frase não conseguem concordar se ela expressa decepção ou desaprovação, um modelo pontuando 0,46 contra esses rótulos está empurrando contra o teto da própria tarefa.

Vai mais fundo do que isso. De quem é o sentimento que estamos medindo, afinal? Um dataset chamado EmoBank⁸ anotou as mesmas frases duas vezes, uma pela perspectiva de quem escreveu e outra pela de quem lê, porque essas acabam sendo variáveis diferentes. Os mesmos pesquisadores descobriram em 2017 que anotar pela perspectiva de quem escreve produzia qualidade melhor no geral. E a grande tarefa de emoção do SemEval 2025⁹, que cobriu mais de 30 idiomas de sete famílias linguísticas, mira deliberadamente na emoção percebida: o que um leitor comum atribuiria ao texto, explicitamente não o que quem escreveu sentiu por dentro.

O teste mais afiado veio em 2025. Um estudo da ACL¹⁰ pediu que autores rotulassem as próprias emoções, e depois deixou humanos de fora e LLMs tentarem adivinhar. Os dois ficaram aquém dos relatos dos próprios autores, e os LLMs venceram os humanos estranhos em quase tudo. Cada metade dessa descoberta importa. A IA hoje é melhor do que uma pessoa aleatória em ler você só pelo texto, e ainda assim não consegue reconstruir de forma confiável o que você sentiu.

Uma consequência prática: uma comparação de 2023 na Heliyon¹¹ rodou oito APIs comerciais de emoção sobre os mesmos datasets e encontrou discordância entre elas, com rankings que mudavam de um dataset para outro. Qualquer fornecedor que cita “95 por cento de precisão na detecção de emoção” sem nomear os rótulos, os dados e o idioma está citando um número que não sustenta o peso da afirmação.

Os modelos vão bem em testes de emoção e ainda assim erram a pessoa

Dois resultados de pesquisa parecem contraditórios até você separar o que cada um mede.

Em um estudo de 2025 na Communications Psychology¹², seis modelos, incluindo ChatGPT-4, Gemini 1.5 Flash, Claude 3.5 Haiku e DeepSeek V3, fizeram cinco testes padrão de inteligência emocional, do tipo usado para avaliar humanos. Os modelos acertaram em média 81 por cento, contra a média humana de 56 por cento nos estudos de validação dos próprios testes. Na Nature Human Behaviour¹³, o GPT-4 igualou ou superou humanos em tarefas clássicas de teoria da mente, como identificar crenças falsas e pedidos indiretos, embora tenha tropeçado em reconhecer gafes sociais. E na JAMA Internal Medicine¹⁴, avaliadores licenciados leram respostas a perguntas reais de pacientes e preferiram as do chatbot às dos médicos em 78,6 por cento dos casos, avaliando-as como 9,8 vezes mais prováveis de serem empáticas. Uma ressalva que vale guardar: as respostas do chatbot tinham em média 211 palavras contra 52 dos médicos, e a preferência diminuía quando os médicos escreviam mais.

Enquanto isso, o EmoBench¹⁵, um benchmark construído para exigir raciocínio emocional em vez de reconhecimento de padrão, ainda encontra uma diferença clara entre modelos e humanos medianos.

As duas descobertas podem ser verdadeiras porque saber sobre emoções e saber a emoção de alguém são habilidades diferentes. Um modelo já leu mais sobre ciúme, luto e pedidos de desculpa constrangedores no trabalho do que qualquer humano vivo. O que falta a ele é o contexto sobre a pessoa específica que escreveu essa mensagem específica.

Quatro pessoas podem digitar as mesmas palavras: “Parabéns. Fico feliz por você.” Uma quer dizer isso de verdade. Outra guarda rancor de você. Uma terceira está de coração partido e sendo corajosa. A quarta está sendo sarcástica. Cada versão é idêntica na tela, então nenhum modelo de texto consegue separar elas, e nenhum estranho humano também conseguiria. Essa informação mora fora das palavras.

O contexto faz a maior parte do trabalho

Pegue a resposta “Tá bom.”

Sozinha, pode ser concordância, decepção, irritação, indiferença ou uma porta se fechando em silêncio. Coloque ela depois de “Você adiou o prazo pela terceira vez” e a leitura se estreita rápido. Nada na palavra mudou. O contexto mudou.

A pesquisa sobre sarcasmo sempre chega à mesma conclusão: até humanos costumam precisar da conversa ao redor para captar a intenção sarcástica¹⁶¹⁷, e é por isso que as avaliações mais recentes testam os modelos em diálogos inteiros, não em frases isoladas. A regra prática para qualquer ferramenta de tom vem direto daí. Dê a ela a conversa inteira, o relacionamento e o que está em jogo. Julgar uma mensagem isolada é pedir para o modelo falhar educadamente.

Tom é cultural, e a maioria dos modelos cresceu no inglês americano

Um benchmark de 2025 chamado BESSTIE¹⁸ testou modelos em sentimento e sarcasmo no inglês australiano, britânico e indiano. O desempenho foi sistematicamente pior no inglês indiano, com o sarcasmo sendo o caso mais difícil, e os modelos tiveram dificuldade para generalizar de uma variante para outra.

Esse resultado bate com a experiência do dia a dia. “Kindly do the needful” soa de um jeito no inglês profissional indiano e de outro jeito para um modelo calibrado nas normas de escritório americanas. Depois de 13 anos em Berlim, posso somar a versão alemã: a franqueza que aqui conta como respeito pelo seu tempo pode ser marcada como fria por um software criado na educação americana. Rótulos como grosseiro, caloroso ou direto demais são julgamentos culturais vestidos de objetividade. Uma ferramenta de tom que ignora quem escreve para quem, e em qual cultura, vai errar a leitura dos dois lados com toda a confiança.

Ler rosto é onde a IA de emoção perdeu a linha

Tudo até aqui trata de texto. O ramo da indústria que escaneia rostos tem um histórico mais acidentado, e é isso que molda como os reguladores tratam a categoria inteira hoje.

Em 2019, a psicóloga Lisa Feldman Barrett e colegas revisaram mais de mil estudos¹⁹ e concluíram que não dá para inferir com confiança o que alguém sente a partir dos movimentos do rosto. As pessoas fecham a cara enquanto se concentram, sorriem enquanto estão ansiosas e choram em casamentos. No mesmo ano, um estudo passou fotos de 400 jogadores da NBA por dois sistemas comerciais e descobriu que os dois liam mais emoção negativa nos rostos de jogadores negros²⁰ do que nos de jogadores brancos com expressões parecidas.

A indústria percebeu. A Microsoft aposentou a inferência de emoção da sua Face API²¹ em 2022. A HireVue tirou a análise facial das suas avaliações de contratação em 2021, depois que o grupo de direitos digitais EPIC entrou com uma reclamação na FTC²². Ferramentas de texto são uma tecnologia diferente, mas herdam esse ceticismo, e o merecem sempre que alegam ler estados internos em vez de palavras.

A UE traçou uma linha, e o texto ficou fora dela

Desde 2 de fevereiro de 2025, o Artigo 5(1)(f)²³ da Lei de IA da UE proíbe IA que infere emoções de pessoas em locais de trabalho e escolas, com exceções restritas para usos médicos e de segurança, como detecção de fadiga de motorista. Violar as práticas proibidas custa multas de até 7 por cento do faturamento anual global.

O escopo importa para quem constrói ou usa essas ferramentas. As diretrizes da Comissão Europeia amarram a proibição a dados biométricos²⁴: rostos, vozes, dinâmica de digitação, postura corporal. Um sistema que infere emoções a partir de texto escrito fica explicitamente fora da proibição²⁵. Analisar como um e-mail pode ser recebido é legal. Apontar uma webcam para funcionários para pontuar o humor deles é proibido. Essa linha acompanha bastante bem a ciência, e para o Subtext ela se traduz numa restrição de design que a gente teria escolhido de qualquer jeito: só texto, sem biometria, sem vigilância no trabalho.

Para que servem as ferramentas de hoje

O detector de tom²⁶ do Grammarly é o exemplo mais claro para o consumidor, e a forma como ele se apresenta é discretamente a mais honesta do mercado. Ele analisa escolha de palavras, formulação, pontuação e capitalização²⁶ para te dizer como a sua mensagem provavelmente vai soar para um leitor, entre mais de 40 tons. Provavelmente vai soar. Essa formulação está fazendo um trabalho científico de verdade.

As APIs de nuvem do Google, da Amazon, da Microsoft e da IBM²⁷ são construídas para volume: tickets de suporte, avaliações, respostas de pesquisa. A IBM aposentou o Tone Analyzer independente em 2023 e incorporou a emoção num produto de linguagem mais amplo. São as ferramentas certas para “como os clientes se sentem sobre o nosso checkout” e as ferramentas erradas para “meu texto está soando passivo-agressivo”.

LLMs generalistas são a opção mais capaz para mensagens pessoais, porque conseguem usar contexto, lidar com vários tons ao mesmo tempo e explicar a própria leitura. Também são os pior calibrados, então trate qualquer porcentagem de confiança como um chute com cara de número. Do lado da voz, a Hume AI²⁸ levantou uma Série B de 50 milhões de dólares em 2024 para medir modulação vocal, principalmente para que interfaces de voz respondam com ritmo e tom adequados. Um uso mais estreito, e mais defensável do que alegar detectar sentimentos escondidos.

Como isso molda o Subtext

Ele analisa as mensagens com que as pessoas mais se importam: o texto do seu chefe, do seu date, da sua mãe. A pesquisa resolve como isso deveria funcionar.

O resultado tem que ser sobre percepção. “Isso pode soar indiferente” é uma afirmação que a evidência sustenta. “Ela está com raiva de você” é uma afirmação que não sustenta, e o estudo de primeira pessoa da ACL é o comprovante disso. A gente também deixa as mensagens carregarem vários tons ao mesmo tempo, porque as mensagens de verdade carregam. Caloroso e defensivo é uma combinação normal, e os benchmarks mais novos tratam emoção como multi-rótulo exatamente por esse motivo.

Evidência vence veredito. Uma ferramenta útil aponta para as palavras que criam uma impressão, do jeito que “como já expliquei” faz discretamente o trabalho pesado num e-mail tenso, para que você decida se essa impressão é a que você quer passar. A incerteza também fica visível. Quando uma mensagem é ambígua, a ambiguidade costuma ser o achado mais preciso, e arredondar isso para um rótulo confiante seria falsa precisão. O contexto vem primeiro: a gente prefere ler a conversa inteira e perguntar quem é o destinatário do que dar nota numa frase flutuando no vazio, porque as mesmas nove palavras significam coisas diferentes para um chefe e para um situationship.

A versão honesta dessa categoria é menor do que os pitch decks prometem e mais útil do que os céticos admitem. Ler mentes continua fora de alcance. Ler palavras está disponível hoje, e a maior parte do estrago na comunicação escrita começa exatamente aí. Isso pareceu motivo suficiente para construir.

---

Trabalha em uma dessas ferramentas e acha que eu li errado o seu benchmark? Me encontra no LinkedIn.

Samet Durgun é cofundador do Subtext, um aplicativo que capta o tom emocional das suas mensagens e reescreve elas do seu jeito. Ele mora em Berlim.

---

Fontes

Todo link acima leva à fonte primária, quando ela existe, numerado na ordem em que aparece no texto. Duas entradas são citadas sem link porque eu não consegui confirmar uma URL estável para elas, e as duas últimas são leitura complementar, não afirmações feitas no texto acima.

1. Google Cloud. Natural Language API basics: sentiment score and magnitude.
2. AWS. Amazon Comprehend: sentiment analysis.
3. Microsoft. Azure Language: sentiment analysis and opinion mining.
4. Chhaya et al. (2018). Frustrated, Polite, or Formal: Quantifying Feelings and Tone in Email. PEOPLES Workshop, NAACL 2018.
5. Demszky et al. (2020). GoEmotions: A Dataset of Fine-Grained Emotions. ACL 2020.
6. Wang et al. (2024). Large Language Models on Fine-grained Emotion Detection Dataset with Data Augmentation and Transfer Learning. arXiv.
7. Rethinking Emotion Annotations in the Era of Large Language Models (2025).
8. Buechel e Hahn (2017). EmoBank, um corpus anotado tanto pela perspectiva de quem escreve quanto pela de quem lê, e “Readers vs. Writers vs. Texts,” Linguistic Annotation Workshop 2017.
9. Muhammad et al. (2025). SemEval-2025 Task 11: Bridging the Gap in Text-Based Emotion Detection. SemEval 2025.
10. Li et al. (2025). Can Third Parties Read Our Emotions? ACL 2025.
11. Abu-Salih et al. (2023). Emotion detection of social data: APIs comparative study. Heliyon.
12. Schlegel, Sommer e Mortillaro (2025). Large language models are proficient in solving and creating emotional intelligence tests. Communications Psychology.
13. Strachan et al. (2024). Testing theory of mind in large language models and humans. Nature Human Behaviour.
14. Ayers et al. (2023). Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Internal Medicine.
15. Sabour et al. (2024). EmoBench: Evaluating the Emotional Intelligence of Large Language Models. ACL 2024.
16. Feng et al. (2024). Affect Recognition in Conversations Using Large Language Models. SIGDIAL 2024.
17. Hazarika et al. (2018). CASCADE: Contextual Sarcasm Detection in Online Discussion Forums. COLING 2018.
18. Srirag et al. (2025). BESSTIE: A Benchmark for Sentiment and Sarcasm Classification for Varieties of English. Findings of ACL 2025.
19. Barrett et al. (2019). Emotional Expressions Reconsidered: Challenges to Inferring Emotion From Human Facial Movements. Psychological Science in the Public Interest.
20. Rhue (2019). Racial Influence on Automated Perceptions of Emotions. Documento de trabalho, SSRN.
21. Microsoft (2022). Framework for building AI systems responsibly, anunciando a aposentadoria da inferência de emoção na Face API.
22. EPIC. In re HireVue, FTC complaint (2019).
23. Lei de IA da UE, Article 5: Prohibited AI Practices, em vigor desde 2 de fevereiro de 2025.
24. Lewis Silkin (2025). Understanding the EU AI Act’s prohibited practices, on the Commission’s February 2025 guidelines.
25. Future of Privacy Forum (2026). Red Lines under the EU AI Act: the prohibition of emotion recognition in the workplace and education.
26. Grammarly. Tone detector product page e how the tone detector works.
27. IBM. Watson Natural Language Understanding.
28. Hume AI.
29. Northeastern University (2021). You can’t determine emotion from someone’s facial movements, and neither can AI.
30. The Guardian (2024). Are you 80% angry and 2% sad? Why “emotional AI” is fraught with problems.