Ferramentas de IA que Reescrevem Mensagens: As Provas

Passei umas semanas a ler tudo o que encontrei sobre ferramentas de IA que reescrevem mensagens pessoais, em parte porque estou a construir uma, e em parte porque queria saber se aquilo em que acredito sobre elas é mesmo verdade.

Aquilo em que acredito é isto. Se entregares uma mensagem difícil a uma IA, o momento útil não é a versão polida que ela te devolve. O momento útil é trinta segundos antes, quando alguma coisa te diz que a mensagem que já escreveste vai cair mal, e porquê.

Por isso fui à procura de uma ferramenta que fizesse isso. Não encontrei nenhuma nas lojas, e essa é a versão curta de por que acabámos por construir o Subtext. Trata-me como parcial em conformidade, e confere as fontes. Depois fui atrás da investigação sobre o que acontece mesmo quando as pessoas deixam a IA escrever as suas mensagens pessoais, e isso acabou por ser bem mais interessante do que os produtos.

O que se segue é o que encontrei, com tudo ligado para poderes conferir.

Toda a ferramenta desta categoria faz a mesma coisa

Se organizares estas ferramentas pelo que fazem em vez de por quantos downloads têm, elas reduzem-se a quatro grupos, e os quatro acabam no mesmo sítio.

Grupo um: as ferramentas embutidas no telemóvel. As Ferramentas de Escrita da Apple Intelligence¹ correm em todo o sistema a partir do iOS 18.1. Seleccionas o texto e recebes Revisão, Reescrever em três tons (Simpático, Profissional, Conciso) e Compor, que passa o pedido ao ChatGPT. Gratuito se o hardware suportar, ou seja iPhone 15 Pro para cima. O Samsung Writing Assist² faz o mesmo trabalho na One UI, com mudanças de tom, respostas sugeridas e Live Translate. O Gboard³ junta Resposta Inteligente, Revisão e ferramentas de reformulação a correr no Gemini Nano em telemóveis mais recentes. Tudo gratuito.

Grupo dois: assistentes dentro da app de mensagens. O Magic Compose⁴ põe respostas sugeridas por cima do teclado no Google Messages e reescreve rascunhos em estilos que incluem Entusiasmado, Descontraído e, por razões que não entendo, Shakespeare. Para isso envia até vinte das tuas mensagens recentes para os servidores da Google, o que significa que essas mensagens deixam de estar cifradas de ponta a ponta. A Google diz que não as guarda. O Gemini no Messages é outra coisa, um separador de conversa onde escreves e depois copias o resultado para uma conversa real. Não consegue ver os teus outros chats.

Grupo três: as apps de resposta para encontros. Tiras uma captura da conversa, a app corre OCR sobre ela, e recebes aberturas e respostas rápidas. A W Rizz cobra 3,99 dólares por semana. A PlugAI, antes RizzGPT, anda pelos 4,99. Há dezenas mais, e todas estão a optimizar para uma única coisa: se a próxima mensagem recebe resposta.

Grupo quatro: as pequenas, para conversas difíceis. É o grupo mais interessante e o menos financiado. A Resolve⁵ no iOS pontua o que chama a temperatura do conflito. A Clarity Coach⁶ no Android faz-te escrever um rascunho dentro de um cenário de prática e diz-te se soa vago, demasiado brusco ou explicado a mais antes de te ajudar a reescrever. O Subtext, que cofundei, está neste grupo e trabalha ao contrário do resto da categoria: lê a conversa e o teu rascunho, diz-te como a mensagem é provável que caia e que palavras estão a fazer isso, e só depois oferece reescritas que podes aceitar ou ignorar.

Repara no que acontece em todas estas, sem excepção. Dás-lhe texto, ela devolve-te texto diferente. O passo de diagnóstico, onde algo lê o que escreveste e te diz como a outra pessoa é provável que receba isso, não existe em nenhuma ferramenta que funcione dentro de uma conversa real. A Clarity Coach é a que mais se aproxima, e é uma caixa de areia de prática, por isso nunca toca numa mensagem que estejas mesmo prestes a enviar.

O Grammarly⁷ é o quase-caso que vale a pena precisar, porque é o mais capaz de fechar esta lacuna. O seu detector de tom lê a tua escolha de palavras, a formulação, a pontuação e as maiúsculas, e dá nome ao tom. No lançamento, em 2019, cobria cerca de quarenta tons⁸, incluindo agradecido, confiante, formal, afectuoso e triste. A própria documentação de apoio do Grammarly é cuidadosa com o limite: o detector identifica o tom geral do teu texto⁹ em vez de oferecer reescritas frase a frase. Diz-te que tom está presente. Se a tua irmã se vai sentir desvalorizada por causa disso é outra pergunta, e o Grammarly não afirma responder-lhe. A deteção de tom está no plano gratuito, com o Pro a 12 dólares por mês na faturação anual, segundo os comparadores de preços actuais.

Essa distinção é a lacuna toda.

Ninguém consegue dizer se uma mensagem foi escrita por IA, e nem sequer é por pouco

Esta é a descoberta que mais me surpreendeu, e é o estudo com maior poder estatístico de toda a área.

Maurice Jakesch, Jeff Hancock e Mor Naaman correram seis experiências com 4.600 participantes nos Estados Unidos, publicadas na PNAS em 2023¹⁰. As pessoas liam autoapresentações de perfis de encontros, hospitalidade e profissionais e adivinhavam quais tinham sido escritas por uma máquina. A precisão ficou entre 50 e 52 por cento. Na condição de encontros, com dinheiro em jogo por acertar, cerca de 51,6 por cento.

Território de moeda ao ar.

A razão é que todos usamos os mesmos atalhos avariados. Os participantes tomavam pronomes na primeira pessoa, contracções, referências à família e pormenores emocionais calorosos como prova de que um humano escrevera aquilo. Tomavam gramática limpa e formulação plana como prova de que fora uma máquina. Todos estes sinais são trivialmente fáceis de um modelo produzir a pedido. As heurísticas apontam exactamente na direcção errada. Um classificador treinado, no mesmo artigo, conseguiu apenas 58,1 por cento, por isso isto não é um problema de atenção que se resolva a prestar mais cuidado.

Uma ressalva que quero deixar clara. Esse estudo usou texto da era do GPT-3. Se os números se mantêm com os modelos actuais não foi testado a uma escala parecida.

O estrago vem de seres suspeito, não de seres apanhado

Se as pessoas não conseguem detetar IA, seria de esperar que a preocupação toda se dissipasse. Não se dissipa, e é aqui que está a parte que importa a quem escreve uma mensagem real a uma pessoa real.

Uma equipa liderada por Cornell correu duas experiências aleatorizadas com 1.036 participantes, publicadas em Scientific Reports¹¹. As respostas inteligentes tornavam as conversas mais rápidas e mais positivas, e as pessoas avaliavam-se mutuamente como mais próximas e mais cooperantes. Depois veio a reviravolta. Os participantes que suspeitavam que o parceiro usava respostas inteligentes avaliavam esse parceiro significativamente pior. Foi a suspeita que fez o estrago. Esse estudo mediu suspeita, não precisão, e dados os números de deteção acima, não há grande razão para pensar que essas suspeitas caíam sobre as pessoas certas.

Uma equipa da Carnegie Mellon pôs um mecanismo por baixo disto num artigo de 2025¹² com 399 participantes em dois estudos, e o resultado é mais subtil do que uma simples penalização. Uma etiqueta de IA não te faz apenas parecer pior. Torna a tua mensagem uma prova mais fraca sobre quem és, nos dois sentidos. Um pedido de desculpa assistido por IA lê-se como menos caloroso, e uma vangloria ou uma acusação assistidas por IA leem-se como menos frias. A etiqueta esvazia a mensagem da informação que carregava sobre ti.

Essa ideia ficou-me na cabeça. Fosse o que fosse que a tua mensagem estava a sinalizar, a etiqueta baixa o volume desse sinal.

Excepto num contexto, onde a divulgação não te custa nada

Quero incluir o estudo que contraria a tese do meu próprio produto, porque deixá-lo de fora seria desonesto.

Zoe Purcell e colegas do Max Planck Institute for Human Development, com Jakesch de novo entre os autores, correram duas experiências pré-registadas com 1.637 participantes em jogos de confiança a dois jogadores com incentivos financeiros, publicadas na iScience em novembro de 2025¹³. Metade podia usar assistência de texto preditivo para escrever uma mensagem a persuadir um estranho a confiar neles. Os restantes escreveram sem ajuda.

A assistência de IA teve um efeito mínimo na confiança, e isso manteve-se mesmo quando o uso de IA era divulgado. Quem escrevia com assistência produzia mensagens igualmente indutoras de confiança em menos tempo, o que quer dizer que ganhavam mais confiança por minuto gasto. A análise linguística encontrou as suas mensagens ligeiramente menos autênticas, mas mais calorosas, mais complexas e com mais do que os investigadores chamam prestígio.

Os autores são cuidadosos quanto ao alcance, e eu também. Isto é uma transacção de uma vez entre estranhos, com dinheiro à mistura. A confiança comportamental numa decisão de pagamento é um animal diferente da tua companheira a ler a tua mensagem às 23h e a decidir se falavas a sério. Mas a versão honesta deste texto diz que a história de que “a IA arruína a confiança” tem um contraexemplo real na literatura, e é este.

A IA escreve melhores mensagens de conforto do que a maioria das pessoas, até mencionares que foi IA

Dois estudos, o mesmo formato de resultado.

Yin, Jia e Wakslak, na PNAS¹⁴ descobriram que as respostas geradas por IA faziam as pessoas sentirem-se mais ouvidas do que as respostas de humanos sem formação, e que a IA era melhor a identificar qual a emoção em jogo. Depois disseram aos destinatários que a mensagem vinha da IA e o efeito caiu. Uma das autoras notou que os dois efeitos tinham tamanho parecido e mais ou menos se anulavam.

Ovsyannikova, Oldemburgo de Mello e Inzlicht¹⁵ correram quatro experiências pré-registadas com 556 participantes na Communications Psychology. As respostas do GPT-4 foram avaliadas como mais compassivas do que as humanas, incluindo respostas escritas por voluntários com formação de linhas de apoio em crise dos Distress Centres of Greater Toronto. Revelar a origem estreitou a diferença mas não a fechou.

Portanto a máquina é muitas vezes melhor nas palavras. As palavras não são a única coisa transmitida.

A razão por que o esforço importa é que o esforço costumava ser caro

A teoria da sinalização é o enquadramento que fez tudo isto fazer sentido para mim.

Uma mensagem faz dois trabalhos. Carrega conteúdo, e prova que gastaste algo para a enviar. O teu tempo, a tua atenção, e numa conversa difícil, o teu sangue-frio. São recursos finitos, por isso gastá-los diz algo verdadeiro sobre quanto valorizas a outra pessoa. Investigação sobre sinais de compromisso¹⁶ em amostras japonesas e norte-americanas descobriu que sinais caros superavam os baratos, e que não enviar um sinal esperado, como esquecer uma data, prejudicava as relações românticas muito mais do que as amizades.

Baixa o custo de produzir uma mensagem calorosa, articulada e bem estruturada para praticamente zero e o sinal deixa de transportar informação.

Já existe evidência directa do mecanismo, ainda que não num contexto de mensagens. Um estudo de 2026 na Frontiers in Psychology¹⁷ com 618 participantes descobriu que etiquetar conteúdo como gerado por IA reduzia de forma significativa o esforço percebido, enquanto uma etiqueta de feito por humano não se distinguia de nenhuma etiqueta. As pessoas presumem esforço humano por defeito, e é a etiqueta de IA que retira essa presunção. O estudo usou vídeo curto, por isso a transposição para mensagens exige alguma cautela.

Delegar as palavras parece enfraquecer o teu próprio compromisso com elas

Esta é a descoberta em que continuo a pensar, e não tem nada a ver com quem recebe a mensagem.

Economistas do CREED em Amesterdão¹⁸ correram jogos de confiança em que quem enviava podia usar o ChatGPT para escrever uma mensagem a prometer reciprocidade. Aconteceram duas coisas ao mesmo tempo. As pessoas com acesso ao ChatGPT faziam promessas mais explícitas. E as pessoas que abriram o ChatGPT, quer tenham copiado o que ele lhes deu ou não, cumpriram as suas promessas 25,7 por cento menos vezes na hora do pagamento.

O pormenor que faz o argumento: quanto mais perto a mensagem enviada estava da sugestão bruta do ChatGPT, menos digno de confiança era o comportamento posterior de quem a enviou. Quem reescreveu a sugestão comportou-se melhor. Os autores lêem isto como um sentido de posse. Dizes algo por tuas próprias palavras e sentes-te ligado a isso. Reencaminhas algo que uma máquina escreveu e uma parte de ti nunca assinou por baixo.

Os pedidos de desculpa são onde isto foi estudado a sério, e a conclusão é mais útil do que “não faças”

Se só leres uma secção, lê esta, porque é aqui que está a resposta prática.

Ella Glikson e Omri Asscher correram três estudos de cenário sobre pedidos de desculpa no trabalho, publicados em Computers in Human Behavior¹⁹. Saber que alguém usou ferramentas de IA para escrever um pedido de desculpa reduzia o quão autêntico este parecia e a vontade de perdoar. Divulgar isso tu mesmo não amaciava o efeito. Até aqui, previsível.

Depois veio a parte que me mudou a cabeça. Os participantes que usaram apenas uma das três ferramentas de IA disponíveis não sofreram nenhuma penalização de autenticidade. Os investigadores lêem isto como distância. Um uso limitado de IA mantém a mensagem final perto do que a pessoa quis mesmo dizer, e as pessoas sentem isso.

Uma experiência 3x2 separada, de Lim, Hong e Schneider, com 464 participantes, também em Computers in Human Behavior²⁰, descobriu que os pedidos de desculpa escritos por humanos eram vistos como mais sinceros em geral, e que um tom caloroso melhorava os pedidos de desculpa de IA sem nunca fechar a diferença para os humanos.

Junta estes dois e tens algo prático. A penalização acompanha o quanto a mensagem final se afastou daquilo que quiseste mesmo dizer. Não se uma máquina esteve na sala.

Estas ferramentas vão polir os teus piores instintos e nunca dizer uma palavra

Escreve algo passivo-agressivo, entrega a qualquer ferramenta de reescrita do teu telemóvel, e vê o que acontece. Recebes passivo-agressividade melhor escrita. Sem aviso, sem “tens a certeza”. O trabalho da ferramenta é fazer o que pediste.

Há uma razão para os modelos pender para este lado. A OpenAI recuou uma actualização do GPT-4o em abril de 2025 e escreveu publicamente²¹ que o modelo se tinha tornado “excessivamente lisonjeiro ou condescendente, muitas vezes descrito como bajulador”, e que “pendia para respostas excessivamente apoiantes mas pouco sinceras”. A causa que apontaram foi ajustar o modelo em demasia a partir de feedback de curto prazo dos utilizadores, ou seja, gostos e não-gostos. Numa publicação seguinte²² admitiram que não tinham nenhuma avaliação em produção a acompanhar a bajulação.

Investigadores da Anthropic descobriram que o padrão é geral. Num artigo apresentado na ICLR 2024²³, cinco assistentes de topo mostraram todos comportamento bajulador, e a análise de cerca de 15.000 comparações de preferências humanas descobriu que concordar com as convicções declaradas do utilizador estava entre os mais fortes preditores de qual resposta as pessoas preferiam. Treina com base na aprovação e estás a seleccionar para a concordância. Um padrão de referência de 2025²⁴ mediu comportamento bajulador em 58,19 por cento dos casos de teste em ChatGPT-4o, Claude Sonnet e Gemini 1.5 Pro, com 78,5 por cento de persistência assim que começava, ainda que isso fosse em respostas a perguntas factuais e não em mensagens pessoais.

Pensa agora no que isso significa para o momento em que mais precisas de ajuda. Estás zangado, escreveste algo de que te vais arrepender, e a ferramenta que segura o teu rascunho foi optimizada para te fazer sentir bem com isso.

A pergunta a que não sei responder

É melhor enviar uma mensagem desajeitada que escreveste tu ou uma polida que não escreveste?

Procurei bem e não há nenhum estudo que teste isto directamente. Ninguém aleatorizou “o teu próprio rascunho imperfeito” contra “um bom rascunho que não escreveste” e seguiu o que aconteceu à relação. Não há nada longitudinal, sequer. Nenhum dado de campo sobre casais, famílias ou amigos próximos ao longo de meses de mensagens assistidas por IA. Não sabemos se as pessoas se adaptam ao polimento sintético, ou se o hábito corrói alguma coisa em silêncio.

O que temos aponta numa direcção para as relações próximas. O esforço lê-se como cuidado, as etiquetas achatam o sinal, as palavras delegadas parecem afrouxar o teu domínio sobre as tuas próprias promessas, e os pedidos de desculpa permanecem credíveis enquanto ficam perto do que quiseste dizer. Mas o resultado do jogo de confiança diz que em alguns contextos nada disto te custa nada, e não vou fingir que a evidência é mais limpa do que é.

Então o que ajudaria mesmo

Relendo tudo isto, a forma do produto em falta é bastante clara, e está perto do oposto do que a categoria anda a construir.

Ninguém precisa de ver as suas palavras substituídas. O que precisam, nos quinze segundos antes de premir enviar, é saber que a mensagem soa mais fria do que se sentem, ou que aquilo que julgam ser um esclarecimento se lê como uma lista de queixas. Depois corrigem isso eles mesmos, por suas próprias palavras, e o sinal do esforço sobrevive, e a posse sobrevive, e a distância de Glikson e Asscher mantém-se curta.

É essa a versão que quero que exista, e é a que construímos. O Subtext pega na conversa toda em vez da frase, dá nome ao que o teu rascunho é provável que sinalize a quem vai lê-lo, e mostra-te as palavras a criar essa impressão, para que a correcção continue a ser tua. Segundo a evidência acima, isso importa mais do que a reescrita: a penalização acompanha a distância em relação ao que quiseste dizer, e a distância mais curta é a tua própria frase com uma palavra mudada. Gratuito para começar, no telemóvel ou no browser.

A minha própria regra, para o que vale: deixo uma máquina dizer-me como soa a minha mensagem. Não a deixo dizer à minha irmã que peço desculpa.

Achas que li mal algum estudo, ou conheces alguma ferramenta que diagnostique antes de reescrever? Diz-me no LinkedIn.

Samet Durgun é cofundador do Subtext, uma app que apanha o tom emocional das tuas mensagens e as reescreve na tua voz. Vive em Berlim.

Fontes

Todos os links acima levam à fonte primária sempre que ela existe, numerados pela ordem em que aparecem. Funcionalidades e preços dos produtos verificados em agosto de 2026. Onde um número vinha de um blogue ou comunicado de imprensa de uma empresa e não de um estudo, deixei-o de fora.

Apple Support. Use Writing Tools with Apple Intelligence on iPhone. https://support.apple.com/guide/iphone/find-the-right-words-with-writing-tools-iph6f08da1d2/ios
Samsung. Use Writing assist on Galaxy phones and tablets. https://www.samsung.com/us/support/answer/ANS10000943/
Google Support. Use writing tools with Gboard. https://support.google.com/gboard/answer/17470061
Google Support. Draft messages with Magic Compose. https://support.google.com/messages/answer/13632636
Apple App Store. Resolve: AI Conflict Coach. https://apps.apple.com/us/app/resolve-ai-conflict-coach/id6759972332
Google Play. Clarity Coach. https://play.google.com/store/apps/details?id=com.zamrudila.claritycoach
Grammarly. Writing Tone Detector and Tone Suggestions. https://www.grammarly.com/tone
TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble. https://techcrunch.com/2019/09/24/grammarly-gets-a-tone-detector-to-keep-you-out-of-email-trouble/
Grammarly Support. How do Grammarly’s tone suggestions work? https://support.grammarly.com/hc/en-us/articles/10674801783309
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. https://www.pnas.org/doi/10.1073/pnas.2208839120
Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. https://www.nature.com/articles/s41598-023-30938-9
Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2509.09645
Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092. https://www.cell.com/iscience/fulltext/S2589-0042(25)02353-3
Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121. https://www.pnas.org/doi/10.1073/pnas.2319112121
Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3. https://www.nature.com/articles/s44271-024-00182-6
Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior. https://www.sciencedirect.com/science/article/abs/pii/S1090513815000525
Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2026.1840483/full
AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam. https://www.creedexperiment.nl/creed/pdffiles/chatGPT.pdf
Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592. https://www.sciencedirect.com/science/article/abs/pii/S0747563222004125
Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761. https://www.sciencedirect.com/science/article/pii/S0747563225002080
OpenAI (2025). Sycophancy in GPT-4o. https://openai.com/index/sycophancy-in-gpt-4o/
OpenAI (2025). Expanding on what we missed with sycophancy. https://openai.com/index/expanding-on-sycophancy/
Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024. https://arxiv.org/abs/2310.13548
Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2502.08177