O primeiro estudo sistemático sobre padrões textuais de IA em criadores brasileiros: 3.836 posts, 220 criadores, 12 padrões monitorados.
Quando você lê um post no LinkedIn e sente aquele algo — a frase curta. O travessão dramático. O “não é sobre X, é sobre Y” — você está sentindo o que pesquisadores chamam de padrões textuais de IA. São marcas que os modelos de linguagem deixam na escrita quando o texto vai direto do prompt para a publicação, sem muita edição humana.
A pergunta que queríamos responder: o quanto esses padrões aparecem nos posts de criadores brasileiros — e o que eles fazem com o engajamento?
Coletamos e analisamos 3.836 posts de 220 criadores distribuídos em 10 setores e 4 faixas de audiência entre janeiro e fevereiro de 2026. Desenvolvemos um sistema de detecção automática de 12 categorias de padrões textuais, calibrado por dois ciclos de revisão humana. E cruzamos tudo com o engajamento de cada post — curtidas, comentários e compartilhamentos proporcionais ao tamanho da audiência.
O que são “cacoetes de IA”?
O termo vem de um estudo publicado pelo Search Engine Land em fevereiro de 2026, que analisou criadores em inglês. Cacoetes são padrões textuais que aparecem com frequência desproporcional em conteúdo gerado por IA — e que a maioria dos humanos não usa espontaneamente quando escreve.
Desenvolvemos 12 categorias adaptadas para o português brasileiro. Os cacoetes mais comuns identificados foram:
| Padrão | % dos posts | Impacto no engajamento | Exemplo |
|---|---|---|---|
| Formatação artificial | 19,1% | Moderado negativo | ≥3 linhas com emoji como marcador ( ,  …) |
| Travessão dramático | 18,7% | Fraco negativo | “O resultado foi surpreendente — e mudou tudo.” |
| Fragmentação dramática | 12,8% | Forte negativo | “Não é sorte. É método. É consistência.” |
| Pergunta retórica | 11,9% | Moderado negativo | “A solução? Simples.” / “Por quê? → resposta curta” |
| Falso insight | 11,5% | Forte negativo | “Não é sobre X. É sobre Y.” |
| Construção aditiva | 4,6% | Fraco negativo | “não com objetivos vagos, mas com metas claras” |
| Léxico inflado | 3,2% | Neutro | ≥2 termos: “insights fundamentais essenciais” — ver nota abaixo |
| Fechamento formulaico | 3,1% | Neutro | “E você? Me conta nos comentários.” |
| Retórica do jogo | 2,9% | Fraco negativo | “Isso muda o jogo completamente.” |
| Superlativo vazio | 2,7% | Neutro | “vai muito além de uma simples ferramenta” |
| Abertura clichê | 2,3% | Fraco negativo | “No cenário atual, a tecnologia…” |
| Ênfase desnecessária | 0,8% | Neutro | “Vale ressaltar que este é um tema…” |
Nota metodológica geral: detectar esses padrões não confirma que o texto foi gerado por IA. Confirma que o texto tem marcas textuais associadas a esse tipo de geração — que podem estar lá porque o criador usa IA e não edita muito, ou porque o criador naturalmente adotou o mesmo estilo. O efeito no engajamento é o mesmo.
A queda de engajamento é real — e progressiva
Posts sem cacoetes têm engajamento de 2,91 em média. Com 5 ou mais cacoetes, esse número cai para 1,39 — uma queda de 52%.
Quanto mais padrões de IA um post acumula, menos ele engaja — de forma consistente e progressiva. A relação não é perfeita (tem variância), mas a tendência é clara em todos os subgrupos que analisamos.
| Nº de cacoetes | N posts | Engajamento | Variação |
|---|---|---|---|
| 0 cacoetes | 1.652 | 2,91 | — |
| 1 cacoete | 1.179 | 2,44 | −16% |
| 2 cacoetes | 623 | 1,98 | −32% |
| 3 cacoetes | 248 | 2,04 | −30% |
| 4 cacoetes | 77 | 1,93 | −34% |
| 5+ cacoetes | 18 | 1,39 | −52% |
Queda de engajamento por número de cacoetes
Quais vícios de linguagem prejudicam mais o engajamento?
O tipo de post importa, e muito
A explicação mais intuitiva: quando um post tem imagem, o visual absorve parte da atenção e pode compensar um texto menos engajante. Quando o texto é o produto — sem imagem, sem vídeo — a qualidade da escrita carrega todo o peso da impressão. E os padrões de IA penalizam com mais força.
Artigos também sofrem bastante. Vídeos ficam no meio. Posts de imagem e documentos são os menos afetados.
Quem escreve menos como IA engaja mais
Além de analisar posts individualmente, comparamos criadores. Dividimos os 195 criadores com ao menos 5 posts em quartis por densidade de cacoetes.
Perfil baixo uso (quartil inferior)
Média de 0,37 cacoetes/post. 64% dos posts sem nenhum padrão detectado. Setores mais comuns: Direito, Tecnologia e Marketing.
Perfil alto uso (quartil superior)
Média de 2,04 cacoetes/post. Apenas 10% dos posts sem nenhum padrão. Setores mais comuns: RH, Vendas e Empreendedorismo.
A diferença de 2,2× no engajamento entre os dois grupos é um dos números mais notáveis do estudo. No nível do criador, quem usa menos cacoetes consistentemente tem mais engajamento — e o padrão se repete criador após criador (correlação moderada-forte de −0,24).
Um dado ainda mais sugestivo: os 13 criadores que não apresentam nenhum cacoete em nenhum post têm engajamento de 8,57 — 3,3× a média geral de 2,57.
Nota metodológica: n=13 é um grupo pequeno e heterogêneo (alguns têm apenas 1–2 posts na base), portanto o resultado é sugestivo, não conclusivo — mas a direção é consistente com o efeito geral.
O painel completo da pesquisa
Abaixo, um resumo com os principais cortes da análise: prevalência dos 12 padrões, impacto por tipo de mídia e comparação com o estudo original em inglês.
3.836 posts · 220 criadores · 10 setores · Jan–Fev 2026
Prevalência dos 12 padrões (% dos posts)
| Padrão | % dos posts | Impacto |
|---|---|---|
| Formatação artificial | 19,1% | Moderado negativo |
| Travessão dramático | 18,7% | Fraco negativo |
| Fragmentação dramática | 12,8% | Forte negativo |
| Pergunta retórica | 11,9% | Moderado negativo |
| Falso insight | 11,5% | Forte negativo |
| Construção aditiva | 4,6% | Fraco negativo |
| Léxico inflado | 3,2% | Neutro |
| Fechamento formulaico | 3,1% | Neutro |
| Retórica do jogo | 2,9% | Fraco negativo |
| Superlativo vazio | 2,7% | Neutro |
| Abertura clichê | 2,3% | Fraco negativo |
| Ênfase desnecessária | 0,8% | Neutro |
Impacto por tipo de post
| Formato | N posts | Cacoetes médio | Impacto no engajamento |
|---|---|---|---|
| Artigo | 410 | 0,84 | Muito alto ↑↑ |
| Texto puro | 526 | 1,04 | Alto ↑ |
| Vídeo | 443 | 0,81 | Alto ↑ |
| Imagem | 2.218 | 0,99 | Moderado |
| Documento | 239 | 0,86 | Baixo |
BR vs EN — prevalência comparada
| Padrão | EN | BR | Direção alinhada? |
|---|---|---|---|
| Travessão dramático | 62% | 18,7% | Sim ✓ |
| Léxico inflado | 51% | 3,2% | Critérios distintos |
| Formatação artificial | 41% | 19,1% | Sim ✓ |
| Fragmentação | 38% | 12,8% | Sim ✓ |
| Falso insight | 29% | 11,5% | Sim ✓ |
| Pergunta retórica | 22% | 11,9% | Sim ✓ |
| Abertura clichê | 15% | 2,3% | Parcial |
Prevalência BR ~57% menor que EN em média. Direção alinhada em 5 de 7 padrões.
Por setor: RH e Educação são os mais afetados
A análise por setor revelou que o impacto dos cacoetes não é uniforme. Em dois setores, a correlação negativa é forte o suficiente para ser relevante na prática:
- RH e Carreira : o setor onde os cacoetes mais prejudicam o engajamento. Posts com fragmentação (28%), formatação artificial (27%) e falso insight (19%) — padrões típicos de conteúdo motivacional gerado por IA — estão associados a engajamento significativamente menor.
- Educação : padrão muito similar. Travessão (20%), léxico inflado (19%) e falso insight (18%) penalizam o engajamento neste nicho.
BR vs EN: mesma direção, menor intensidade
Esta pesquisa é uma replicação do estudo original publicado pelo Search Engine Land para criadores em inglês. A comparação revela padrão interessante:
A prevalência no BR é consistentemente menor — média de ~15% vs ~35% no EN. O travessão dramático, que aparece em 62% dos posts em inglês, aparece em apenas 19% dos posts em português. O léxico inflado cai de 51% para 18%.
Mas a direção das correlações é a mesma em 7 de 8 padrões. O que prejudica engajamento em inglês também prejudica em português — só que com magnitude menor.
A hipótese mais plausível: criadores brasileiros editam mais o output da IA antes de publicar. Ou o modelo cultural de escrita profissional em português naturalmente produz menos desses padrões. Em todo caso, a escrita em PT-BR parece ter mais resistência a esses marcadores do que a escrita em inglês.
O efeito varia por setor
O impacto dos cacoetes não é uniforme. Nos setores onde autenticidade e credibilidade técnica são mais valorizadas, o sinal é mais forte:
| Setor | Força do efeito | O que significa |
|---|---|---|
| Tecnologia e Produto | Muito forte | Escrever como humano é expectativa — cacoetes penalizam mais aqui |
| Educação | Forte | Forte penalização por cacoetes |
| Finanças | Moderado | Efeito consistente e mensurável |
| RH e Carreira | Moderado | Setor com alto uso e penalização clara |
| Vendas e Negócios | Quase nulo | Efeito diluído pelo estilo do setor |
Implicações práticas
Mas, na prática, o que as informações encontradas no estudo representam? Olha só três implicações dos resultados:
1. Texto puro é onde a edição mais importa. Se você posta legendas de foto ou vídeo, o impacto dos cacoetes é pequeno. Se você posta texto corrido sem imagem, qualquer revisão do output da IA tem retorno direto em engajamento.
2. Os quatro padrões mais prevalentes são os mais fáceis de editar. Fragmentação dramática, formatação com emoji como marcador, travessão dramático e léxico inflado são detectáveis a olho nu. Uma releitura rápida antes de publicar já elimina a maioria.
3. O setor de RH e Carreira tem o maior ganho potencial. É o setor com mais cacoetes por post (1,31) e a correlação negativa mais forte (−0,17). Uma edição mais cuidadosa do conteúdo gerado por IA tem potencial de impacto real nesse nicho específico.
O que não concluir: este estudo não mostra que IA prejudica engajamento. Mostra que padrões textuais específicos prejudicam engajamento — independente de como foram gerados. Um humano que escreve com esses padrões tem o mesmo problema. Uma IA bem editada não tem nenhum.
Correlação não implica causalidade: o efeito pode ser porque cacoetes reduzem engajamento diretamente, porque criadores de conteúdo de menor qualidade usam mais cacoetes, ou ambos. A consistência do sinal em diferentes setores e formatos sugere que o efeito é real — mas o mecanismo exato requer investigação adicional.
Metodologia
3.836 posts de 220 criadores brasileiros no LinkedIn (jan–fev 2026), após remoção de 52 duplicatas e 78 posts em inglês. 12 categorias detectadas, calibradas por 474 avaliações humanas. Correlações calculadas por Spearman ρ — uma medida que mostra se duas variáveis caminham juntas (quanto maior o uso de cacoetes, menor o engajamento, e vice-versa). Léxico inflado: critério de concentração (≥2 termos). CTA genérico removido após auditoria por sistema automático de detecção de padrões no texto. Engajamento = (curtidas + comentários + compartilhamentos) ÷ seguidores × 1.000 — ou seja, quanto um post engaja proporcionalmente ao tamanho da audiência do criador. Posts com engajamento extremo foram desconsiderados nos cálculos de correlação para não distorcer os resultados.
Este artigo pode ser reproduzido com atribuição à fonte.
