LLMs são fábricas de kitsch? Por que a criatividade da IA soa vazia

Você já leu um texto gerado por IA que parece perfeito, mas deixa um gosto de 'já vi isso antes'? Pois é. Um artigo recente no arXiv (2604.25929) propõe um nome para isso: kitsch. A tese é direta: LLMs, por construção, produzem conteúdo que agrada médias, mas raramente surpreende. E isso não é um bug, é uma consequência do treinamento.

O fato

O artigo, assinado por pesquisadores da área, argumenta que a criatividade artificial é, na verdade, uma máquina de kitsch. Em estudos controlados, textos, imagens e músicas gerados por IA frequentemente recebem notas melhores que os humanos. Mas, ao mesmo tempo, são percebidos como genéricos e vazios. A contradição é aparente: o kitsch é justamente o que agrada sem provocar. O estudo mostra empiricamente que leitores classificam histórias de LLMs como mais kitsch, quando recebem uma definição clara do termo.

Como funciona (visão de operador)

Pense na arquitetura: um LLM é treinado para maximizar a probabilidade do próximo token dado o contexto. Isso significa que ele busca a resposta mais provável, não a mais original. Em termos de API, o parâmetro 'temperature' controla esse trade-off: temperatura baixa (0.1) produz textos seguros e repetitivos; alta (1.0) aumenta a criatividade, mas também o risco de nonsense. O custo de gerar algo verdadeiramente original é alto: você precisa amostrar várias vezes, avaliar, e mesmo assim o resultado tende a médias. A latência não é o problema, mas sim a falta de uma função objetivo que premie a inovação.

O que isso muda na prática

Para quem usa LLMs para criar conteúdo, o alerta é claro: se você precisa de algo que se destaque, não confie no primeiro output. Ajuste a temperatura, faça múltiplas tentativas, edite manualmente. Quem ganha? Grandes plataformas que querem conteúdo 'suficientemente bom' a baixo custo — por exemplo, resumos automáticos ou respostas de chatbots. Quem perde? Profissionais criativos que dependem de originalidade: roteiristas, designers, autores. Uma ação prática: incorpore um passo de 'estranheza' no seu pipeline — peça ao modelo para gerar algo que fuja do esperado, ou combine dois conceitos improváveis.

Tensão / Reflexão

Mas será que isso escala? O kitsch pode ser desejável em muitos contextos — ninguém quer um e-mail criativo demais. O problema é quando usamos LLMs para tarefas que exigem pensamento divergente, como pesquisa ou codificação. Um código 'kitsch' pode funcionar, mas será frágil ou genérico demais para problemas novos. Talvez o verdadeiro gargalo não seja a criatividade, mas a nossa expectativa. Se aceitarmos o kitsch como um recurso, podemos usá-lo melhor. Mas se quisermos algo que realmente inove, vamos precisar de outras abordagens — talvez híbridas, com intervenção humana.

Conclusão

O artigo coloca o dedo numa ferida: a IA gera o que agrada a maioria, mas isso é o suficiente? Para quem constrói sistemas, fica o lembrete de que métricas de aceitação não medem originalidade. A pergunta que fica: até onde o kitsch é útil, e onde ele se torna um limitador para a inovação? Fonte: arXiv.