Ensinando a IA a sentir, a arquitetura da inteligência emocional

E se o seu assistente de IA pudesse sentir que tipo de dia você está tendo?

Não de um jeito assustador de ficção científica. Mas de um jeito estruturado e mensurável, que o faça responder como um humano responderia, com compreensão de verdade.

Enquanto construía o HeyJamie AI, percebi que faltava inteligência emocional para ele parecer mais humano. Comecei a rastrear sinais emocionais e a medir padrões de estresse. Foi aí que começou a história de colocar empatia no código.

Isso se alinha ao campo mais amplo da computação afetiva, criado por Rosalind Picard no MIT, que estuda como os sistemas podem reconhecer, interpretar e se adaptar às emoções humanas¹. Pesquisas recentes mostram que os LLMs modernos são surpreendentemente bons em interpretar contexto emocional só pela linguagem, e em alguns casos superam humanos em testes de inteligência emocional.

O sinal está no ruído

Toda interação deixa um rastro. Como você digita, os intervalos entre as respostas, as reuniões que estouram o horário, os e-mails que vão perdendo tamanho e nuance conforme o dia acelera. São sinais temporais: expressões do humor mapeado ao longo do tempo.

O protótipo agrega dados de calendário, mensagens e e-mail para montar uma pegada emocional cronológica. Não no minuto exato, mas perto o bastante para modelar como o estado emocional evolui ao longo de um dia ou de uma semana.

Onde outros descartam esses sinais como ruído, eu os tratei como dados, com o potencial de construir algo que entende como você realmente está.

Três pilares da empatia de máquina

Resumi a inteligência emocional em três sistemas centrais. É a minha interpretação de como fazer isso funcionar na prática:

1. Índices: os números que importam

Pense neles como sinais vitais, mas do estado cognitivo e emocional. Eles acompanham indicadores que se correlacionam com estresse, ansiedade e função executiva:

Latência de resposta: Nos períodos sem correria, mede o tempo entre receber uma interação e responder a ela.
Complexidade linguística: Tamanho das frases, diversidade de vocabulário e padrões de pontuação. Isso costuma mudar ao longo do dia, principalmente conforme a energia ou o foco do usuário. Estudos mostram que padrões de linguagem mais criativos ou complexos aparecem nos períodos de alta energia, enquanto o cansaço do fim do dia se correlaciona com uma linguagem mais simples e menos expressiva². O assistente usa esses padrões, principalmente a queda de complexidade ao longo do tempo, como um sinal leve de função executiva reduzida ou de estresse.
Coerência de tarefas: É medida pela troca de contexto inferida dos títulos dos eventos, ou seja, o quanto eventos seguidos do calendário se relacionam semanticamente. Uma sequência de 1:1s sem nenhuma relação entre si, por exemplo, é tratada como cognitivamente fragmentada. Detectar isso é complicado e se apoia bastante em suposições tiradas da proximidade no tempo e dos padrões de mensagens. Se as reuniões são adiadas com frequência em alguns minutos, isso pode indicar estouro de horário. São sinais ruidosos, mas ainda valiosos.
Pressão de tempo: Um composto de vários indicadores (densidade de reuniões, proximidade de prazos e violações da agenda), todos contribuindo para a sensação de tempo comprimido e menos autonomia. Eles também alimentam os outros índices acima. O sistema infere essa pressão a partir de padrões como muitas reuniões coladas umas nas outras, pouquíssimas pausas entre compromissos e sinais de reuniões que estouraram ou foram remarcadas. É um modelo da escassez de tempo percebida, não só do tempo do relógio.

Aqui vai uma saída básica de um dos índices cronológicos coletados ao longo do dia. É uma simplificação dos dados reais, mas serve para explicar a ideia: é quase tudo uma pontuação de 0 a 1:

{
  "indices": {
    "stress": 0.74,
    "anxiety": 0.61,
    "executive_function": 0.32,
    "cognitive_load": 0.88,
    "anger": 0.51,
    "focus": 0.36,
    "motivation": 0.42,
    "energy": 0.29,
    "clarity": 0.38,
    "patience": 0.45
  },
  "contributing_factors": {
    "meeting_overrun": 0.9,
    "task_switching_rate": 0.7,
    "linguistic_degradation": 0.6,
    "short_tone_emails": 0.55,
    "context_fragmentation": 0.68
  }
}

Essas pontuações vêm do comportamento na linguagem e na agenda, não de sensores invasivos. Cada variável se baseia em sinais observados:

task_switching_rate: Uma aproximação da troca de contexto, derivada de sequências de reuniões ou tarefas agendadas bem próximas, com títulos semanticamente diferentes.
meeting_overrun: Inferido quando reuniões são movidas ou empurradas para mais tarde, possivelmente porque as anteriores passaram do horário. É um sinal de baixa confiança.
linguistic_degradation: Medida como uma redução no tamanho das frases ou na contagem de palavras ao longo do tempo, principalmente nas respostas ao assistente, o que sugere cansaço ou frustração.

O protótipo coleta muitos outros sinais, mas estes mostram os tipos de entrada usados para pontuar o estado do usuário.

Os LLMs têm ido bem em identificar estados emocionais só pelos padrões de linguagem³⁴. Um índice de estresse de 0,74 pode significar que suas frases ficaram 40% mais curtas, que você trocou de tarefa 12 vezes e que suas reuniões estão se emendando umas nas outras.

O objetivo é que a IA enxergue o padrão antes de você sentir o esgotamento.

2. Contextos: entendendo a história

Números soltos não significam nada sem narrativa. O contexto serve para entender por que esses números existem.

Pegue esta sequência de um dia de trabalho qualquer:

{
  "events": [
    {
      "start": "09:00",
      "end": "10:15",
      "type": "customer_demo",
      "overrun": 15
    },
    {
      "start": "10:00",
      "end": "10:45",
      "type": "product_review",
      "overrun": -15
    },
    {
      "start": "10:30",
      "end": "11:30",
      "type": "team_standup",
      "overrun": 0,
      "declined": true
    },
    { "start": "11:30", "end": "12:00", "type": "customer_call", "overrun": 0 },
    { "start": "12:00", "end": "13:00", "type": "board_prep", "overrun": 30 }
  ]
}

A maioria dos calendários enxerga cinco reuniões. O que o sistema detecta é que essas reuniões estouraram o horário várias vezes, um padrão que sugere sobrecarga estrutural:

User is experiencing meeting cascade failure. The customer demo overran by 15 minutes creating a domino effect. User joined the product review late, declined the standup invitation and is now in the fifth consecutive hour of conversations without an appropriate break.

Cada vez mais, modelos de linguagem são usados para gerar esse tipo de resumo de séries temporais e de interpretação emocional a partir de dados sequenciais⁴. A bibliografia é clínica e não se aplica diretamente a este exemplo, mas a ideia é que os modelos de linguagem estão cada vez melhores em interpretar e avaliar contexto emocional só pela linguagem.

3. Alavancas: como a IA se adapta

Esses blocos de contexto ficam mais úteis quando aplicados a modelos de linguagem que interagem com usuários, porque aí o modelo pode usar o que entende do dia da pessoa para dar respostas mais relevantes e empáticas.

Entender não vale nada sem agir. O sistema ajusta o comportamento com três alavancas:

{
  "behavioural_state": {
    "compassion": 0.8,
    "protectiveness": 0.9,
    "initiative": 0.6
  }
}

Internamente, para o usuário, isso aparece de um jeito mais controlado, assim:

Interface das alavancas de contexto emocional

Elas afetam:

Compaixão: Tom mais suave, mais espaço para pensar
Proteção: Blindar você do impacto de forma ativa
Iniciativa: A chance de o assistente intervir sem ser chamado

Por exemplo:

Jamie normal: “You have a product sync at 2pm with the engineering team. Should I send the usual agenda?”

Jamie em contexto de estresse: “Heads up – product sync in 30min. I’ll handle the agenda. Take 5 minutes now to breathe.”

A mesma informação. Uma interação totalmente diferente.

A arquitetura é complexa de propósito

O que você vê aqui é uma abstração simplificada. Na prática, já tenho um protótipo funcionando desse sistema dentro do HeyJamie. Ele está no ar, processando meus próprios dados e fornecendo contexto emocional para a IA.

Interface do conceito de IA emocional

Os exemplos em JSON acima são só uma camada fina na superfície. O protótipo acompanha dezenas de sinais de comportamento, linguagem, tempo e sequência. Ele monta linhas de base personalizadas, aplica modelos de decaimento e repondera as interações dinamicamente conforme a hora do dia, o tipo de reunião, o contexto anterior e mais. Hoje, isso é feito em incrementos de 6 horas, olhando para as últimas 24 horas e os últimos 7 dias.

{
  "user_profile": {
    "baseline_stress": 0.3,
    "peak_performance_window": "09:00-11:00",
    "cognitive_recovery_rate": 0.4,
    "social_interaction_cost": 0.15,
    "context_switch_penalty": 0.25
  },
  "environmental_factors": {
    "day_of_week_modifier": { "monday": 1.2, "friday": 0.8 },
    "seasonal_adjustment": 0.1,
    "timezone_shifts": 0
  }
}

Os LLMs se mostraram capazes não só de reconhecer emoções, mas de sugerir intervenções úteis e na hora certa⁵. Em estudos controlados, eles até superaram médicos humanos em empatia no atendimento ao paciente.

É profundamente esquisito. Mas, de algum jeito, parece profundamente humano. Ensinam a gente que computador deve ser lógico e neutro. Talvez esse seja o padrão errado.

Quando uma IA percebe que estou sobrecarregado e resolve as coisas sem alarde, parece menos um software e mais um assistente muito bom que simplesmente entende.

Confiança não nasce da perfeição. Nasce da resposta adequada.

A verdade incômoda

Isso funciona bem demais. Quando a sua IA nota o seu estresse antes do seu parceiro ou da sua parceira, ou é o futuro da interação entre humanos e computadores, ou é um espelho mostrando como a gente se apoia mal, ou é só mais um episódio de Black Mirror.

Talvez as três coisas.

Uma nota sobre privacidade e ética

Vamos ser claros: IA emocional em escala é um campo minado de privacidade. Sistemas que aplicam isso em público, como os testes do Rekognition da Amazon para detectar emoções ou a análise facial em estações de trem do Reino Unido, receberam críticas mais do que merecidas⁶.

Mas aqui existe uma distinção importante. O Jamie opera com um modelo de privacidade fundamentalmente diferente:

Seus dados continuam seus. Ao contrário de sistemas públicos de vigilância ou do rastreamento corporativo de emoções, o Jamie processa tudo localmente. As conversas, as entradas de calendário e o conteúdo dos e-mails nunca saem do seu controle. O que é coletado para melhorar o sistema são só dados agregados e anonimizados, como índices de estresse, padrões de resposta e tendências de comportamento, sem nenhuma informação de identificação nem conteúdo real.

Transparência desde o projeto. Você vê exatamente quais índices emocionais estão sendo acompanhados. Nada de algoritmo de caixa-preta decidindo sobre o seu estado emocional sem você entender.

Consentimento não é só uma caixinha para marcar. O sistema exige adesão explícita para os recursos de rastreamento emocional. Você pode desativá-los por completo, ajustar os níveis de sensibilidade ou excluir fontes de dados específicas. Seu assistente funciona bem sem eles. Eles só o fazem funcionar melhor.

Proteção dos dados resumidos. Eles são usados exclusivamente para entender padrões de uso e melhorar a resposta emocional dos modelos de linguagem. Não dá para reconstruir os padrões emocionais de nenhum usuário individual a partir desses dados.

A realidade incômoda é que uma IA realmente empática precisa entender o contexto emocional. A questão não é se devemos construir esses sistemas, e sim como construí-los com responsabilidade. Mantendo os dados brutos sob o controle do usuário e limitando a coleta a resumos anônimos, podemos desenvolver uma IA que ajuda de verdade sem comprometer a privacidade.

Isso não é vigilância. É apoio, construído sobre uma base de controle e transparência para o usuário.

Se quiser experimentar uma IA com sensibilidade emocional, peça acesso antecipado em heyjamie.ai. Estou liberando aos poucos e de propósito.

Leitura complementar

Somers, M. (2019). Emotion AI, explained. MIT Sloan.

Abrosymova, K. (2019). How Artificial Intelligence and Journaling Make Us More Aware of Our Emotions. The Writing Cooperative.

Referências

Picard, R. W. (1997). Affective Computing. MIT Press. ↩
Tandoc, M. C., Bayda, M., Poskanzer, C., Cho, E., Cox, R., Stickgold, R., & Schapiro, A. C. (2021). Examining the effects of time of day and sleep on generalization. PLOS ONE. ↩
Schlegel, K. et al. (2025). Large language models are proficient in solving and creating emotional intelligence tests. Communications Psychology. ↩
Lalk, C. et al. (2025). Employing large language models for emotion detection in psychotherapy transcripts. Frontiers in Psychiatry. ↩ ↩²
JMIR Editorial Board. (2024). Large Language Models and Empathy: Systematic Review. Journal of Medical Internet Research. ↩
Para mais sobre as preocupações de privacidade com sistemas de vigilância de IA emocional, veja vários relatórios sobre o Rekognition da Amazon e os testes de análise facial no Reino Unido. ↩