Ensinar a IA a sentir. A arquitetura da inteligência emocional
Nesta página
E se o teu assistente de IA soubesse mesmo que tipo de dia estás a ter?
Não à maneira arrepiante da ficção científica. De forma estruturada e mensurável, que o faça responder como uma pessoa responderia, com compreensão a sério.
Quando estava a construir o HeyJamie AI, descobri que a peça que faltava para o tornar mais humano era a inteligência emocional. Comecei a registar sinais emocionais e a medir padrões de stress. Foi o começo de pôr empatia em código.
Isto enquadra-se na área mais vasta da computação afetiva, criada por Rosalind Picard no MIT, que estuda como os sistemas podem reconhecer, interpretar e adaptar-se às emoções humanas1. Como mostra a investigação recente, os LLMs modernos são surpreendentemente bons a interpretar o contexto emocional só através da linguagem. Nalguns casos superam os humanos em testes de inteligência emocional.
O sinal está no ruído
Cada interação deixa rasto. A forma como escreves, os intervalos entre respostas, as reuniões que se arrastam, os e-mails que vão perdendo tamanho e nuance à medida que 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 construir uma pegada emocional cronológica. Não ao minuto, mas perto o suficiente para modelar como o estado emocional evolui ao longo de um dia ou de uma semana.
Onde outros descartam estes sinais como ruído, eu tratei-os como dados, com o potencial de construir algo que percebe como estás realmente.
Três pilares da empatia das máquinas
Reduzi a inteligência emocional a três sistemas centrais. É a minha interpretação de como fazer isto funcionar na prática.
1. Índices. Os números que importam
Pensa neles como sinais vitais, mas do estado cognitivo e emocional. Acompanham indicadores que se correlacionam com stress, ansiedade e função executiva:
- Latência de resposta: nos períodos sem muito movimento, mede o tempo entre receber uma interação e responder-lhe.
- Complexidade linguística: o comprimento das frases, a diversidade de vocabulário e a pontuação. Estes elementos mudam muitas vezes ao longo do dia, sobretudo em relação à energia ou ao foco do utilizador. Os estudos mostram que surgem padrões de linguagem mais criativos ou complexos nos períodos de muita energia, enquanto o cansaço do fim do dia se correlaciona com uma linguagem mais simples e menos expressiva2. O assistente usa estes padrões, sobretudo a perda de complexidade ao longo do tempo, como sinal ténue de função executiva reduzida ou de stress.
- Coerência das tarefas: mede-se pela mudança de contexto que se deduz dos títulos dos eventos, ou seja, o quão relacionados estão, em termos semânticos, os eventos seguidos do calendário. Uma sequência de 1:1 sem relação entre si, por exemplo, assume-se como cognitivamente fragmentada. Detetar isto é complicado e assenta em grande parte em suposições tiradas da proximidade temporal e dos padrões de mensagens. Se as reuniões são muitas vezes adiadas uns minutos, pode ser sinal de que se alongaram. São sinais ruidosos, mas ainda assim valiosos.
- Pressão temporal: um composto de vários indicadores, entre eles a densidade de reuniões, a proximidade de prazos e as violações do horário, todos a contribuir para uma sensação de tempo comprimido e de menos autonomia. Alimentam também os outros índices acima. O sistema infere esta pressão de padrões como muitas reuniões coladas umas às outras, pausas mínimas entre compromissos e indícios de reuniões que se alongaram ou foram remarcadas. É um modelo da escassez de tempo percebida, não só do tempo do relógio.
Aqui fica um exemplo simples de um dos índices cronológicos recolhidos ao longo do dia. É uma simplificação dos dados reais, mas serve para explicar a ideia: são sobretudo pontuações 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
}
}Estas pontuações vêm da linguagem e do comportamento de agendamento, não de sensores invasivos. Cada variável parte de sinais observados:
- task_switching_rate: uma aproximação da mudança de contexto, obtida de sequências de reuniões ou tarefas muito próximas no tempo e com títulos semanticamente diferentes.
- meeting_overrun: inferido quando as reuniões são empurradas para mais tarde, possivelmente porque as anteriores passaram da hora. É um sinal de baixa confiança.
- linguistic_degradation: medido como uma redução no comprimento das frases ou no número de palavras ao longo do tempo, sobretudo nas respostas ao assistente, o que sugere cansaço ou frustração.
O protótipo recolhe muitos mais sinais, mas estes ilustram o tipo de entradas usadas para pontuar o estado do utilizador.
Os LLMs mostraram um bom desempenho a identificar estados emocionais só a partir de padrões linguísticos34. Um índice de stress de 0,74 pode querer dizer que as tuas frases ficaram 40% mais curtas, mudaste de tarefa 12 vezes e as tuas reuniões estão a cair umas em cima das outras.
O objetivo é que a IA veja o padrão antes de tu sentires o esgotamento.
2. Contextos. Perceber a história
Os números em bruto não significam nada sem narrativa. O contexto serve para perceber porque é que esses números existem.
Veja-se esta sequência de um dia de trabalho genérico:
{
"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 vê cinco reuniões. O que o sistema deteta é que estas reuniões se alongaram repetidamente, 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 se usam modelos de linguagem para gerar este tipo de resumos de séries temporais e interpretações emocionais a partir de dados sequenciais4. A bibliografia citada é clínica e não se aplica diretamente a este exemplo, mas a ideia é que os modelos de linguagem estão a ficar cada vez melhores a interpretar e avaliar o contexto emocional só pela linguagem.
3. Alavancas. Como a IA se adapta
Estes blocos de contexto tornam-se mais úteis quando aplicados a modelos de linguagem que interagem com os utilizadores, porque podem usar o que sabem do dia da pessoa para dar respostas mais relevantes e empáticas.
Perceber 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 um utilizador, isto aparece de forma mais controlada, assim:
Estas alavancas afetam:
- Compaixão: um tom mais suave, mais espaço para pensar
- Proteção: escudar-te ativamente do impacto
- Iniciativa: a probabilidade de o assistente intervir sem ser chamado
Por exemplo:
Jamie normal: “Tens uma reunião de produto às 2 da tarde com a equipa de engenharia. Envio a agenda do costume?”
Jamie em contexto de stress: “Atenção, a reunião de produto é daqui a 30 min. Eu trato da agenda. Aproveita 5 minutos agora para respirar.”
A mesma informação. Uma interação completamente diferente.
A arquitetura é complexa de propósito
O que vês aqui é uma abstração simplificada. Na realidade, já tenho um protótipo funcional deste sistema dentro do HeyJamie. Está ativo, a processar os meus próprios dados e a dar contexto emocional à IA.
Os exemplos em JSON acima são só uma camada fina à superfície. O protótipo acompanha dezenas de sinais de comportamento, linguagem, tempo e sequência. Constrói linhas de base personalizadas, aplica modelos de decaimento e volta a ponderar as interações de forma dinâmica, consoante a hora do dia, o tipo de reunião, o contexto anterior e mais. Neste momento, fá-lo em intervalos de 6 horas, olhando para as últimas 24 horas e para 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 provaram ser capazes não só de reconhecer emoções, mas também de sugerir intervenções úteis e oportunas5. Em estudos controlados, chegaram a superar médicos humanos na empatia com os doentes.
É profundamente estranho. Mas, de alguma forma, parece profundamente humano. Ensinaram-te que os computadores devem ser lógicos e neutros. Talvez esse seja o padrão errado.
Quando uma IA repara que estou sobrecarregado e trata das coisas sem alarido, parece menos software e mais um assistente excelente que simplesmente percebe.
A confiança não se constrói com perfeição. Constrói-se com a resposta certa na altura certa.
A verdade incómoda
Isto funciona bem demais. Quando a tua IA repara no teu stress antes da tua companheira ou do teu companheiro, ou é o futuro da interação entre humanos e computadores, ou é um espelho do mau apoio que damos uns aos outros, ou é mais um episódio de Black Mirror.
Talvez as três coisas.
Uma nota sobre privacidade e ética
Sejamos claros: a IA emocional em grande escala é um campo minado de privacidade. Os sistemas que a aplicam em público, como os testes do Rekognition da Amazon para detetar emoções ou a análise facial em estações de comboio do Reino Unido, mereceram as críticas que receberam6.
Mas há aqui uma distinção importante. O Jamie funciona com um modelo de privacidade fundamentalmente diferente:
Os teus dados continuam teus. Ao contrário dos sistemas de vigilância pública ou do acompanhamento emocional nas empresas, o Jamie processa tudo localmente. As conversas em bruto, as entradas do calendário e o conteúdo do e-mail nunca saem do teu controlo. O que se recolhe para melhorar o sistema são apenas dados resumidos, agregados e anónimos (índices de stress, padrões de resposta, tendências de comportamento), sem qualquer informação identificável nem conteúdo real.
Transparência desde o desenho. Podes ver exatamente que índices emocionais estão a ser acompanhados. Nenhum algoritmo de caixa negra a tomar decisões sobre o teu estado emocional sem tu perceberes.
O consentimento não é só uma caixa para assinalar. O sistema exige adesão explícita às funcionalidades de acompanhamento emocional. Podes desativá-las por completo, ajustar os níveis de sensibilidade ou excluir fontes de dados específicas. O teu assistente funciona bem sem elas. Só funciona melhor com elas.
Proteção dos dados resumidos. Servem apenas para perceber padrões de utilização e melhorar a resposta emocional dos modelos de linguagem. Não é possível reconstruir os padrões emocionais de nenhum utilizador a partir destes dados.
A realidade incómoda é que uma IA verdadeiramente empática precisa de perceber o contexto emocional. A questão não é se devemos construir estes sistemas. É como os construir com responsabilidade. Ao manter os dados em bruto sob controlo do utilizador e ao limitar a recolha a resumos anónimos, podemos desenvolver uma IA que ajuda a sério sem comprometer a privacidade.
Isto não é vigilância. É apoio, assente no controlo do utilizador e na transparência.
Se quiseres experimentar tu próprio uma IA com consciência emocional, pede acesso antecipado em heyjamie.ai. Estou a lançá-la devagar e de forma deliberada.
Leitura adicional
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
Footnotes
-
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, ver vários relatórios sobre o Rekognition da Amazon e os testes de análise facial no Reino Unido. ↩