A IA pode resolver a sobrecarga de opções em plataformas com grande volume de conteúdo?

Introdução

Os sistemas de recomendação reduzem o número de escolhas que uma pessoa precisa fazer, e os dados sugerem que isso tem mais valor para uma plataforma do que a maioria das pessoas imagina. Se isso ocorre à custa de não se deparar com algo novo é uma questão à parte, que também não é tão fácil de responder.

Os aplicativos de streaming exigem muito de uma noite de terça-feira. Abra um deles e você encontrará fileiras de miniaturas para percorrer antes de encontrar algo que valha a pena assistir — supondo que a pessoa consiga encontrar alguma coisa. Muitas pessoas não conseguem. Banners se alternam, os mesmos poucos títulos continuam reaparecendo e, em algum momento, fechar o aplicativo pode parecer o caminho de menor resistência. Sites de cassino como o Vegas Stars Casino NZ enfrentam um problema semelhante sob um ângulo diferente: uma nova conta faz login e se depara com centenas de jogos desconhecidos, sem um ponto de partida óbvio. Pesquisadores deram um nome a isso há algum tempo — sobrecarga de escolhas — e as plataformas tratam isso como uma espécie de problema de receita.

O valor real de um mecanismo de recomendação

Troque o mecanismo de recomendação da Netflix por um simples ranking de popularidade e o engajamento cai 12%, de acordo com um artigo de trabalho da SSRN de novembro de 2025, elaborado por um grupo de economistas afiliados à empresa (três dos autores do artigo trabalham diretamente na Netflix). Experimente, em vez disso, um modelo de fatoração de matrizes — um passo abaixo da personalização total — e o custo é menor, de 4%. Multiplicada por uma base de assinantes na casa das centenas de milhões, essa diferença soma bilhões de horas de exibição e dinheiro que, de uma forma ou de outra, acaba se refletindo nos números de renovação.

Klaus Wertenbroch não acredita totalmente que a personalização seja algo inequivocamente positivo. Ele leciona marketing no INSEAD e é coautor de um artigo que questiona, em primeiro lugar, quanto peso as pessoas atribuem às escolhas algorítmicas. “Meus coautores e eu alertamos os consumidores contra uma confiança excessiva em algoritmos de IA ao fazer essas escolhas”, observou Wertenbroch no artigo, tentando fazer com que as pessoas reflitam sobre os vieses. Ele disse que esperava que as recomendações fossem vistas apenas pelo que são, não como um endosso oficial, mas simplesmente como o equivalente a um conselho.

Isso está relacionado ao viés de popularidade. Quando um número suficiente de contas já assiste a um programa, isso pode sinalizar ao modelo para recomendar esse programa a outras pessoas (é mais seguro recomendar um sucesso já conhecido do que algo desconhecido) e, como resultado, públicos menores vão diminuindo nas exibições subsequentes, acabando por desaparecer de vista para aqueles que não estão procurando ativamente por um título. Economistas se referem ao efeito “os ricos ficam mais ricos” para explicar esse processo. Isso tem implicações para a indexação de mecanismos de busca e feeds de mídias sociais — em qualquer lugar onde algoritmos usem implicitamente a popularidade como indicador para avaliar a qualidade.

A Netflix e o INSEAD acabaram chegando à mesma conclusão, mas seguiram caminhos diferentes para chegar lá. Embora estivessem lidando com dados totalmente diferentes, de setores distintos, eles descobriram que a razão subjacente pela qual os usuários permanecem é geralmente a mesma. Catálogos em expansão que não melhoram a qualidade das ofertas já existentes tendem a acumular lixo e se tornam ineficientes na atração de novos usuários ou na retenção dos já existentes.

Algoritmos são ruins em “acidentes felizes”

O histórico de cliques, o tempo de permanência na página e os termos de busca formam a base da maioria dos mecanismos de busca. Eles se baseiam nessas pegadas digitais para apresentar mais do que você já passou tempo assistindo ou jogando. Isso faz sentido do ponto de vista da intenção do design. Mas, por outro lado, existe a possibilidade de que você nunca receba esse tipo específico de sugestão. A razão é um tanto sutil, baseada no fato de que nunca houve qualquer indício de interesse, pois você nunca foi apresentado a isso. Antigamente, antes do surgimento dos sistemas de recomendação e da IA, isso era conhecido como marketing “boca a boca”. Quando seu irmão ou irmã lhe dava uma fita com apenas algumas faixas e, de repente, você descobria um subgênero totalmente novo sem nunca ter procurado por ele.

Tipo de conteúdo	Engajamento padrão	Engajamento selecionado	Observação principal
Sucessos de amplo apelo	Já é alto	Quase não varia	A popularidade por si só faz com que esses títulos sejam encontrados
Catálogo de nível médio	Escondidos, fáceis de passar despercebidos	Sobe visivelmente	A curadoria faz a diferença aqui especificamente
Títulos de nicho	Quase invisível	Aumenta um pouco	Mesmo uma boa segmentação tem limites

Os dados por si só têm dificuldade em trazer à tona essas escolhas inesperadas e divertidas. Um site como o Vegas Stars administra um amplo catálogo repleto de jogos de cartas, caça-níqueis de alta volatilidade e crupiês ao vivo trabalhando 24 horas por dia. Obviamente, é necessária alguma organização para estruturar tal biblioteca. O algoritmo de aprendizado de máquina cuida da matemática subjacente, enquanto o design inteligente de experiência do usuário (UX) e do produto completa a tarefa. Se uma pessoa cria uma nova conta sem nenhuma experiência anterior, a IA e boas categorias de conteúdo fazem sua mágica. Organizar a plataforma dessa forma garante que a grade de jogos não fique desorganizada.

Uma boa curadoria faz toda a diferença

Quem visita o Vegas Stars pela primeira vez se depara com cerca de 200 blocos de jogos distintos, sem nenhum histórico de cliques até aquele momento. Muitos mecanismos de recomendação mais antigos lidam com essa tela em branco de maneira ultrapassada, principalmente porque ninguém os desenvolveu tendo esse cenário em mente. Alguns acabam reciclando os mesmos poucos gêneros até que tudo na tela comece a se confundir. Sistemas melhores tentam algo mais complexo: rastreiam o que o jogador já gosta e, então, inserem ocasionalmente um título fora desse padrão apenas para ver o que dá certo.

• Os cliques e a duração da sessão dizem mais sobre um jogador do que qualquer pesquisa.
• Milhares de contas são comparadas entre si por meio de filtragem colaborativa, em busca de sobreposições no que foi jogado ou ignorado.
• A volatilidade e a mecânica são lidas diretamente dos arquivos do jogo, de modo que as correspondências de estilo seguem os dados, e não suposições.
• Uma mudança de humor no meio da sessão também é detectada, algo que um perfil estático simplesmente deixaria passar.

Os engenheiros têm um nome para esse cenário inicial, uma conta nova sem nada registrado ainda: o problema do “cold-start”. Alguns sistemas lidam com isso direcionando as novas contas para o que for amplamente popular por padrão, até que se acumulem dados comportamentais suficientes para personalizar adequadamente. Outros, em vez disso, apresentam algumas perguntas de integração, trocando um cadastro um pouco mais complicado por uma vantagem inicial na correspondência. Nenhuma das soluções é perfeita, mas ambas são melhores do que mostrar 200 blocos aleatoriamente e torcer para que algo dê certo.

Duas técnicas fazem a maior parte da classificação real quando você começa a dar uma olhada em tudo. Primeiro, a filtragem colaborativa estabelece uma pontuação de similaridade entre uma conta e milhares de outras, comparando os títulos que foram clicados, reproduzidos ou até mesmo “pulos em comum”. A marcação baseada em conteúdo ignora essa comparação e, em vez disso, analisa os metadados de cada título — índice de volatilidade, tema, estrutura da tabela de pagamentos — e, em seguida, compara esses atributos com o que uma conta já preferiu anteriormente (as duas técnicas costumam funcionar em paralelo, em vez de uma substituir a outra). Qualquer um dos métodos evita que alguém fique sentado vasculhando todo o catálogo manualmente.

Se a gente analisar, o processo passa por cerca de cinco etapas, cada uma delas bastante simples:

1. Dados de sessão, preferências de categoria e padrões de pular são incorporados ao modelo antes que qualquer classificação seja feita.
2. Os perfis individuais são comparados com títulos vinculados ao histórico real de cliques, e não apenas com o que é amplamente popular.
3. Classifique corretamente. A maior parte do engajamento que uma grade da página inicial recebe ocorre nas primeiras linhas, o que explica em parte por que a ordem de classificação tem mais peso do que o tamanho da lista abaixo dela.
4. Novos cliques, pular de conteúdo e sessões concluídas são incorporados como mais dados de treinamento.
5. Novos lançamentos e mudanças no comportamento dos usuários são incorporados em questão de minutos, em vez de esperar por uma atualização programada.

Como funciona uma curadoria aprimorada no Vegas Stars

As sessões em dispositivos móveis representam a maior parte do tráfego em um site como o Vegas Stars, e isso muda o que a curadoria realmente precisa oferecer ao usuário. Uma tela menor tem espaço para talvez seis ou oito blocos visíveis antes que o usuário precise rolar a tela; portanto, o que estiver nessa primeira linha visível tem um peso desproporcional, semelhante ao efeito da grade da página inicial apontado pela pesquisa da Netflix. Se essa linha inicial for mal escolhida, o jogador nunca verá o restante da biblioteca, por melhor que seja a correspondência subjacente.

Depois, há os jogos de mesa com crupiê ao vivo, que acrescentam uma camada totalmente nova de complexidade. Digamos que você tenha uma mesa de blackjack com três vagas abertas e um usuário interessado em participar; é preciso conectá-los em milissegundos, não em segundos gastos vasculhando uma agenda de compromissos. Não dá para simplesmente clicar em “play” em uma reprise depois que a vaga já foi ocupada. O tempo é crucial aqui, ao contrário de uma biblioteca de vídeos sob demanda, porque, assim que a mesa ao vivo fica lotada, a oportunidade para o jogador se vai. É como um lobby multijogador em qualquer “Call of Duty” ou outro jogo de equipe que você encontra no PlayStation e no Xbox.

A velocidade de pagamento também influencia a descoberta de forma um tanto indireta. Jogadores que movimentam dinheiro por meio de criptomoedas ou carteiras eletrônicas tendem a alternar entre sessões mais rapidamente do que alguém que espera dias por uma transferência bancária, deixando ao mecanismo de recomendação menos tempo por visita para aprender alguma coisa antes que essa conta migre para uma plataforma diferente. Um depósito mais rápido tende a significar um veredicto mais rápido sobre se o lobby realmente funcionou para aquele jogador.

Conseguir isso exige verdadeira engenharia. Requer sistemas de back-end rápidos e responsivos, combinados com um layout projetado para corresponder ao local para onde o foco do jogador realmente se dirige.

Aviso: O jogo é uma forma de entretenimento e envolve riscos inerentes. Não deve ser visto como fonte de renda ou estratégia financeira. Aposte apenas o que você pode perder, estabeleça limites rígidos e procure ajuda se o jogo estiver afetando você. A participação é restrita a maiores de 18 anos. Sempre jogue com responsabilidade.