A Magnificação Algorítmica da Escassez: Uma Análise Sociotécnica da Economia da Atenção Impulsionada por IA

Resumo: Este artigo investiga o fenômeno da economia da atenção, argumentando que a integração da Inteligência Artificial (IA) avançada a transformou de uma consequência passiva da sobrecarga de informação em um sistema ativo, otimizado e pervasivo de controle socioeconômico. Rastreando o conceito desde o trabalho fundamental de Herbert A. Simon até sua manifestação atual no capitalismo de plataforma, analisamos os mecanismos técnicos através dos quais a IA maximiza o engajamento do usuário. Utilizando um arcabouço sociotécnico, este estudo combina uma revisão sistemática da literatura com estudos de caso qualitativos dos algoritmos da Netflix, focados na retenção, e do modelo do TikTok, impulsionado pela viralidade, apoiados por uma análise quantitativa de dados globais de tempo de tela. Nossos resultados revelam que a IA não apenas captura a atenção com eficiência sem precedentes, mas também cria ciclos de retroalimentação auto-reforçados que geram externalidades negativas significativas. Discutimos as profundas repercussões sociais, incluindo a erosão da autonomia cognitiva, a amplificação da polarização política e o surgimento de novos dilemas éticos em torno do “roubo de atenção” e do design manipulativo. O artigo conclui examinando a transição nascente para uma “economia da intenção” preditiva e defende novos paradigmas regulatórios, como um imposto pigouviano sobre a captura da atenção, para mitigar os riscos sistêmicos impostos por esta nova época tecnológica.

Palavras-chave: Economia da Atenção, Inteligência Artificial, Algoritmos de Recomendação, Engajamento do Usuário, Impacto Sociotécnico, Ética da IA, Polarização Digital.

---

1. Introdução: Do Excesso de Informação à Fome Atencional

A era digital é definida por um paradoxo fundamental, articulado com presciência pelo laureado com o Nobel Herbert A. Simon em 1971: “uma riqueza de informação cria uma pobreza de atenção”¹,⁶,¹³,¹⁸,⁴¹,¹⁰³. Esta observação seminal serve como a pedra angular teórica para a compreensão do ecossistema digital contemporâneo. Simon identificou a atenção como o “gargalo do pensamento humano”⁶, um recurso intrinsecamente finito em um mundo cada vez mais saturado de dados e estímulos. Ele argumentou que o problema central do design de sistemas de informação não era a escassez de informação, mas a alocação eficiente da atenção do destinatário¹⁴.

Este artigo avança uma tese central: enquanto Simon e teóricos pioneiros como Michael Goldhaber² identificaram corretamente a escassez da atenção como a nova variável econômica definidora, eles não poderiam ter previsto o advento da Inteligência Artificial (IA) como um mecanismo para explorar sistemática e algoritmicamente essa escassez. A IA não apenas amplificou a economia da atenção; ela a industrializou. A condição que antes era uma consequência passiva da sobrecarga de informação foi transformada em um sistema ativo, otimizado e orientado para o lucro, de uma escala e eficiência sem precedentes³,⁴,²⁵. A transição da era de Simon para a atual não representa meramente um aumento quantitativo de informações, mas uma mudança qualitativa na forma como a atenção é gerenciada. A IA catalisou a criação de um sistema para a extração e monetização em escala industrial de um recurso humano finito. Esse processo converteu uma limitação cognitiva natural na principal matéria-prima de uma economia digital multibilionária.

O problema central investigado neste trabalho são os impactos multifacetados dessa maximização impulsionada pela IA. Isso abrange seus efeitos sobre a cognição individual, a coesão social e o discurso político. O fenômeno é enquadrado não apenas como uma questão tecnológica, mas como um desafio fundamental à agência humana e ao bem-estar social⁶,⁴⁰,⁸⁹. O objetivo não é apenas descrever, mas analisar criticamente as forças em jogo, desde os algoritmos que operam em microssegundos até as transformações sociais que se desenrolam ao longo de anos.

Para realizar esta análise, o artigo está estruturado da seguinte forma: a seção 2 revisa os fundamentos teóricos da economia da atenção. A seção 3 detalha a metodologia de análise sociotécnica crítica empregada. A seção 4, o núcleo do artigo, disseca o papel da IA através de estudos de caso comparativos da Netflix e do TikTok, contextualizados por dados quantitativos sobre o tempo de tela global. A seção 5 discute as profundas repercussões sociais, cognitivas e éticas. Finalmente, a seção 6 conclui refletindo sobre as trajetórias futuras, incluindo a emergência de uma “economia da intenção”, e as possibilidades regulatórias para navegar neste novo território.

2. A Base Teórica: Revisitando a Economia da Atenção

A compreensão do cenário digital atual exige um retorno aos conceitos fundadores que primeiro identificaram a atenção como um recurso econômico. Esta seção traça a evolução da teoria, desde suas origens na ciência cognitiva até sua aplicação contemporânea no capitalismo de plataforma.

2.1 Os Pioneiros: Simon e Goldhaber

O conceito de “economia da atenção” foi introduzido pela primeira vez pelo psicólogo e economista Herbert A. Simon⁵⁶,⁵⁹. Em seus escritos da década de 1970, ele postulou que a informação consome o recurso mais valioso de seus destinatários: sua atenção¹,¹⁸. Para Simon, em um mundo rico em informações, a verdadeira escassez não é de dados, mas da capacidade humana de processá-los. Ele argumentou que muitos designers de sistemas de informação representavam erroneamente seu problema como uma falta de informação, quando, na verdade, o desafio era a falta de atenção. Consequentemente, eles construíram sistemas que se destacavam em fornecer cada vez mais informações, enquanto o que era realmente necessário eram sistemas que se destacassem em filtrar o que era irrelevante¹⁴.

Décadas depois, em 1997, o físico e escritor Michael Goldhaber aplicou diretamente a teoria de Simon à internet nascente. Em seu influente artigo, “The Attention Economy and the Net”, Goldhaber previu que a atenção, e não o dinheiro, se tornaria a moeda da “Nova Economia”¹,²,⁵. Ele argumentou que, à medida que a informação se tornava abundante e gratuita online, o único recurso escasso e, portanto, valioso, seria a atenção humana que poderia ser direcionada a essa informação. Goldhaber especulou que as transações baseadas em atenção poderiam eventualmente substituir as transações financeiras como o foco do sistema econômico¹.

2.2 Definições Contemporâneas e a Mercantilização da Atenção

Desde os trabalhos de Simon e Goldhaber, o conceito evoluiu para descrever o atual modelo de negócios da internet. A economia da atenção é agora amplamente entendida como uma abordagem para a gestão da informação que trata a atenção humana como uma mercadoria escassa⁹,¹¹,¹²,²⁴. As estratégias de marketing e branding são projetadas para capturar essa atenção finita em um esforço para manter a lucratividade⁹. O modelo de negócios de empresas de mídia social, por exemplo, é fornecer conteúdo envolvente para manter os usuários retornando e permanecendo por mais tempo. Em troca, as empresas vendem publicidade direcionada, monetizando efetivamente os dados pessoais e a atenção dos usuários⁹,¹⁰,¹². A atenção tornou-se um ativo, o recurso mais valioso nesta nova economia⁹³.

2.3 A Atenção como um Bem Comum e o Problema das Externalidades

Uma perspectiva crítica mais recente enquadra a atenção não apenas como uma mercadoria individual, mas como um “bem comum” que está sendo superexplorado⁷,⁸⁹. Em seu trabalho, Belgroun et al. argumentam que a atenção, como o ar ou a água, é um recurso coletivo vital para a agência humana, a saúde e a democracia⁷. No entanto, o modelo de negócios da economia da atenção gera externalidades negativas significativas que não são precificadas pelo mercado. Essas externalidades incluem:

• Danos à Agência Individual: O design de plataformas com notificações, “curtidas” e rolagem infinita explora vulnerabilidades psicológicas para criar reações compulsivas, diminuindo a autonomia do usuário⁷.
• Danos à Saúde: O tempo excessivo de tela está correlacionado com problemas de saúde mental e física, incluindo sintomas de TDAH, sedentarismo e sono de má qualidade⁴⁹,⁸⁵.
• Danos Sociais e Políticos: A otimização algorítmica para o engajamento pode levar à polarização, à disseminação de desinformação e à erosão do discurso democrático⁷,⁸⁹.

Este enquadramento é crucial porque conecta o conceito abstrato de “economia da atenção” a danos sociais tangíveis, justificando a necessidade de intervenção e regulação¹⁰,¹².

2.4 O Papel da Tecnologia na Teoria

A teoria da economia da atenção está intrinsecamente ligada à infraestrutura tecnológica que a possibilita. Um relatório da Rede de Economistas das Nações Unidas destaca que a adição de “big data” e Inteligência Artificial para automatizar a internet foi a resposta da indústria para superar as restrições no processamento de dados e capturar a atenção de forma mais eficaz¹³. Esta convergência de teoria econômica e capacidade tecnológica preparou o terreno para a magnificação algorítmica da atenção, que é o foco central deste artigo.

3. Um Arcabouço para Análise Crítica: Uma Metodologia Sociotécnica

Para investigar um fenômeno tão complexo quanto a interação entre IA e a economia da atenção, uma abordagem metodológica singular é insuficiente. O objeto de estudo não é puramente tecnológico (os algoritmos em si) nem puramente social (o comportamento do usuário), mas emerge da interação complexa e recursiva entre os dois. Portanto, este estudo adota uma análise sociotécnica crítica como seu paradigma de pesquisa. Esta abordagem permite examinar como os valores sociais, as estruturas de poder e os imperativos econômicos são inscritos no design da tecnologia e, em contrapartida, como essa tecnologia reconfigura as práticas sociais e as experiências individuais¹⁵.

A metodologia é implementada através de um processo multifásico, estruturado para garantir rigor acadêmico e profundidade analítica, em linha com os princípios de pesquisa abrangentes delineados por Sampieri et al.¹⁴.

1. Revisão Sistemática da Literatura: O primeiro passo foi uma revisão exaustiva da literatura acadêmica e de fontes de mídia de alto impacto. Foram consultadas bases de dados como IEEE Xplore, ACM Digital Library, Scopus, ScienceDirect, Google Scholar e arXiv, utilizando palavras-chave como “economia da atenção”, “inteligência artificial”, “algoritmos de recomendação” e “engajamento do usuário”. O processo seguiu uma metodologia de revisão sistemática para identificar, selecionar e sintetizar os trabalhos mais relevantes, estabelecendo a base teórica e contextual do estudo¹⁶,¹¹⁷,¹¹⁸.
2. Estudo de Caso Qualitativo Comparativo: Para analisar os mecanismos técnicos em ação, foi selecionado um método de estudo de caso comparativo. Foram escolhidas duas plataformas paradigmáticas, Netflix e TikTok, por representarem estratégias distintas de maximização da atenção impulsionadas por IA. A Netflix exemplifica um modelo focado na retenção profunda e personalizada, enquanto o TikTok ilustra um modelo baseado na descoberta ampla e impulsionada pela viralidade. A análise se baseia em relatórios técnicos, artigos de pesquisa e publicações da indústria que descrevem suas arquiteturas algorítmicas.
3. Interpretação de Dados Quantitativos: Para estabelecer a escala empírica e o impacto no mundo real dos sistemas analisados, foram utilizados dados quantitativos secundários do relatório Digital 2024: Global Overview Report²⁸. Esta fonte foi escolhida por sua abrangência global e metodologia robusta. A análise se concentra em métricas de tempo de tela, com um foco particular no Brasil como um estudo de caso de alto engajamento, para quantificar a magnitude do consumo de atenção.
4. Análise de Arcabouço Ético: Finalmente, os dados e as análises são avaliados através de um arcabouço ético crítico. Este passo envolve a síntese das implicações éticas identificadas na literatura, incluindo conceitos como design manipulativo, autonomia do usuário, “roubo de atenção” e justiça algorítmica, para avaliar as consequências normativas do fenômeno.

Esta abordagem de métodos mistos é justificada pela necessidade de uma compreensão holística. Ela permite que a pesquisa conecte a teoria de alto nível (Simon) com implementações técnicas específicas (algoritmos), resultados empíricos (tempo de tela) e considerações normativas (ética), fornecendo uma visão completa e multifacetada da economia da atenção na era da IA.

4. O Motor do Engajamento: O Papel da IA na Maximização da Atenção

A transição da economia da atenção de um conceito teórico para uma força dominante na vida cotidiana foi impulsionada por um motor tecnológico específico: a Inteligência Artificial. Os sistemas de aprendizado de máquina, em particular, permitiram que as plataformas digitais não apenas competissem pela atenção, mas a cultivassem, gerenciassem e colhessem com uma precisão e escala antes inimagináveis. Esta seção disseca os mecanismos dessa maximização através de dois estudos de caso distintos, mas igualmente poderosos, e quantifica seu impacto agregado.

4.1 Hiperpersonalização e Retenção Preditiva (Estudo de Caso: Netflix)

O modelo de negócios da Netflix depende fundamentalmente da retenção de assinantes a longo prazo. Para alcançar isso, a empresa desenvolveu uma das arquiteturas de IA mais sofisticadas do mundo, projetada não apenas para recomendar conteúdo, mas para prever e moldar o desejo do usuário a fim de maximizar o tempo de permanência na plataforma¹⁷,¹⁸.

O mecanismo central é um sistema de recomendação que analisa um vasto conjunto de dados do usuário: histórico de visualização completo (títulos assistidos, pausas, repetições), avaliações explícitas, categorias preferidas, horário de uso, tipo de dispositivo e até mesmo o tempo que um usuário passa navegando sem selecionar um título¹⁷. Com base nesses dados, os algoritmos de aprendizado de máquina realizam várias funções críticas:

• Personalização da Página Inicial: Os títulos exibidos na tela inicial são classificados e priorizados para cada usuário individualmente, com base na probabilidade preditiva de engajamento.
• Seleção de Arte de Capa Personalizada: A IA da Netflix vai além da recomendação de títulos, selecionando a imagem de capa (thumbnail) mais atraente para cada usuário. Por exemplo, um usuário que assiste a muitos filmes de romance pode ver a capa de um filme destacando o casal principal, enquanto um fã de comédia pode ver a mesma capa de filme, mas com o personagem cômico em destaque¹⁷.
• Otimização Contínua: A plataforma realiza milhares de testes A/B constantemente para avaliar qual combinação de título, imagem e descrição gera mais cliques e tempo de exibição, refinando continuamente seus modelos¹⁷.

O impacto desse sistema é profundo. De acordo com um relatório da McKinsey & Company, aproximadamente 75% do que os usuários assistem na Netflix é resultado direto dessas recomendações algorítmicas¹⁹. Ao reduzir a sobrecarga cognitiva do “paradoxo da escolha” e guiar os usuários de forma eficiente para o conteúdo que eles provavelmente gostarão, a IA se torna o principal motor de engajamento e retenção, diminuindo as taxas de cancelamento e aumentando o valor vitalício do cliente (LTV)¹⁷,²⁰.

4.2 Curadoria Algorítmica e a Dinâmica da Viralidade (Estudo de Caso: TikTok)

Em contraste com o modelo de retenção profunda da Netflix, o TikTok emprega IA para maximizar o engajamento imediato e a descoberta viral. O coração da plataforma é a página “Para Você” (For You Page), um fluxo de conteúdo infinitamente curado que opera com uma lógica fundamentalmente diferente da maioria das redes sociais²¹.

O algoritmo do TikTok prioriza a “ressonância do conteúdo” em detrimento das conexões sociais pré-existentes²². Isso significa que um vídeo pode se tornar viral com base puramente em seu apelo inerente aos espectadores, independentemente da popularidade ou do número de seguidores do criador²¹. O sistema analisa sinais de interação em tempo real em uma escala massiva:

• Sinais de Engajamento: Curtidas, comentários, compartilhamentos, tempo de visualização e, crucialmente, a taxa de conclusão do vídeo.
• Informações do Vídeo: Legendas, sons, hashtags e efeitos.
• Configurações do Usuário: Preferência de idioma, país e tipo de dispositivo.

Ao contrário dos algoritmos que se baseiam em um “gráfico social” (quem você segue), o TikTok constrói um “gráfico de conteúdo” dinâmico, conectando usuários a vídeos com base em interesses inferidos²¹. Isso cria um poderoso ciclo de feedback: o algoritmo apresenta uma gama diversificada de conteúdo, observa atentamente como o usuário reage e, em questão de horas, refina o feed “Para Você” para se alinhar precisamente aos interesses momentâneos e subconscientes do usuário²¹.

Este modelo democratiza a viralidade, permitindo que contas menores alcancem visibilidade massiva²¹, mas também otimiza o ambiente para conteúdo de consumo rápido e alta carga emocional, que é excepcionalmente eficaz em capturar e manter a atenção, especialmente entre os dados demográficos mais jovens²³,²⁴. O sucesso fenomenal do TikTok é uma prova de uma arquitetura algorítmica projetada com um único propósito: maximizar o engajamento imediato e a duração da sessão²⁵.

A Tabela 1 abaixo oferece uma comparação estruturada desses dois modelos algorítmicos, destacando suas abordagens distintas para a captura da atenção.

Tabela 1: Análise Comparativa de Modelos Algorítmicos (TikTok vs. Netflix)

Característica	Modelo de IA da Netflix	Modelo de IA do TikTok
Objetivo Primário	Maximizar a retenção de assinantes a longo prazo	Maximizar o engajamento imediato do usuário e a duração da sessão
Principais Entradas de Dados	Histórico de visualização a longo prazo, avaliações, preferências de gênero, hora do dia, dispositivo, testes de arte de capa personalizados¹⁷,¹⁸	Interações de curto prazo: conclusões de vídeo, compartilhamentos, comentários, curtidas, seguidores de criadores, uso de som²¹
Lógica Algorítmica	Filtragem colaborativa e modelos baseados em conteúdo; personalização preditiva¹⁹,¹⁷	Gráfico de conteúdo viral em tempo real; prioriza o apelo do conteúdo sobre o gráfico social²²,²³
Experiência Primária do Usuário	Descoberta guiada dentro de uma biblioteca personalizada; redução da paralisia da escolha¹⁷	Fluxo contínuo e imprevisível de conteúdo novo; “rolagem infinita”²⁶
Impacto nos Negócios	Alto valor vitalício (LTV) por assinante, taxa de rotatividade reduzida¹⁷	Aquisição massiva de usuários, alto uso diário ativo, receita de publicidade baseada em impressões²¹

4.3 A Escala Quantitativa do Engajamento: Uma Análise Global do Tempo de Tela

Os mecanismos algorítmicos descritos acima não operam no vácuo; eles se manifestam em uma estatística tangível e alarmante: o tempo de tela. Dados do Digital 2024: Global Overview Report revelam a escala massiva do consumo de atenção no mundo. A média global de tempo gasto em frente a telas é de 6 horas e 43 minutos por dia²⁷.

Para contextualizar a profundidade desse engajamento, este estudo foca no Brasil, um mercado que consistentemente se classifica entre os mais altos do mundo em uso de internet. Em 2024, o Brasil ocupou o segundo lugar global em tempo de tela, com uma média diária que varia entre 9 horas e 13 minutos e 9 horas e 32 minutos²⁷,²⁹. Este número impressionante representa entre 54,7% e 57% do tempo médio que um brasileiro passa acordado²⁷,³⁰. Dentro desse total, as mídias sociais sozinhas consomem uma porção substancial, com os brasileiros passando, em média, de 3 horas e 37 minutos a 4 horas por dia nessas plataformas²⁷,³⁰.

A magnitude desses números revela um insight crucial sobre a natureza do sistema. O vasto tempo que os usuários passam engajados não é meramente um resultado dos algoritmos, mas também um insumo crítico para seu aprimoramento. Isso cria um ciclo de feedback algorítmico poderoso e auto-reforçado: o engajamento impulsionado pela IA leva a mais tempo de tela, o que gera mais dados comportamentais. Esses dados, por sua vez, são usados para treinar modelos de IA mais sofisticados, que se tornam ainda mais eficazes na captura de engajamento⁶⁸,⁷⁰. A experiência humana vivida está sendo sistematicamente convertida em dados de treinamento para aperfeiçoar os próprios sistemas que consomem essa experiência. O sistema não é estático, mas dinâmico e acelerado; quanto mais nos engajamos, mais poderosas se tornam as ferramentas de engajamento.

A Tabela 2 apresenta uma visão comparativa dos dados de tempo de tela, ilustrando a escala do fenômeno.

Tabela 2: Estatísticas de Tempo de Tela Global e no Brasil (2024)

Métrica	Média Global	África do Sul (1º)	Brasil (2º)	Japão (Mais Baixo)
Tempo Total Diário de Tela	6h 43m²⁷	9h 24m²⁷	9h 13m – 9h 32m²⁷,²⁹	3h 45m³⁰
% do Tempo Acordado	~40% (calculado)	56,8%²⁷	54,7% – 57%²⁷,³⁰	~22% (calculado)
Tempo Diário em Mídias Sociais	N/A	3h 41m²⁷	3h 37m – 4h²⁷,³⁰	N/A

5. Discussão: As Repercussões Sociais da Atenção Maximizada

A otimização algorítmica da atenção, embora imensamente lucrativa, não é um processo benigno. Ela gera profundas repercussões que se estendem da cognição individual à estabilidade do corpo político. Esta seção discute os impactos mais significativos, analisando as consequências cognitivas, sociais e éticas de um ecossistema digital projetado para a extração máxima de atenção.

5.1 Impactos Cognitivos e Psicológicos: Dependência Digital e a Atrofia do Pensamento Crítico

A arquitetura da economia da atenção impulsionada pela IA está cada vez mais associada a padrões de comportamento aditivos. Recursos como a rolagem infinita, as notificações e as recomendações personalizadas são projetados para explorar os sistemas de recompensa do cérebro, criando ciclos de compulsão baseados na liberação de dopamina⁸,³⁷,⁸⁹. Especialistas em saúde alertam que o design viciante e os algoritmos manipuladores, fortalecidos pela IA, estão agravando uma crise global de uso problemático da internet³⁷. Isso leva a um estado de dependência digital, no qual os indivíduos podem sentir dificuldade em realizar tarefas ou pensar de forma independente sem a assistência da IA³³,³⁴.

Além da dependência, há uma preocupação crescente com a erosão das habilidades cognitivas. Um estudo do MIT Media Lab, que utilizou eletroencefalogramas (EEG) para medir a atividade cerebral, descobriu que os usuários que utilizaram o ChatGPT para escrever ensaios exibiram o menor engajamento cerebral e “consistentemente tiveram um desempenho inferior nos níveis neural, linguístico e comportamental”³¹. Os ensaios produzidos com IA foram descritos como “sem alma” e carentes de pensamento original. Este fenômeno, por vezes chamado de “atrofia do músculo psíquico”³², sugere que a terceirização do esforço cognitivo para a IA pode ter efeitos prejudiciais a longo prazo nas capacidades intelectuais humanas, como o pensamento crítico, a criatividade e a resolução de problemas³⁴,³⁵,³⁶.

5.2 A Fragmentação da Esfera Pública: Polarização Algorítmica e Desinformação

No nível social, a mesma personalização que impulsiona o engajamento também fomenta a fragmentação e a polarização. Os algoritmos de recomendação criam “bolhas de filtro” ou “câmaras de eco”, onde os usuários são expostos predominantemente a conteúdo que confirma suas crenças existentes³⁸,³⁹. Ao otimizar para o que é mais provável de manter um usuário engajado, o sistema tende a reforçar vieses e a limitar a exposição a perspectivas diversas. Esse reforço constante exacerba as divisões ideológicas, diminui a tolerância a opiniões divergentes e mina a possibilidade de um diálogo democrático saudável³⁸,⁴⁰.

Essa dinâmica é particularmente perigosa em relação à desinformação. Os algoritmos, otimizados para engajamento em vez de veracidade, podem inadvertidamente amplificar informações falsas, teorias da conspiração e conteúdo extremista⁴¹,⁴². Conteúdo que é emocionalmente carregado, sensacionalista ou controverso muitas vezes gera altas taxas de interação (curtidas, compartilhamentos, comentários) e, portanto, é promovido pelo sistema, independentemente de sua precisão factual⁴³. Isso representa uma ameaça significativa à coesão social, à confiança nas instituições e ao funcionamento de uma democracia informada⁸⁹.

No centro da economia da atenção impulsionada pela IA reside um paradoxo fundamental. A hiperpersonalização é apresentada como uma ferramenta de empoderamento individual, oferecendo uma experiência perfeitamente adaptada. No entanto, seu efeito sistêmico é a erosão de uma realidade social e factual compartilhada, que é o alicerce de uma sociedade funcional. A lógica é inescapável: quanto mais personalizados se tornam nossos fluxos de informação, menos terreno comum compartilhamos. A otimização da experiência individual leva à fragmentação da experiência coletiva. O ponto final lógico da personalização total é a fragmentação social total, uma consequência sistêmica que transcende as preocupações com o tempo de tela individual ou o desacordo político.

5.3 Fronteiras Éticas e Imperativos Regulatórios: Do “Roubo de Atenção” a uma Proposta de “Ecologia do Atender”

As operações da economia da atenção levantam questões éticas profundas. O conceito de “roubo de atenção” descreve como as plataformas capturam a atenção dos usuários sem consentimento explícito ou compensação justa¹². Outras preocupações incluem a violação da privacidade através da coleta massiva de dados, o viés algorítmico que pode perpetuar a discriminação e a falta de transparência sobre como esses sistemas poderosos tomam decisões⁶⁴,⁶⁵,⁷⁸. A necessidade de uma bússola ética e moral, guiada pela governança humana, é primordial⁴⁵,⁴⁶,⁴⁷. Neste contexto, o trabalho de especialistas como Maiquel Gomes, que defendem a criação de soluções inteligentes com foco em impacto real, ressalta a responsabilidade de direcionar o desenvolvimento da IA para resultados benéficos⁴⁴.

Diante desses desafios, surgem propostas de respostas regulatórias. Uma das mais inovadoras é a de um imposto pigouviano sobre a captura da atenção⁷. Essa abordagem econômica propõe taxar os mecanismos de design que promovem o engajamento compulsivo. Ao forçar as plataformas a internalizar os custos sociais (as externalidades negativas) de seus modelos de negócios, tal política as incentivaria a redesenhar seus sistemas para o bem-estar do usuário, em vez de para a maximização do tempo de tela⁷.

Finalmente, alguns acadêmicos propõem uma mudança de paradigma mais fundamental: ir “além da economia da atenção” em direção a uma “ecologia do atender”⁵¹,⁵². Inspirada em parte pela filosofia budista, essa visão defende o projeto de tecnologias que respeitem os limites cognitivos humanos, promovam o bem-estar e sirvam para aliviar o sofrimento, em vez de meramente gratificar desejos⁵¹,⁵². Isso oferece um arcabouço normativo e prospectivo para reimaginar um ambiente digital mais humano.

6. Conclusão: Navegando o Futuro de uma Economia da Atenção para uma da Intenção

Este artigo traçou a evolução da economia da atenção desde sua concepção teórica por Herbert A. Simon até sua atual manifestação como um sistema industrializado, impulsionado pela Inteligência Artificial. A análise demonstrou como a IA, através de mecanismos de hiperpersonalização e curadoria viral, como exemplificado pela Netflix e pelo TikTok, transformou a captura da atenção em um processo científico e otimizado. A escala desse fenômeno, evidenciada pelos dados globais de tempo de tela, confirma que uma porção sem precedentes da vida humana está agora mediada por esses sistemas algorítmicos. As consequências, como discutido, são profundas, abrangendo a degradação da autonomia cognitiva, a fragmentação da esfera pública e um conjunto complexo de desafios éticos.

O horizonte, no entanto, já aponta para a próxima fase evolutiva deste paradigma. Estamos testemunhando a transição da economia da atenção para uma economia da intenção⁵³,⁵⁴. Neste novo modelo, a IA se moverá além de simplesmente capturar a atenção presente para prever e monetizar as intenções futuras. Assistentes de IA e chatbots atuarão como guardiões, antecipando as necessidades dos usuários e direcionando-os para produtos e serviços específicos antes mesmo que uma busca seja iniciada⁵³,⁵⁵. Se a economia da atenção mercantiliza o que estamos pensando agora, a economia da intenção busca mercantilizar o que faremos a seguir, representando um nível ainda mais profundo de influência algorítmica.

Este estudo possui limitações. A análise baseia-se em dados secundários e se concentra em apenas dois estudos de caso. A complexidade dos algoritmos proprietários também impõe barreiras à análise externa completa. Portanto, a pesquisa futura deve buscar várias direções. Estudos longitudinais são urgentemente necessários para medir os efeitos cognitivos a longo prazo do engajamento com a IA. Análises comparativas transculturais podem elucidar como diferentes contextos sociais mediam os impactos do tempo de tela. E, crucialmente, a pesquisa técnica deve se concentrar no desenvolvimento e na implementação de sistemas de IA “humanos”, alinhados com os princípios de uma “ecologia do atender”.

Em última análise, a trajetória da nossa sociedade digital não é predeterminada. A questão premente que enfrentamos é se continuaremos a permitir que nosso recurso cognitivo mais precioso seja extraído e otimizado para fins comerciais, ou se, como sociedade, escolheremos conscientemente projetar um futuro digital que sirva ao florescimento humano em vez de meramente capturar a atenção humana. Isso exige um diálogo robusto e contínuo entre pesquisadores, formuladores de políticas, tecnólogos e o público para moldar coletivamente as regras de engajamento nesta nova era algorítmica.

---

7. Referências

¹ Simon, H. A. Designing organizations for an information-rich world. In: M. Greenberger (Ed.), Computers, communications, and the public interest. The Johns Hopkins Press, 1971. ² Goldhaber, M. H. The attention economy and the Net. First Monday, 2(4), 1997. ³ Smartia Solutions. O papel da IA na economia da atenção. smartiasolutions.com.br. Acessado em 2025. ⁴ Futurecom Digital. Neurociência e IA: desvendando a economia da atenção. digital.futurecom.com.br, 2024. ⁵ Alves, J. S., & Bronosky, M. E. Artificial intelligence, digital media, and population health: Exposure science and social determinants of health. ResearchGate, 2025. ⁶ Bedzow, I. The ferocity of the attention economy has led to a decline in people’s ability to maintain strong relationships and engage in deep thought. Forbes, 2022. ⁷ Belgroun, H., Michel, F., & Gandon, F. No Such Thing as Free Brain Time: For a Pigouvian Tax on Attention Capture. arXiv:2509.06453, 2025. ⁸ Ribeiro, A. L. D. L. M. O preço do tempo, economia da atenção e outras reflexões sobre a Sociedade de Plataformas. Universidade Federal de Santa Maria, 2023. ⁹ Davenport, T. H., & Beck, J. C. The Attention Economy: Understanding the New Currency of Business. Harvard Business School Press, 2001. ¹⁰ Coursera Staff. What Is the Attention Economy? Coursera, 2025. ¹¹ Dictionary.com. Attention economy. Acessado em 2025. ¹² Wikipedia. Attention economy. en.wikipedia.org. Acessado em 2025. ¹³ United Nations Economist Network. Attention Economy. un.org, 2025. ¹⁴ Sampieri, R. H., Collado, C. F., & Lucio, M. P. B. Metodologia de Pesquisa. McGraw-Hill, 2013. ¹⁵ Feenberg, A. Critical Theory of Technology. Oxford University Press, 2004. ¹⁶ Grant, M. J., & Booth, A. A typology of reviews: an analysis of 14 review types and associated methodologies. Health Information & Libraries Journal, 26(2), 2009. ¹⁷ IA em Prática. Recomendado para você: Como a Netflix usa IA para personalizar experiências e engajar usuários. iaempratica.com.br. Acessado em 2025. ¹⁸ Awari. Big Data na Netflix: Análise e personalização de conteúdo. awari.com.br. Acessado em 2025. ¹⁹ McKinsey & Company. Report on Netflix recommendations. Citado em Telaviva, 2025. ²⁰ Brain Pod. Explorando o impacto do uso de IA na ética da publicidade: Exemplos e principais players como Amazon e Netflix. brainpod.ai, 2025. ²¹ Cientistas Digitais. Como o algoritmo do TikTok transforma estratégias de negócios. cientistasdigitais.com. Acessado em 2025. ²² FasterCapital. Estudo de caso do TikTok: A influência disruptiva do TikTok. fastercapital.com. Acessado em 2025. ²³ Zulli, D., & Zulli, D. J. Extending the Internet Meme: Conceptualizing Technological Mimesis and Imitation Publics on the TikTok Platform. New Media & Society, 2020. ²⁴ Kaye, D. B. V., Chen, X., & Zeng, J. The co-evolution of two Chinese mobile short video apps: Parallel platformization of Douyin and TikTok. Mobile Media & Communication, 9(2), 2021. ²⁵ Forbes. How Duolingo Won The Internet. 2023. ²⁶ Alana. Economia da Atenção. alana.org.br. Acessado em 2025. ²⁷ Electronics Hub. Analysis of Digital 2024: Global Overview Report. electronicshub.org, 2024. ²⁸ DataReportal. Digital 2024: Global Overview Report. datareportal.com, 2024. ²⁹ Cruvinel, S. S. Brasileiro passa mais tempo conectado do que descansando. sthefanocruvinel.com.br, 2024. ³⁰ Evid Juri. Brasileiro dedica mais tempo às telas do que ao sono diário. evidjuri.com.br, 2024. ³¹ Kosmyna, N., et al. Study on AI’s impact on writing and brain activity. MIT Media Lab, 2025. Citado em Time. ³² CNN Brasil. Vício em ChatGPT: entenda se uso de IAs está prejudicando a criatividade. cnnbrasil.com.br, 2025. ³³ A Crítica. Dependência crescente: estudo analisa impacto dos chatbots na educação e no trabalho. acritica.net, 2025. ³⁴ Lusiadas Saúde. A Inteligência Artificial pode afetar a nossa capacidade de pensar? lusiadas.pt. Acessado em 2025. ³⁵ UFSM PET SI. A dependência das IAs: Estamos perdendo nossa capacidade de pensar? ufsm.br, 2025. ³⁶ Moreira, M. A. Aprendizagem Significativa. Citado em CNN Brasil, 2023. ³⁷ The Lancet Psychiatry. The Lancet Psychiatry Commission on Global Action Against Problematic Usage of the Internet (PUI). The Lancet Psychiatry, 2024. ³⁸ Ribeiro, C. C., & Interian, R. Polarização e livre-arbítrio. O Globo, 2020. ³⁹ Junqueira, H. Extremismo digital: como os algoritmos alimentam a polarização política. Ipsos, 2025. ⁴⁰ Tufekci, Z. Algorithmic assigning of political labels to tweets. Proceedings of the 8th International AAAI Conference on Weblogs and Social Media, 2014. ⁴¹ Cardoso, G. A Mídia na Sociedade em Rede. Editora FGV, 2019. ⁴² Grinberg, N., et al. Fake news on Twitter during the 2016 U.S. presidential election. Science, 363(6425), 2019. ⁴³ Bar-Gill, S., & Geva, T. Interactive Viral Marketing Through Big Data Analytics, Influencer Networks, AI Integration, and Ethical Dimensions. Journal of Innovation & Knowledge, 2024. ⁴⁴ Gomes, M. AI Brazil – Artificial Intelligence. maiquelgomes.com.br. Acessado em 2025. ⁴⁵ Chomsky, N. The False Promise of ChatGPT. The New York Times, 2023. ⁴⁶ UNESCO. Recomendação sobre a Ética da Inteligência Artificial. unesdoc.unesco.org, 2021. ⁴⁷ MCTI. Estratégia Brasileira de Inteligência Artificial (EBIA). gov.br/mcti. Acessado em 2025. ⁴⁸ Van der Linden, S. A psicologia da desinformação. Nature Reviews Psychology, 2022. ⁴⁹ Lissak, G. Adverse physiological and psychological effects of screen time on children and adolescents. Environmental Research, 163, 2018. ⁵⁰ Van den Eijnden, R., et al. An Attention Economic Perspective on the Future of The Information Age. ResearchGate, 2025. ⁵¹ Van den Broek, E., et al. Beyond the attention economy, towards an ecology of attending. A manifesto. ResearchGate, 2022. ⁵² Tormen, G. Buddhist philosophy and AI. AI & Society, 2023. ⁵³ Fast Company Brasil. Depois da economia da atenção, vem aí a era da economia da intenção. fastcompanybrasil.com, 2024. ⁵⁴ The Shift. Economia da Intenção: O novo jogo da IA. theshift.info. Acessado em 2025. ⁵⁵ CMSWire. Did AI Just Take the Brand Influencer Crown? cmswire.com, 2025. ⁵⁶ Simon, H. A. The sciences of the artificial. MIT press, 1969. ⁵⁷ Crawford, M. The World Beyond Your Head: On Becoming an Individual in an Age of Distraction. Farrar, Straus and Giroux, 2015. ⁵⁸ Davenport, T. H. Competing on analytics: The new science of winning. Harvard Business Press, 2007. ⁵⁹ Simon, H. A. The shape of automation for men and management. Harper & Row, 1965. ⁶⁰ Londero, R. R. A administração científica em tempos de economia da atenção. Fronteiras-estudos midiáticos, 23(1), 2021. ⁶¹ Marx, K. O Capital, Livro I. Boitempo Editorial, 2011. ⁶² FDC. Inteligência Artificial: Implicações Econômicas. fdc.org.br. Acessado em 2025. ⁶³ Reis, P. Conferência “Fusion: A devoteam conference”. Lisboa, 2025. ⁶⁴ Al-Amri, J., & Al-Khalifa, H. Leveraging Artificial Intelligence in Social Media Analysis: Enhancing Public Communication Through Data Science. ResearchGate, 2025. ⁶⁵ Martin, K. Ethical implications of a new AI-enabled marketing prediction. Journal of Marketing Analytics, 7(2), 2019. ⁶⁶ Acemoglu, D., et al. Artificial Intelligence and Jobs: Evidence from Online Vacancies. Journal of Labor Economics, 40(S1), 2022. ⁶⁷ Deutsche Bank Research. Artificial intelligence, robotics, and their impact on the economy. d-nb.info, 2025. ⁶⁸ Gkikas, A., et al. The Impact of Machine Learning on User Engagement in Digital Marketing. Preprints.org, 2024. ⁶⁹ Saura, J. R. Using data sciences in digital marketing: Framework, methods, and performance metrics. Journal of Innovation & Knowledge, 6(2), 2021. ⁷⁰ Analytics Vidhya. Machine Learning for Marketing. analyticsvidhya.com, 2023. ⁷¹ Kanev, D., et al. User-centered design in internet finance. Proceedings of the 2020 4th International Conference on E-Business and Internet, 2020. ⁷² Verma, S., et al. Artificial intelligence (AI) applications for marketing: A literature-based study. Journal of Business Research, 144, 2022. ⁷³ Teagan, J. The Economics and Game Theory of OSINT Frontline Photography: Risk, Attention, and the Collective Dilemma. arXiv:2509.10548, 2025. ⁷⁴ Bernardi, L., et al. Modeling individual attention dynamics on online social media. arXiv:2507.01511, 2025. ⁷⁵ Agarwal, A., et al. Attentional Agency. arXiv:2405.14614, 2024. ⁷⁶ Van den Broek, E., et al. The attention economy is a business-inspired approach. arXiv:2410.17421, 2024. ⁷⁷ FGV Comunicação Rio. Estudo analisa teor de posts sobre inteligência artificial nas redes sociais. portal.fgv.br, 2024. ⁷⁸ IBM. AI Ethics. ibm.com. Acessado em 2025. ⁷⁹ Lamb, L. Ética e Governança em Inteligência Artificial. Jornal da USP, 2024. ⁸⁰ CNN Brasil. IA degenerativa: o que não te contaram sobre inteligência artificial. cnnbrasil.com.br, 2024. ⁸¹ Fisher, M. The Chaos Machine: The Inside Story of How Social Media Rewired Our Minds and Our World. Little, Brown and Company, 2022. ⁸² Williams, J. Stand Out of Our Light: Freedom and Resistance in the Attention Economy. Cambridge University Press, 2018. ⁸³ Cohen, N. S. At Work in the Digital Newsroom. Columbia University Press, 2018. ⁸⁴ Vaswani, A., et al. Attention Is All You Need. Advances in neural information processing systems, 30, 2017. ⁸⁵ MIT Technology Review. The Road to Artificial General Intelligence. technologyreview.com, 2024. ⁸⁶ National Center for Biotechnology Information. Artificial intelligence in healthcare: past, present and future. PMC, 2021. ⁸⁷ Hendricks, V. F., & Mehlsen, C. The Ministry of Truth: A Biography of George Orwell’s 1984. MIT Press, 2022. ⁸⁸ Pearson, D., et al. Attentional economics links value-modulated attentional capture and decision-making. Nature Reviews Psychology, 1(6), 2022. ⁸⁹ González de la Torre, P., et al. Attention is all they need: Cognitive science and the (techno)political economy of attention in humans and machines. arXiv:2405.06478, 2024. ⁹⁰ Gomes, M. Uma Revisão Sistemática do Impacto Transformador e dos Desafios de Implementação da Inteligência Artificial na Medicina Moderna. maiquelgomes.com.br, 2025.