Information Design With Large Language Models

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um vendedor tentando convencer alguém a comprar um casaco novo. Você tem duas ferramentas principais para influenciar a decisão desse cliente:

O Sinal (A Oferta): Você decide dar um desconto ou não. Se o casaco é de alta qualidade, você pode dar um desconto pequeno. Se é básico, um desconto grande. O cliente vê o desconto e atualiza o que ele pensa sobre a qualidade do produto. Isso é a parte "clássica" e matemática da persuasão.
A Moldura (O Fraseado): Você decide como descrever o casaco. Você pode dizer: "Este casaco é perfeito para quem ama a natureza e quer durabilidade" (foco em aventura) ou "Este casaco é o acessório mais elegante para o seu dia a dia na cidade" (foco em estilo). Mesmo que o casaco seja o mesmo, essa descrição muda a percepção inicial do cliente antes mesmo de ele ver o preço.

Este artigo de pesquisa explora como combinar essas duas ferramentas usando a inteligência artificial moderna (os Grandes Modelos de Linguagem, ou LLMs, como o GPT e o Claude) para criar campanhas de marketing muito mais eficazes.

Aqui está uma explicação simples do que os autores descobriram:

1. O Problema: A Mente Humana é Complexa

Na economia tradicional, acreditava-se que as pessoas são máquinas lógicas. Se você mostrasse os dados corretos (o sinal), elas tomariam a decisão perfeita. Mas a psicologia nos diz que não é bem assim. A forma como você fala sobre as coisas (a "moldura") muda o que as pessoas sentem e pensam.

O desafio é que existem bilhões de maneiras diferentes de escrever uma frase (moldura). Testar todas elas manualmente é impossível. É como tentar encontrar a agulha no palheiro, mas o palheiro é feito de todas as frases possíveis em todos os idiomas.

2. A Solução: Usando I.A. como "Simuladores de Pessoas"

Os autores propõem usar I.A. para resolver esse problema de duas formas:

O Simulador: Em vez de fazer pesquisas de opinião caras e lentas com milhares de pessoas, eles usam I.A. para prever como um grupo específico de pessoas reagiria a uma frase. A I.A. age como um "avatar" do consumidor, dizendo: "Se eu ler essa frase, vou achar que o produto é chique e durável".
O Otimizador: A I.A. tenta escrever novas frases, vê a reação do "avatar", calcula o lucro e tenta melhorar a frase novamente, repetidamente, como um jogo de "quente e frio".

3. A Grande Descoberta: Juntar as Peças é a Chave

A parte mais interessante do artigo é a descoberta sobre como otimizar isso. Eles compararam duas estratégias:

Estratégia A (Apenas Moldura): Você tem uma estratégia de desconto fixa (o sinal) e tenta apenas mudar a frase para vender mais.
- O Resultado: É um pesadelo matemático. Pequenos erros na frase podem fazer o cliente mudar completamente de ideia de um jeito imprevisível. É como tentar equilibrar uma bola de gude no topo de uma montanha; qualquer vento (erro) a faz cair. É muito difícil de calcular a melhor frase.
Estratégia B (Moldura + Sinal Juntos): Você muda a frase e ajusta a estratégia de desconto ao mesmo tempo.
- O Resultado: É muito mais fácil e estável. Quando você tem a liberdade de ajustar o desconto junto com a frase, o sistema se torna "resiliente". Se a frase não for perfeita, você pode ajustar o desconto para compensar. É como se você tivesse um paraquedas: se a frase falhar, o desconto salva a venda.

A Analogia do Chef:
Pense em um chef tentando vender um prato.

Na Estratégia A, ele está preso a um prato fixo (o sinal) e só pode mudar o nome do prato na carta (a moldura). Se o nome não for atraente, o prato não vende, e ele não pode mudar nada mais. É arriscado.
Na Estratégia B, ele pode mudar o nome e ajustar os ingredientes ou o preço. Se o nome "Sopa de Pedra" não vender, ele muda para "Caldo Rústico" e ajusta o preço. O resultado final é muito mais provável de ser um sucesso.

4. O Experimento: Do Teórico à Prática

Os autores testaram isso em um cenário de moda. Eles criaram uma marca fictícia de roupas de montanha e pediram para a I.A. criar slogans e descrições para atrair um público jovem e fashion (que não é o público original da marca).

A I.A. começou com o slogan original da marca (focado em aventura pura).
A I.A. iterou (tentou, errou, corrigiu) e criou novos slogans focados em "estilo urbano" e "versatilidade".
Resultado: A I.A. conseguiu criar frases que mudaram a percepção do cliente, fazendo-o acreditar que a roupa de montanha era perfeita para a cidade. Combinado com a estratégia de preço certa, isso aumentou o lucro potencial.

Conclusão Simples

Este trabalho mostra que, no mundo moderno, o que você diz é tão importante quanto o que você oferece.

A grande lição é: não tente apenas "melhorar o texto" de uma campanha fixa. Em vez disso, use a inteligência artificial para redesenhar toda a estratégia (o texto + a oferta) ao mesmo tempo. Isso torna o processo mais robusto, menos propenso a erros e muito mais eficaz para convencer as pessoas a fazerem o que você quer. É a união da arte da linguagem com a ciência dos dados.

Each language version is independently generated for its own context, not a direct translation.

Título: Information Design with Large Language Models

Autores: Paul Dütting, Safwan Hossain, Tao Lin, Renato Paes Leme, Sai Srivatsa Ravindranath, Haifeng Xu, Song Zuo.
Instituições: Google Research, Harvard University, University of Chicago.

1. O Problema

O Design de Informação (ou Persuasão Bayesiana) tradicional estuda como um emissor (sender) pode estruturar e revelar informações para influenciar as crenças e decisões de um receptor (receiver), assumindo que o receptor atualiza suas crenças de forma puramente bayesiana baseada na correlação entre o estado do mundo e o sinal recebido.

No entanto, a economia comportamental e a psicologia demonstram que a tomada de decisão humana é frequentemente influenciada pelo enquadramento (framing) — como a informação é apresentada linguisticamente ou contextualmente — e não apenas pelos dados brutos. O problema central deste trabalho é:

Como formalizar e otimizar o enquadramento (mensagens independentes do estado, como slogans ou descrições) que alteram as crenças a priori do receptor de forma não-bayesiana?
Como integrar essa otimização de enquadramento com a otimização tradicional de sinais (estratégias de recomendação dependentes do estado)?
Como lidar com a vastidão do espaço de linguagem natural e a dificuldade de prever o efeito do enquadramento em receptores humanos?

O artigo propõe usar Modelos de Linguagem de Grande Escala (LLMs) como proxies para simular o comportamento humano e o mapeamento de enquadramento para crenças, permitindo a otimização sistemática desse problema.

2. Metodologia e Modelo Teórico

Modelo Formal

O trabalho estende o modelo clássico de Persuasão Bayesiana:

Estado ( $\omega$ ): Desenhado de uma distribuição $\mu_0$ . O emissor observa $\omega$ , o receptor não.
Enquadramento ( $c$ ): Uma mensagem independente do estado (ex: um slogan) escolhida pelo emissor antes de observar o estado. O enquadramento induz uma crença a priori subjetiva $\mu_c$ no receptor através de um mapeamento $\ell: c \to \mu_c$ . Este mapeamento é determinado por normas sociais ou psicológicas, não pelo emissor.
Sinal ( $s$ ): Após observar o estado, o emissor envia um sinal $s$ (dependente do estado) que refina a crença $\mu_c$ para uma crença a posteriori via regra de Bayes.
Ação: O receptor escolhe uma ação $a$ para maximizar sua utilidade esperada baseada na crença a posteriori.

O emissor busca maximizar sua utilidade esperada escolhendo um par $(c, \pi)$ , onde $\pi$ é o esquema de sinalização.

Abordagem com LLMs

O artigo utiliza LLMs de duas formas principais:

Simulação de Mapeamento: O LLM atua como um proxy para estimar como um enquadramento específico $c$ altera a distribuição de probabilidade (crença) de um receptor humano sobre os estados do mundo.
Otimização Iterativa: Um processo de "gradiente textual" ou otimização de prompts, onde o LLM gera candidatos de enquadramento, recebe feedback (utilidade calculada analiticamente + pontuação de coerência) e refina iterativamente o texto para melhorar a utilidade do emissor.

3. Principais Contribuições Teóricas

Os autores analisam a complexidade computacional de três cenários:

A. Otimização Apenas de Enquadramento (Framing-Only)

Cenário: O esquema de sinalização $\pi$ é fixo; o emissor só otimiza $c$ .
Resultado de Dificuldade: O problema é NP-difícil.
Razão: A utilidade esperada do emissor é uma função descontínua da crença induzida pelo enquadramento. Pequenas variações na crença podem levar a mudanças drásticas na ação do receptor e, consequentemente, na utilidade. Isso torna o problema sensível a erros de aproximação e computacionalmente intratável, mesmo com um mapeamento perfeito.

B. Otimização Conjunta de Enquadramento e Sinalização (Joint Optimization)

Cenário: O emissor otimiza simultaneamente $c$ e $\pi$ .
Resultado de Tratabilidade: O problema é mais tratável.
Propriedade Chave: A utilidade ótima do emissor, quando o esquema de sinalização $\pi$ é otimizado em resposta à crença $\mu_c$ , torna-se uma função contínua (localmente Lipschitz) da crença induzida.
Implicação: A continuidade torna o problema robusto a erros de simulação do LLM. Pequenos erros na estimativa da crença resultam apenas em pequenas perdas de utilidade.
Algoritmos:
- Para espaço de crenças não restrito, existe um esquema de aproximação em tempo polinomial.
- Para espaços de crenças convexos restritos, existe um Esquema de Aproximação em Tempo Quase-Polinomial (QPTAS).

C. Conclusão Teórica

A otimização conjunta é preferível à otimização apenas de enquadramento. A liberdade de ajustar o sinalização (sinal) compensa a complexidade do enquadramento, suavizando a função de utilidade e permitindo algoritmos eficientes.

4. Resultados Empíricos

O estudo empírico foca no problema de otimização conjunta usando um caso de estudo de publicidade.

Cenário: Uma marca de roupas fictícia ("Himalaya") lança uma nova linha de casacos.
- Estados: Combinações de "Chique vs. Funcional" e "Durável vs. Não Durável".
- Ações do Consumidor: Comprar com desconto, comprar preço cheio, não comprar.
- Enquadramento: Slogan e descrição da linha (gerados pelo LLM).
- Sinalização: Estratégias de desconto baseadas na qualidade real do produto.
Metodologia Experimental:
1. Uso de GPT-5.2 e Claude Sonnet 4 para estimar as crenças induzidas por slogans.
2. Validação das crenças do LLM contra dados de humanos (coletados via Prolific usando comparações pareadas e modelo Bradley-Terry).
3. Loop de Otimização: O LLM gera um slogan -> O LLM estima a crença -> Um solver analítico calcula o esquema de sinalização ótimo e a utilidade -> O feedback (utilidade + pontuação de veracidade) é enviado ao LLM para gerar um slogan melhor.
Achados:
- Alinhamento LLM-Humano: As crenças estimadas pelo GPT-5.2 foram muito próximas das crenças agregadas dos humanos, especialmente na ordenação dos estados.
- Eficácia da Otimização: O framework conseguiu gerar slogans e estratégias de sinalização que superaram o slogan inicial (baseado na marca real Patagonia) para o público-alvo específico (consumidores de moda casual).
- Robustez: A abordagem demonstrou ser capaz de navegar no espaço de linguagem natural para encontrar enquadramentos que maximizam a utilidade, validando a premissa de que a otimização conjunta é viável na prática.

5. Significado e Impacto

Ponte entre Teoria e Prática: O trabalho conecta a teoria econômica formal (Persuasão Bayesiana) com a realidade da comunicação humana (efeitos de enquadramento) e a tecnologia moderna (LLMs).
Viabilidade Computacional: Demonstra que, embora otimizar apenas a linguagem seja matematicamente difícil e instável, otimizar a linguagem junto com a estratégia de dados (sinais) é computacionalmente viável e robusto.
LLMs como Agentes Econômicos: Reforça o papel dos LLMs como proxies eficazes para simular comportamentos humanos e crenças em cenários de design de informação, reduzindo a necessidade de testes de campo caros e demorados.
Aplicações Futuras: Abre caminho para sistemas automatizados de marketing, políticas públicas e comunicação estratégica que adaptam dinamicamente tanto a mensagem (texto) quanto a oferta (dados/descontos) para maximizar resultados, considerando a psicologia do receptor.

Em resumo, o artigo estabelece que a combinação de otimização conjunta (texto + sinal) com simulação via LLM oferece um caminho prático e teoricamente fundamentado para superar as limitações dos modelos clássicos de persuasão e explorar o poder do enquadramento linguístico.