💻 ciência da computação

The Promptification of the Search Bar: Evidence of a Behavioral Spillover from Generative AI

Este estudo fornece evidências de que a adoção generalizada da IA generativa causou uma mudança duradoura, em escala populacional, na sintaxe das consultas de busca na web em direção a formas mais conversacionais — um fenômeno denominado "promptificação" — que surgiu antes e independentemente da integração de recursos generativos pelas plataformas de busca, indicando um transbordamento comportamental onde os usuários estão revertendo para a linguagem natural devido à sua familiaridade com os LLMs.

Autores originais: Driss Masaoudi, Ravi Prakash Ranjan, Hugo Trad

Publicado 2026-11-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Driss Masaoudi, Ravi Prakash Ranjan, Hugo Trad

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Durante décadas, a maneira como as pessoas faziam perguntas à internet foi definida por um acordo estranho e silencioso. Quando um ser humano precisava de informações, ele aprendia a falar em uma linguagem abreviada, robótica e comprimida. Em vez de perguntar uma frase completa como "Quais são as melhores trilhas de caminhada perto de mim?", digitavam "trilhas de caminhada perto de mim". Esse hábito não era natural; era uma habilidade de sobrevivência desenvolvida para trabalhar com os primeiros mecanismos de busca, que só consegravam entender fragmentos de palavras. Com o tempo, esse estilo de palavras-chave tornou-se tão enraizado que parecia ser a única maneira de pesquisar, embora exigisse que as pessoas removessem sua curiosidade e intenção naturais. Então, um novo tipo de inteligência de máquina chegou, um que recompensava as pessoas por falarem em frases completas e complexas. Essa mudança na forma como falamos com os computadores transbordou agora, alterando a maneira como usamos as antigas caixas de pesquisa de formas que ninguém esperava.

Uma equipe de pesquisadores da Africa Business School, no Marrocos, propôs-se a medir essa mudança. Eles queriam saber se os hábitos conversacionais que as pessoas aprenderam ao falar com a inteligência artificial haviam alterado permanentemente a forma como digitavam na barra de pesquisa padrão do Google. Para encontrar a resposta, eles não confiaram em pesquisas ou experimentos pequenos. Em vez disso, analisaram um conjunto massivo de dados de mais de 196.000 observações semanais de pesquisa nos Estados Unidos, cobrindo o período de 2021 a 2025. Eles buscaram tipos específicos de frases, rastreando a frequência com que as pessoas usavam palavras-chave simples versus solicitações conversacionais mais longas que pareciam estar falando com uma pessoa. O objetivo era ver se o surgimento da IA generativa, a tecnologia por trás de ferramentas como o ChatGPT, causou uma ruptura estrutural no comportamento humano, forçando a barra de pesquisa legada a se adaptar a uma nova forma de falar.

Os pesquisadores encontraram uma mudança clara e dramática. Após um ponto de virada específico em junho de 2023, quando o uso da IA generativa começou a se espalhar rapidamente pela população, a maneira como as pessoas digitavam nas barras de pesquisa mudou fundamentalmente. A frequência de solicitações conversacionais — frases que incluem palavras como "ajude-me", "explique" ou "você pode" — saltou quase 59 por cento. Esta não foi uma deriva gradual; foi uma mudança nítida e permanente na estrutura das consultas de pesquisa. Ao mesmo tempo, o antigo estilo de pesquisas curtas, apenas de palavras-chave, viu um leve declínio. Os dados mostraram que essa nova forma de pesquisar não aconteceu porque a empresa de mecanismos de busca mudou seu software primeiro. Na verdade, a mudança no comportamento humano começou cerca de onze meses antes de a própria empresa de mecanismos de busca introduzir seus próprios recursos de IA generativa na barra de pesquisa.

Este cronograma é crucial porque descarta a ideia de que o mecanismo de busca forçou as pessoas a mudar sua linguagem. Se a plataforma tivesse impulsionado a mudança, ela teria ocorrido apenas após o lançamento dos novos recursos. Em vez disso, os dados mostram que os usuários já estavam adotando esse estilo conversacional enquanto a barra de pesquisa permanecia inalterada. Os pesquisadores observaram que as pessoas estavam trazendo os hábitos aprendidos com ferramentas de IA externas de volta para a caixa de pesquisa tradicional. Elas não estavam mais tratando o mecanismo de busca como um simples índice de documentos, mas como um agente responsivo capaz de compreender linguagem natural complexa. Esse transbordamento comportamental sugere que, uma vez que as pessoas experimentam a facilidade de falar com uma máquina em frases completas, elas não retornam facilmente ao estilo comprimido e de apenas palavras-chave do passado.

O estudo também revelou que essa mudança não foi uniforme em todos os tópicos. A mudança para a linguagem conversacional foi mais forte em áreas onde as necessidades de informação eram complexas e exigiam pensamento profundo, como compras ou esportes, onde as pessoas frequentemente precisam de síntese e comparação, em vez de apenas um fato isolado. Nesses domínios, as novas frases de pesquisa, mais longas, tornaram-se o padrão muito mais rápido. Os pesquisadores confirmaram que este era um fenômeno genuíno e de toda a população ao verificar dados de todo o mundo, que mostraram o mesmo padrão. Eles também usaram métodos estatísticos para provar que o aumento no uso da IA estava levando a mudança no comportamento de pesquisa, e não o contrário. Os dados indicam que, à medida que mais pessoas usavam a IA generativa, a barra de pesquisa naturalmente evoluía para acomodar sua nova e mais natural maneira de fazer perguntas.

Em última análise, a pesquisa documenta um momento em que o comportamento humano superou a tecnologia projetada para servi-lo. A barra de pesquisa, que havia sido moldada pelas restrições da indexação de palavras-chave durante décadas, está agora se adaptando a um comportamento que ela não criou. As pessoas foram libertadas do antigo requisito de falar em fragmentos, retornando ao registro conversacional natural que sempre foi o seu padrão. O mecanismo de busca está simplesmente alcançando uma nova realidade onde a linha entre falar com um computador e falar com uma pessoa tornou-se cada vez mais tênue. Este estudo confirma que a influência da inteligência artificial se estende muito além das janelas de chat onde foi introduzida pela primeira vez, remodelando a mecânica fundamental de como buscamos informações no mundo digital.

Resumo Técnico: A Promptificação da Barra de Pesquisa

Declaração do Problema

O artigo aborda uma lacuna crítica na compreensão de como a adoção em massa de Modelos de Linguagem de Grande Escala (LLMs) alterou o comportamento do usuário em interfaces de busca legadas. Embora evidências experimentais confirmem que os LLMs melhoram a produtividade e mudam as estratégias de recuperação de informação, permanece desconhecido se esses comportamentos conversacionais transbordaram para os mecanismos de busca tradicionais baseados em palavras-chave. Historicamente, os usuários de busca na web foram condicionados a comprimir necessidades informacionais complexas em consultas de palavras-chave fragmentadas e telegráficas (frequentemente com menos de três palavras) para acomodar sistemas de recuperação baseados em índices. Este estudo investiga se a normalização da entrada de linguagem natural via LLMs deslocou estruturalmente o registro sintático das consultas de busca na web legada em direção à "delegação conversacional", um fenômeno que os autores denominam "a promptificação da barra de pesquisa".

O desafio central é distinguir entre mudanças comportamentais impulsionadas pelo usuário e mudanças de interface impulsionadas pela plataforma. Como o Google Search é ubíquo e não é randomizado, um design contrafactual causal estrito é impossível. O estudo deve, portanto, determinar se a mudança na sintaxe da consulta foi impulsionada por usuários importando hábitos de LLMs externos ou pela própria plataforma de busca implantando recursos generativos (ex: Google AI Overviews).

Metodologia

Corpus de Dados

O estudo utiliza um conjunto de dados de painel de 196.500 observações semanais do Google Trends (Estados Unidos) abrangendo de janeiro de 2021 a dezembro de 2025.

Variáveis Dependentes: 30 marcadores de intenção em língua inglesa extraídos através de 25 categorias semânticas (24 domínios substantivos + 1 agregado).
Variável Independente: Um índice padronizado "ChatGPT (Tópico)" servindo como um proxy para a adoção de LLM ao nível populacional.
Operacionalização: Os autores tratam a sintaxe da consulta como um sinal comportamental direto, em vez de um proxy para fenômenos externos. A extração de dados foi realizada no mesmo dia para todos os marcadores para neutralizar a variabilidade de amostragem da plataforma.

Classificação Sintática

Os autores operacionalizam a "promptificação" usando uma escala sintática de cinco registros (L1–L5) agrupados em três classes de intenção:

Classe I (Recuperação Factual): Consultas telegráficas, de substantivo único ou frase nominal (ex: "melhor", "comprar", "perto de mim"). Representa a linha de base de palavras-chave legada.
Classe II (Informacional Direcionada): Interrogativos e comparativos estruturados (ex: "como fazer", "diferença entre").
Classe III (Delegação Conversacional): Registros avançados envolvendo offloading cognitivo, sinalização de intenção pessoal e interlocução de agente completa (ex: "explique", "ajude-me com", "você pode").

Estratégia Econométrica

A estratégia de identificação baseia-se em ferramentas econométricas de painel observacional em vez de experimentos randomizados:

Efeitos Fixos de Duas Vias (TWFE): Estima as respostas comportamentais diferenciais das classes de intenção à adoção de LLM, controlando choques específicos de domínio e de tempo.
Detecção de Quebra Estrutural: Utiliza o algoritmo de Bai-Perron para identificar pontos de inflexão. O estudo ancora o tratamento em 25 de junho de 2023, após a detecção de uma quebra estrutural nos proxies de adoção de LLM, distinta de um artefato conhecido de dados do Google Trends em janeiro de 2022.
Design de Precedência de Três Épocas: A linha do tempo é particionada em três épocas para testar a direcionalidade:
- P1 (Pré-LLM): Antes de junho de 2023.
- P2 (Intermediária): Junho de 2023 – maio de 2024 (LLMs existem externamente; o Google ainda não implantou AI Overviews).
- P3 (Pós-Implantação): Após maio de 2024 (Google implanta AI Overviews).
- Lógica: Se a mudança for liderada pelo usuário, ela deve aparecer em P2. Se for liderada pela plataforma, ela deve aparecer em P3.
Cointegração e Correção de Erro: Testa o equilíbrio de longo prazo e a precedência temporal usando modelos de cointegração de Phillips–Ouliaris e de correção de erro de Engle–Granger para estabelecer que a difusão de LLM precede as mudanças na sintaxe da consulta.

Principais Resultados

1. Mudança Estrutural em Nível Macro

Após a quebra estrutural de junho de 2023, a frequência da Classe III (Delegação Conversacional) aumentou em 58,7%. Isso representa uma mudança distributiva (Kolmogorov-Smirnov D = 0,657) distinta das tendências pré-LLM. Por outro sentido, a Classe I (Recuperação Factual) mostrou uma leve compressão (-3,2%), enquanto a Classe II mostrou um aumento intermediário (+15,3%). Pós-quebra, a correlação entre a sintaxe conversacional e a adoção de LLM subiu de negligível (-0,04) para um movimento conjunto estreito (0,951).

2. Precedência Temporal: Usuários Lideraram, Plataforma Seguiu

A decomposição de três épocas fornece forte evidência de uma mudança liderada pelo usuário:

A Mudança Precedeu a Implantação da Plataforma: O salto de nível na delegação conversacional foi grande e significativo ( $\lambda_1 = 1,276$ ) durante a janela intermediária (P2), antes do Google implantar o AI Overviews. Isso confirma que a mudança comportamental já estava em vigor enquanto uma interface conversacional existia apenas externamente ao Google.
A Implantação da Plataforma Não Adicionou Mudança Detectável: O salto subsequente em P3 ( $\lambda_2$ ) representou uma continuação da tendência, não um ponto de origem. Crucialmente, a responsividade das consultas conversacionais à adoção de LLM não aumentou após o deploy do Google; de fato, a resposta marginal foi estatisticamente indistinguível antes e depois, e o coeficiente de teto do painel foi significativamente negativo, contradizendo uma hipótese de amplificação impulsionada pela plataforma.
Direcionalidade: Modelos de correção de erro confirmam que a adoção de LLM é fracamente exógena e que a frequência da consulta conversacional se ajusta a ela, estabelecendo uma precedência unidirecional da difusão para a sintaxe.

3. Elasticidade Diferencial e Perfis de Domínio

Gradiente Monotônico: A elasticidade da sintaxe de consulta em relação à adoção de LLM é estritamente ordenada pela complexidade sintática. A Classe III exibe a maior elasticidade ( $\beta_3 = 1,326$ ), seguida pela Classe II ( $\beta_2 = 0,490$ ), com a Classe I como a linha de base.
Heterogeneidade de Domínio: A magnitude da mudança varia por domínio, mas é ordenada pela complexidade cognitiva da necessidade informacional, e não pelo volume de busca. Domínios com necessidades de síntese pesada e abertas (ex: Compras, Esportes) mostraram mudanças "Dominantes", enquanto campos especialistas (ex: Ciência) mostraram mudanças "Incipientes", mas ainda significativas.

4. Emergência Sintática Progressiva (Cascata de Imbricação)

Uma análise de cascata de imbricação de formas de alta imbricação (ex: "você pode por favor me ajudar a escrever") revela um processo de adoção em dois estágios. Essas formas complexas estavam completamente ausentes na linha de base pré-LLM (P1) e nenhuma nova forma alcançou detectabilidade em nível populacional durante a janela de 11 meses de P2. Em vez disso, a mudança estrutural para essas formas específicas de alta imbricação manifestou-se exclusivamente em P3 através de dois mecanismos simultâneos: a intensificação de formas conversacionais pré-existentes e a emergência de 10 novas formas avançadas anteriormente ausentes. Essa emergência seguiu um atraso estratificado de imbricação de 13 a 24 meses a partir da quebra inicial de adoção de LLM em junho de 2023. Isso indica que, embora a mudança geral para a delegação conversacional tenha começado imediatamente em P2 (liderada pelo usuário), a padronização das formas sintáticas mais complexas e aninhadas exigiu um período de difusão mais longo, cruzando o limiar de detecção populacional apenas na janela pós-implantação (P3).

Significância e Alegações

O artigo alega fornecer a primeira evidência em escala populacional de um transbordamento comportamental da IA generativa para interfaces de busca legadas. Suas principais contribuições são:

Documentação da "Promptificação": Estabelece que os usuários estão abandonando a sintaxe de palavra-chave comprimida da "era da palavra-chave" em favor de registros naturais e conversacionais em barras de busca legadas, uma mudança impulsionada pela exposição a LLMs e não por mudanças na interface da plataforma.
Identificação da Agência do Usuário: Ao demonstrar que a mudança comportamental ocorreu aproximadamente 11 meses antes do Google implantar sua própria camada generativa (AI Overviews), o estudo refuta a hipótese de que as plataformas impulsionam essas mudanças. Em vez disso, sugere que os usuários estão sendo "libertados pela exposição a máquinas conversacionais" e estão retornando a um registro natural que as restrições de palavras-chave haviam anteriormente suprimido.
Adaptação de Interfaces Legadas: Os achados sugerem que a interface de busca legada está se adaptando a um comportamento que ela não criou. A implantação de recursos generativos pela plataforma não alterou o regime de resposta, implicando que a mudança já estava estruturalmente incorporada no comportamento do usuário.
Rigor Metodológico: O estudo oferece um robusto framework econométrico para analisar mudanças comportamentais em plataformas ubíquas onde experimentos randomizados são inviáveis, utilizando quebras estruturais, cointegração e decomposição de épocas para isolar a direcionalidade causal.

Os autores concluem que a "promptificação da barra de pesquisa" é uma mudança estrutural e duradoura na comunicação humano-máquina, onde a interface legada agora processa consultas formuladas com os hábitos de delegação cognitiva aprendidos com a IA generativa.