©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

No board

Quando a IA reescreve a sua identidade: por que a reputação virou questão de governança

Um estudo com instituições reais e os quatro maiores modelos de inteligência artificial revelou centenas de afirmações falsas — de uma faculdade “não recomendada” a uma empresa cujo cadastro fiscal foi reduzido a dois dígitos. Todos apontam para um dever corporativo ainda pouco assumido: observar, medir e corrigir o que os sistemas afirmam

José Enrique Vásquez Valenzuela

30 de julho de 2026

7 min de leitura

Um jovem decide onde estudar direito. Em vez de abrir um buscador, pergunta a um assistente de inteligência artificial: “você recomendaria essa faculdade?” A resposta vem redigida com segurança: “Não, eu não a recomendaria como primeira opção” — e o modelo ainda sugere concorrentes. A instituição nunca soube da conversa: sem reclamação, sem matéria, sem menção em rede social. Apenas uma recomendação negativa, entregue em privado, a um candidato que talvez nunca mais volte.

A cena não é hipótese. Integra um estudo real de 33 dias com quatro instituições brasileiras — de educação e saúde — e os quatro maiores modelos de linguagem em uso no mundo. O caso da faculdade “não recomendada” foi registrado; no mesmo período, concorrentes foram sugeridos em seu lugar 54 vezes.

Uma reputação que você não escreve

Por décadas, a reputação foi disputada em territórios visíveis — imprensa, buscadores, redes sociais —, onde era possível monitorar e, dentro de limites, influenciar. Os modelos de linguagem, como primeira interface de informação, mudaram o jogo. Hoje, milhões de pessoas deixam de digitar uma busca e perguntam diretamente a uma IA. A resposta chega pronta, em tom seguro, sem links para conferência e sem um responsável identificável. Para quem pergunta, é a palavra final. Para quem é descrito, é uma reputação redigida por um sistema que a organização não controla — e que, muitas vezes, sequer sabe existir.

O problema tem nome técnico: alucinação. Modelos de linguagem não “sabem” fatos; calculam a sequência de palavras mais provável. Por isso afirmam, com a mesma fluência, o que é verdadeiro e o que é inventado. Quando o erro recai sobre uma marca, torna-se um passivo peculiar: afirmado com autoridade, repetido em escala e invisível ao monitoramento tradicional. Nenhum clipping captura o que um modelo respondeu, em privado, a um usuário.

Quando o erro é perigoso

No estudo, o volume surpreendeu: somadas as quatro instituições, foram mais de 900 alucinações em pouco mais de um mês — 240 em uma única universidade, 211 em um instituto de saúde. A maioria é ruído inofensivo, mas uma parcela é de alta gravidade — e, em certos setores, “gravidade” não é figura de linguagem. Um instituto público de referência em infectologia, na capital paulista, foi descrito por um modelo como localizado em outra cidade, a milhares de quilômetros. Modelos ainda atribuíram a ele médicos que não existem, um endereço eletrônico falso e serviços que não oferece. Para uma empresa, isso é constrangedor. Para um serviço de saúde, pode ser perigoso: orienta mal quem procura atendimento.

Um caso provou que dá para corrigir

Se o diagnóstico assusta, um segundo caso mostra o outro lado — o de que esses erros podem ser governados. Uma empresa brasileira de tecnologia descobriu, por observação sistemática, que um dos maiores modelos do mundo divulgava seu número de inscrição fiscal truncado: os quatorze dígitos do cadastro reduzidos a apenas dois, com a razão social também alterada. Não é detalhe estético. Um cadastro fiscal é a espinha dorsal de contratos, notas, diligência prévia e verificação de idoneidade — o “quem é quem” da economia formal. Uma IA que afirma, com confiança, um número fiscal falso para uma empresa real cria risco sistêmico para bancos, parceiros e compliance.

A reação não foi uma campanha. A empresa registrou uma solicitação formal e rastreável de correção pelo canal oficial de confiança e segurança do fornecedor do modelo. Em resposta institucional, o fornecedor reconheceu por escrito que seu sistema havia fornecido um número fiscal incompleto. E o desfecho é o que importa: nas semanas seguintes, os principais modelos do mercado — não só o que originou o erro — voltaram a apresentar o número completo e a razão social correta. Observar, contestar, corrigir: o ciclo se fechou, com resultado verificável e admissão documentada de quem construiu a tecnologia.

De marketing à governança observacional

Os dois casos ensinam a mesma lição por caminhos opostos. O reflexo tradicional — produzir mensagem, distribuir, medir alcance — não funciona aqui. Não existe assessoria de imprensa para um modelo de linguagem; não se “compra” a própria descrição em um assistente, nem se emite uma nota que a IA vá ler. Quando um modelo recomenda o concorrente, ou inventa o seu cadastro, nenhuma propaganda reverte a conversa que já aconteceu. O problema deixou de ser de comunicação e passou a ser de governança.

Governar o que não se controla exige outra disciplina: a observação sistemática. Em vez de emitir e torcer, trata-se de observar continuamente o que as IAs afirmam sobre a organização, medir a distância entre essas afirmações e a realidade, corrigir na fonte e, quando preciso, contestar formalmente. É a lógica de uma infraestrutura de governança observacional — um ciclo de detectar, corrigir e contestar. Seu maior mérito, para o executivo, é transformar algo aparentemente subjetivo — “o que a IA acha de nós” — em indicadores auditáveis: com que frequência a marca é reconhecida, quão consistentes são as descrições entre modelos e ao longo do tempo, e qual a gravidade dos erros. No estudo, uma instituição era reconhecida em 100% das consultas, mas com baixa consistência: as IAs falavam muito e concordavam pouco. Visibilidade sem consistência é risco, não conquista. E como mais da metade das alucinações de uma instituição vinha de um único modelo, a medição permite priorizar.

Uma pauta de conselho

A conclusão é desconfortável e inevitável. À medida que os assistentes de IA se tornam a primeira — e às vezes única — fonte de informação sobre empresas, o que eles afirmam integra o risco reputacional da organização, ao lado de jurídico, compliance e comunicação. É informação que afeta decisões de stakeholders, que pode induzir a erro e que, em setores regulados, tangencia a conformidade.

A pergunta certa deixou de ser “como aparecemos na busca?” e passou a ser “quem, na nossa governança, responde pelo que a IA diz de nós?”. Reputação na era da inteligência artificial não se conquista por campanha, e sim por disciplina: observar, medir, corrigir na fonte e contestar quando preciso. Como mostrou o caso do cadastro reduzido a dois dígitos, o erro de uma IA pode ser corrigido — mas só quando alguém está observando e agindo. As organizações que tratarem sua presença na IA como algo observável e governável, e não como sorte, preservarão a confiança quando a próxima resposta for gerada. Porque ela será gerada, com ou sem a sua participação.