Eu não comecei tentando criar uma arquitetura de psicologia comportamental.
Comecei tentando resolver um problema técnico, pragmático e bastante concreto: como hiper-personalizar uma interação com IA usando o mínimo possível de dados, tokens e contexto.
Em sistemas de IA, existe uma tendência quase automática de jogar mais dados no problema. Mais histórico. Mais memória. Mais embeddings. Mais contexto. Mais inferência. Mais custo. Só que, para mim, isso sempre pareceu um desperdício arquitetural. Se a decisão humana deixa rastros, talvez o ponto não seja armazenar tudo. Talvez o ponto seja descobrir quais sinais realmente importam.
Foi aí que percebi que o valor não estava apenas no que a pessoa dizia. Estava no movimento entre uma fala e outra.
O sentimento isolado era pouco. Dizer que uma mensagem é “positiva”, “negativa” ou “neutra” parecia uma fotografia congelada de algo que, na prática, é dinâmico. A decisão humana não acontece como um ponto fixo. Ela acontece como deslocamento: curiosidade, dúvida, comparação, resistência, aceitação, abandono, confiança.
A pergunta deixou de ser: “qual é o sentimento do usuário agora?”
E passou a ser: “qual foi a transição cognitiva que trouxe o usuário até aqui?”
Sentimento é superfície. Transição é trajetória.
A análise de sentimento tradicional costuma olhar para uma interação como se ela fosse um estado final. Mas uma pessoa não decide apenas porque está positiva ou negativa. Ela decide porque atravessou uma sequência de microestados.
Um cliente pode começar curioso, depois ficar hesitante, depois comparar alternativas, depois voltar a se engajar e finalmente aceitar. Outro pode começar engajado, perceber risco, entrar em resistência e abandonar.
Esses dois casos não podem ser tratados apenas como “positivo” ou “negativo”. Eles possuem topografias diferentes.
Foi dessa percepção que nasceu a ideia de SemTempo: uma combinação entre semântica e temporalidade. O tempo não é só metadado. A latência de resposta não é só atraso. A ordem das mensagens não é só histórico. Tudo isso carrega sentido.
Uma resposta imediata pode indicar impulso, reflexo, familiaridade ou reação emocional. Uma resposta demorada pode indicar comparação, esforço cognitivo, dúvida ou deliberação. Em termos simples, o tempo de resposta ajuda a diferenciar uma reação mais automática de uma decisão mais refletida.
O que eu estava tentando otimizar era IA. Mas, sem querer, eu estava começando a desenhar uma arquitetura de leitura comportamental.
A regra das três mensagens
Para não depender de histórico infinito, criei uma heurística simples: olhar para três pontos.
Estado anterior.
Transição.
Estado atual.
Essa tríade se tornou uma unidade mínima de leitura comportamental. Em vez de tentar compreender toda a vida do usuário, o sistema observa o deslocamento recente.
Não é necessário saber tudo. É necessário saber o suficiente para entender a direção da mudança.
Por exemplo:
HES → Confirmação → ACE
Esse fluxo representa uma pessoa que começou em hesitação, passou por algum mecanismo de validação interna e terminou em aceitação.
Outro exemplo:
CUR → Exploração → ENG
Aqui, a curiosidade se transforma em engajamento.
Ou ainda:
ENG → Objeção → RES
Nesse caso, o engajamento inicial encontrou algum atrito e se converteu em resistência.
Essa estrutura virou o que chamei de BehaviorID.
BehaviorID = INITIAL — COGTRANSITION — FINAL
O BehaviorID não é uma etiqueta emocional. Ele é uma impressão digital de transição. Ele descreve não apenas onde a pessoa está, mas como ela chegou ali.
Do RAG tradicional ao Cognitive Behavior SemTempo Graph RAG
O RAG tradicional recupera fatos.
Ele responde perguntas como: “quais informações são semanticamente parecidas com esta consulta?”
Isso é útil, mas limitado quando o problema envolve decisão humana. Em vendas, educação, atendimento, saúde, suporte ou assistentes pessoais, o ponto mais importante nem sempre é recuperar o fato mais parecido. Muitas vezes, é recuperar a trajetória mais parecida.
O que aconteceu antes de uma conversão parecida?
Qual foi o padrão que antecedeu uma desistência?
Que tipo de intervenção reduziu resistência sem gerar manipulação?
Qual sequência de perguntas ajudou um aluno a sair da dependência e alcançar domínio?
O Cognitive Behavior SemTempo Graph RAG nasce dessa diferença. Ele não trata memória como um depósito de chunks. Trata memória como um grafo vivo de trajetórias comportamentais.
Enquanto um RAG tradicional olha para similaridade semântica, esse modelo olha para transição, causalidade e ordem.
O dado deixa de ser apenas “o que foi dito”. Passa a ser:
o que foi dito
quando foi dito
em que estado a pessoa parecia estar
qual transição ocorreu depois
qual foi o efeito da intervenção
qual novo estado apareceu
Isso muda completamente a forma de pensar personalização.
A linguagem corporal digital
No mundo físico, uma pessoa hesita com o corpo. Ela pausa. Desvia o olhar. Reorganiza a fala. Muda o tom. No digital, esses sinais aparecem de outra maneira.
Eles aparecem no tempo de resposta, na quantidade de texto, na escolha das palavras, na mudança de estrutura, no nível de detalhe, no retorno a perguntas já feitas, no excesso de justificativas ou na súbita redução de engajamento.
Essa é a linguagem corporal digital.
Alguns estados comportamentais básicos podem ser modelados assim:
CUR = Curiosidade
ENG = Engajamento
HES = Hesitação
COM = Comparação
RES = Resistência
ACE = Aceitação
NEG = Negação
DEP = Dependência
MAS = Domínio / Mastery
Esses estados não devem ser tratados como diagnóstico psicológico. Eles são estados operacionais de interação. Servem para orientar uma arquitetura, não para rotular uma pessoa.
Esse ponto é essencial.
Uma arquitetura comportamental responsável não tenta invadir a mente do usuário. Ela tenta respeitar melhor o momento da interação.
A física das transições humanas
Quando comecei a modelar essas transições, percebi que algumas mudanças eram leves e naturais, enquanto outras exigiam muito mais esforço.
Sair de curiosidade para engajamento é relativamente fácil. A curiosidade já possui energia interna. Basta oferecer um caminho claro.
Mas sair de negação para aceitação é difícil. Envolve defesa, identidade, risco percebido, reinterpretação e confiança.
Por isso, comecei a pensar em pesos de transição.
CUR → ENG = baixo custo cognitivo
HES → ACE = custo médio
RES → ACE = alto custo
NEG → ACE = custo máximo
Essa matriz de custo é uma forma de representar o esforço psicológico necessário para mover alguém de um estado a outro.
Em vendas, isso ajuda a evitar abordagens burras. Se uma pessoa está em resistência, não adianta empurrar conversão. O sistema precisa reduzir ameaça, aumentar segurança e talvez oferecer comparação, prova ou tempo.
Em educação, essa mesma lógica muda completamente.
O fork pedagógico: LearnerID
A arquitetura que nasceu para decisão comercial acabou abrindo um caminho pedagógico.
Em vendas, a tendência é reduzir fricção. Se o usuário está hesitando, você tenta remover a dúvida. Se está comparando, você tenta mostrar valor. Se está resistindo, você tenta diminuir risco.
Na educação, o objetivo não é remover toda fricção. Pelo contrário. Aprender exige atrito cognitivo.
A dúvida, que em vendas pode ser risco de churn, em pedagogia pode ser sinal de crescimento.
Foi daí que surgiu o LearnerID.
O LearnerID é uma adaptação do BehaviorID para trajetórias de aprendizagem. Ele não busca apenas conversão. Busca autonomia.
Em vez de levar o aluno rapidamente para uma resposta, o sistema precisa observar se ele está em luta produtiva ou em bloqueio real.
Se o aluno está perto de compreender, a IA não deve entregar a resposta pronta. Ela deve sustentar o andaime. Fazer uma pergunta melhor. Dar uma pista. Reduzir apoio aos poucos. Aplicar fading.
O objetivo não é dependência. É agência epistêmica.
Uma IA pedagógica ruim cria alunos dependentes. Uma IA pedagógica boa ajuda o aluno a pensar sem ela.
Agentes determinísticos, IA probabilística e responsabilidade
Esse modelo também reforçou outra convicção minha: IA não deve ser confundida com agente.
A IA pode interpretar ambiguidade. Pode sugerir. Pode resumir. Pode classificar. Pode inferir.
Mas o agente precisa ter identidade, política, contrato, rastreabilidade e responsabilidade.
Em uma Full Agentic Stack, a IA não é o núcleo soberano da execução. Ela é uma camada cognitiva dentro de um ecossistema mais amplo. O agente determinístico executa o que pode ser auditado. A IA apoia onde existe ambiguidade.
Isso é importante porque sistemas comportamentais são poderosos. Se um sistema consegue identificar hesitação, resistência, curiosidade ou vulnerabilidade, ele também pode ser usado de forma manipulativa.
Por isso, a arquitetura precisa nascer com limites.
Não basta perguntar: “isso converte mais?”
É preciso perguntar:
isso respeita a intenção do usuário?
isso preserva autonomia?
isso reduz confusão ou explora fragilidade?
isso é auditável?
isso pode ser explicado?
isso pode ser contestado?
A arquitetura comportamental só faz sentido se for acompanhada por governança.
Psicologia sem querer
O mais curioso dessa jornada é que eu não comecei pela teoria.
Eu comecei pela restrição.
Queria gastar menos tokens.
Queria depender de menos dados.
Queria criar uma arquitetura mais eficiente.
Queria que a IA entendesse melhor o momento da pessoa.
Queria evitar que o sistema tratasse todo usuário como se estivesse no mesmo estado.
Ao tentar resolver isso, acabei chegando em conceitos que dialogam com psicologia comportamental, teoria cognitiva, aprendizagem, tomada de decisão e interação humano-computador.
Mas a ordem foi importante.
Eu não parti da psicologia para encaixar tecnologia nela.
Eu parti de um problema técnico e encontrei a psicologia no caminho.
Isso, para mim, é o valor da abordagem Solution-First: primeiro você encosta no problema real, sente a restrição, constrói uma solução mínima, observa o comportamento emergente e só depois nomeia o que foi descoberto.
A topografia da decisão
Hoje, eu vejo essa arquitetura como uma tentativa de mapear a topografia da decisão.
Não para controlar pessoas.
Não para reduzir o humano a um vetor.
Não para transformar psicologia em automação barata.
Mas para criar sistemas que reconhecem que uma decisão tem relevo. Tem subida, descida, atrito, pausa, retorno, hesitação e avanço.
A maioria dos sistemas digitais ainda trata o usuário como um evento isolado. Clicou. Não clicou. Comprou. Não comprou. Respondeu. Sumiu.
Mas existe uma camada muito mais rica entre o estímulo e a ação.
Existe a transição.
E talvez seja nela que more a parte mais importante da inteligência aplicada.
O futuro das interfaces inteligentes não está apenas em entender palavras. Está em entender mudanças.
Não basta saber o que o usuário disse.
É preciso entender de onde ele veio, para onde está indo e qual responsabilidade o sistema assume ao tentar influenciar esse caminho.
Top comments (0)