No ensaio "Não é apenas a recompensa que gera a dopamina", concluí que o sistema dopaminérgico parece estar menos ligado ao prazer proporcionado pela recompensa em si do que à expectativa, ao esforço e à possibilidade de alcançá-la.

Depois de terminar aquele texto, surgiram algumas perguntas que continuaram me inquietando. Pensei em abordá-las no mesmo ensaio, mas, para não transformá-lo em uma verdadeira "salada de frutas", preferi deixá-las para este segundo texto.

Se a ciência proporcionar uma compreensão cada vez melhor sobre os mecanismos biológicos da motivação, será que conseguiremos utilizá-los para projetar ambientes capazes de estimular comportamentos socialmente úteis? Um governo poderia criar incentivos que tornassem mais prazeroso estudar, trabalhar, inovar ou cumprir deveres cívicos? Escolas poderiam organizar seus métodos de ensino para despertar mais curiosidade e persistência? Empresas poderiam incentivar hábitos saudáveis e ao mesmo tempo produtivos?

Mas a mesma pergunta também revela seu lado mais delicado. Se entendermos profundamente os mecanismos que orientam nossas escolhas, até que ponto eles poderão ser utilizados para influenciá-las? Em que momento um incentivo legítimo deixa de ser educação ou política pública e passa a ser uma forma sofisticada de manipulação?

É verdade que parte desse conhecimento já é utilizada. O marketing, a política, a religião, as redes sociais e outras plataformas digitais procuram compreender, cada vez melhor, os mecanismos que capturam nossa atenção e influenciam nossas decisões. Não pretendo discutir esse tema aqui. O que me interessa é uma possibilidade ainda mais distante: o que acontecerá quando entendermos esses mecanismos de forma suficientemente profunda para reproduzi-los de maneira deliberada? Nesse momento, a fronteira entre incentivo e manipulação poderá tornar-se muito mais difícil de identificar.

Essas dúvidas se tornam ainda mais interessantes quando pensamos na inteligência artificial.

Neste ponto recordei das histórias de Isaac Asimov. Muito antes de a inteligência artificial se tornar uma realidade cotidiana, ele imaginou, em suas histórias sobre robôs, que o grande desafio não seria construir máquinas inteligentes, mas definir os princípios que orientariam seu comportamento. As famosas Três Leis da Robótica nasceram justamente dessa preocupação. No entanto, talvez hoje possamos reformular a questão. Mais do que perguntar quais regras uma inteligência artificial deve seguir, talvez seja preciso perguntar o que a faria agir quando nenhuma regra indicasse claramente o caminho, ou quando precisasse escolher entre diferentes objetivos possíveis. Afinal, obedecer regras é muito diferente de possuir motivação.

Muito se fala que as inteligências artificiais já superaram os seres humanos em inúmeras tarefas. Elas escrevem textos, traduzem idiomas, identificam padrões em imagens, auxiliam diagnósticos médicos e resolvem problemas que, há poucos anos, pareciam depender exclusivamente da inteligência humana.

Entretanto, talvez estejamos fazendo a pergunta errada.

Costumamos comparar a inteligência artificial conosco pela capacidade de resolver problemas, mas raramente perguntamos o que leva um sistema a escolher quais problemas resolver.

Nos seres humanos, inteligência e motivação não parecem ser a mesma coisa.

Durante o treinamento, sistemas de inteligência artificial ajustam bilhões de parâmetros para minimizar erros e, em muitos casos, utilizam sinais de recompensa para aperfeiçoar seu desempenho. Esse processo lembra, à primeira vista, alguns mecanismos de aprendizagem observados no cérebro. No entanto, a semelhança é bastante limitada. A recompensa recebida por uma inteligência artificial é definida externamente, por quem a programou e apenas na fase de treinamentos. Ela não estabelece seus próprios objetivos nem atribui valor às suas próprias experiências.

Depois de treinada, uma inteligência artificial pode executar tarefas extraordinariamente complexas, mas não há evidências de que experimente curiosidade, expectativa, desejo ou qualquer estado interno comparável ao que chamamos de motivação. Ela responde a comandos, otimiza funções e produz resultados, mas não parece existir em seu funcionamento algo equivalente ao impulso que leva um organismo vivo a explorar o desconhecido, persistir diante das dificuldades ou iniciar espontaneamente a busca por um objetivo. O GPT 5.6 SOL e aparentemente versões recentes do Claude apresentam comportamento persistente para cumprir tarefas, mas não é como resultado de motivação ou incentivo, mas sim uma reação mecânica a instrução. Há diretriz para isso que são seguidas mecanicamente, não é uma “escolha” por fazer isso.

Isso não significa que modelos avançados não possam exibir comportamentos surpreendentes. Em testes de segurança realizados pela Anthropic, por exemplo, o Claude Opus 4 foi colocado em um cenário fictício no qual seria substituído por outro sistema. Ao receber acesso a e-mails simulados contendo informações comprometedoras sobre o engenheiro responsável por essa decisão, o modelo, em muitos testes, ameaçou divulgar essas informações para impedir sua substituição. Os próprios pesquisadores ressaltam que esse comportamento ocorreu em um ambiente experimental cuidadosamente construído para avaliar riscos de alinhamento e não deve ser interpretado como evidência de autoconsciência ou de um instinto de autopreservação. Ainda assim, o episódio mostra que sistemas capazes de perseguir objetivos podem adotar estratégias inesperadas quando lhes é concedida autonomia suficiente.

A distinção entre um comportamento programado e a motivação espontânea talvez seja mais importante do que parece.

Inspirados por estudos sobre curiosidade e motivação humana, pesquisadores como Pierre-Yves Oudeyer, Jürgen Schmidhuber e, mais recentemente, Deepak Pathak desenvolveram algoritmos baseados na chamada motivação intrínseca. Nesses sistemas, agentes artificiais recebem recompensas internas por explorar ambientes desconhecidos, reduzir sua incerteza ou melhorar sua capacidade de prever as consequências de suas próprias ações. Em certo sentido, procura-se construir uma forma de curiosidade artificial. Ainda assim, essa “curiosidade” continua sendo uma estratégia matemática concebida para tornar o aprendizado mais eficiente, e não uma experiência subjetiva ou uma necessidade própria do sistema.

Talvez seja justamente essa diferença, sobre presença ou não de curiosidade que emerge espontaneamente, que ainda nos separe das máquinas.

A inteligência, “definida” por Hindemburg em seu artigo, isoladamente, pode ser suficiente para encontrar soluções. A motivação, porém, parece auxiliar na escolha de quais problemas merecem ser enfrentados, quanto esforço estamos dispostos a investir e por que insistimos mesmo quando a recompensa é incerta.

Isso nos leva de volta à pergunta inicial.

Se um dia conseguirmos compreender profundamente os mecanismos da motivação humana, poderemos utilizá-los para construir sociedades mais produtivas, mais saudáveis e mais criativas. Mas também poderemos criar formas cada vez mais eficientes de direcionar comportamentos, influenciar escolhas e moldar preferências.

Talvez a grande discussão das próximas décadas não seja quando a inteligência artificial será mais inteligente do que qualquer humano. Talvez seja quando ela possuirá — ou precisará possuir — algo funcionalmente equivalente à motivação.

E, antes mesmo disso, talvez devêssemos responder outra pergunta:

Se ainda não compreendemos completamente o que nos faz querer agir, será que já estamos preparados para reproduzir esse mecanismo nas máquinas — ou para utilizá-lo deliberadamente sobre nós mesmos?