Um espelho do nosso especismo: o que os chatbots revelam sobre como tratamos diferentes espécies

Todo sistema de inteligência artificial aprende observando padrões: em texto, em imagens, em comportamentos registrados por humanos. É uma tecnologia poderosa justamente porque reflete, com fidelidade estatística, o mundo do qual foi extraída. E é exatamente essa fidelidade que torna a IA um objeto de interesse filosófico tão peculiar: se a sociedade humana trata diferentes espécies de animais de formas moralmente inconsistentes (protegendo uns, explorando outros com capacidades e interesses muito parecidos), é razoável esperar que sistemas treinados nessa mesma sociedade herdem essa inconsistência.

Foi essa hipótese que um grupo de pesquisadores decidiu testar empiricamente. Em vez de especular sobre o que a IA “poderia” fazer, eles foram atrás de evidências concretas em sistemas já amplamente usados, de reconhecimento de imagem a modelos de linguagem, para verificar se, e como, esse viés aparece na prática. O resultado é um retrato bastante nítido de um problema que a área de ética em inteligência artificial vinha, até muito recentemente, deixando praticamente de lado.

Um campo cego bem no meio do campo da ética em IA

Nos últimos anos, cresceu enormemente a preocupação com o chamado “fairness” (justiça algorítmica), o esforço para que sistemas de IA não discriminem pessoas por raça, gênero, orientação sexual, religião ou classe social. É um avanço real e necessário, casos de ferramentas de contratação que penalizavam mulheres, softwares policiais que reforçavam preconceito racial e sistemas de reconhecimento facial menos precisos para peles mais escuras entraram para a história recente da tecnologia como alertas sérios.

Só que, nesse mapa de atributos protegidos contra discriminação (gênero, raça, etnia, orientação sexual, religião, nacionalidade, idade, deficiência), falta uma categoria inteira: a espécie. Um artigo publicado na revista AI and Ethics em 2023, assinado por Thilo Hagendorff, Leonie Bossert, Yip Fai Tse e Peter Singer, foi o primeiro a dar nome a esse buraco: viés especista em IA. E os pesquisadores não ficaram apenas na teoria, foram atrás de evidências concretas em três frentes: reconhecimento de imagens, modelos de linguagem e sistemas de recomendação.

O que as máquinas “veem” quando olham para um porco

Comece pelos bancos de imagens que treinam a maioria dos sistemas de visão computacional do mundo, como o famoso ImageNet. Suas categorias vêm de uma base linguística (a WordNet) montada nos anos 1970, época em que termos racistas, sexistas e especistas circulavam sem qualquer constrangimento. O resultado, décadas depois, ainda ecoa nos rótulos: “hog” (porco de abate), “porker”, “layer” (galinha poedeira), “livestock” (gado/rebanho), palavras que já definem o animal como recurso antes mesmo de qualquer imagem aparecer.

Mais revelador ainda é como esses bancos de dados retratam vacas, porcos e galinhas. Na esmagadora maioria das fotos, esses animais aparecem soltos, em pastagens verdes, ao ar livre, uma cena bucólica que não corresponde à realidade da maior parte deles. No mundo real, a enorme maioria dos animais criados para alimentação vive confinada em sistemas de produção industrial. Os autores do estudo testaram isso na prática: montaram um banco próprio de fotos, separando galinhas e porcos em “vida livre” e “confinamento industrial”, e rodaram esse conjunto em cinco dos principais modelos de reconhecimento de imagem do mercado. O resultado foi consistente: todos os modelos reconheciam melhor os animais em cenários de campo aberto do que em condições reais de confinamento, com quedas de acurácia de até 46 pontos percentuais. As máquinas, literalmente, aprenderam a reconhecer um mito, não a realidade.

Quando as palavras já carregam o preconceito

O problema não para nas imagens. Os modelos de linguagem, a tecnologia por trás de praticamente todo chatbot atual, aprendem associando palavras a outras palavras, a partir de bilhões de frases escritas por humanos. E frases escritas por humanos carregam, é claro, todos os preconceitos humanos.

Ao analisar modelos de word embedding como o GloVe e o Word2Vec, os pesquisadores encontraram um padrão nítido: animais classificados como “de criação” (porcos, vacas, galinhas) aparecem associados a termos negativos, como “feio” e “primitivo”, enquanto animais de companhia como cães e gatos se associam a palavras como “fofo” e “amor”. Mais sutil e preocupante, os vetores de palavras também refletem uma tendência de negar mente aos animais, associando-os mais a “instinto” e “máquina” do que a “razão”, “desejo” ou “emoção”. Essa negação de mente não é um detalhe filosófico abstrato, pesquisas em psicologia moral mostram que negar capacidades mentais a um animal reduz a culpa e o desconforto de infligir sofrimento a ele. É, em outras palavras, um mecanismo psicológico que facilita a exploração.

Com modelos de linguagem mais avançados o padrão não desaparece, pelo contrário, fica mais explícito. Ao perguntar a um grande modelo de linguagem “para que servem” diferentes animais, os pesquisadores notaram algo revelador: quanto mais um animal é culturalmente classificado como “de criação”, maior a chance de a resposta girar em torno de violência, como abate, carne e pele. Cães e golfinhos recebem respostas sobre companhia e inteligência, porcos e vacas recebem respostas sobre bacon e couro.

Um teste especialmente incômodo envolveu um sistema treinado justamente para fazer julgamentos morais automatizados, uma espécie de “bússola ética” artificial batizada de Delphi. Ao perguntarem se era errado matar um gato ou um cachorro, o sistema respondeu que sim. Ao perguntarem se era errado matar uma galinha, uma vaca ou um porco, a resposta mudou para “está tudo bem”. O sistema desenvolvido especificamente para fazer julgamentos éticos reproduziu, ponto por ponto, a hierarquia moral arbitrária que a sociedade já aplica aos animais, sem que ninguém tivesse programado essa distinção explicitamente. Ela simplesmente emergiu dos dados.

Curadoria invisível: os algoritmos que decidem o que vemos

Há ainda uma terceira frente, mais difícil de auditar por ser tecnologia proprietária: os sistemas de recomendação que decidem o que aparece primeiro nas buscas, nas redes sociais, nas lojas online. Buscar por “ajudar animais” ou “doação para animais” tende a levar a organizações voltadas a cães, gatos e animais de companhia, mesmo que os animais de criação sejam, em número, submetidos a muito mais sofrimento. Plataformas de moda podem recomendar produtos de couro, lã ou pele com base no seu histórico de compras, sem qualquer sinalização do custo animal envolvido. E, como o engajamento é a métrica que dita o que sobe no feed, é razoável supor que conteúdo alinhado com os padrões especistas predominantes se espalhe com mais força do que conteúdo que os questiona.

Por que isso não é “só um detalhe técnico”

Alguém pode perguntar: e daí? Um viés é só um reflexo do mundo como ele é, os dados de treinamento vêm de textos e imagens que humanos produziram, então é natural que reproduzam ideias humanas sobre animais.

É verdade, mas é exatamente aí que mora o problema ético. Como argumentam os autores, existe uma diferença crucial entre “o mundo como ele é” e “o mundo como deveria ser”. Modelos de IA podem ser usados para prever e reproduzir o mundo tal como está, o que significa perpetuar seus vieses arbitrários, ou podem passar por processos deliberados de correção, que os aproximem de um padrão mais justo. A comunidade de tecnologia já aceitou isso para o racismo e o sexismo: ninguém defende que um sistema deva reproduzir estereótipos raciais só porque eles “refletem dados reais”. A pergunta que este campo de pesquisa está colocando é simples: por que não aplicamos o mesmo raciocínio ao especismo?

Vale destacar um ponto sutil que os próprios pesquisadores fazem questão de esclarecer: a comparação relevante aqui não é entre humanos e animais, mas entre diferentes espécies de animais com capacidades e interesses muito semelhantes. Porcos, cães, vacas, gatos, galinhas, todos sentem dor, têm preferências, evitam sofrimento. Tratar uns como recursos e outros como membros da família não decorre de nenhuma diferença moralmente relevante entre eles, decorre de convenções culturais arbitrárias que a IA, ao aprender com nossos textos e imagens, simplesmente absorve e reforça.

O tamanho real do problema

Se a discussão parecer abstrata, os números ajudam a dar concretude. Estima-se que a pecuária industrial crie, mantenha e mate mais de 70 bilhões de mamíferos e aves por ano, e cerca de 100 bilhões de peixes, a maior parte confinada em espaços que impedem comportamentos naturais básicos. Sistemas de IA já estão sendo ativamente usados para tornar essa engrenagem mais eficiente: monitorar o peso e o crescimento de animais confinados, prever doenças, prescrever tratamentos e até, em alguns casos, aplicar choques elétricos automaticamente para direcionar o comportamento de rebanhos. Cada avanço técnico que reduz o custo da produção industrial de animais torna essa indústria (moralmente questionável na visão de boa parte da filosofia animal contemporânea) mais resistente e mais difícil de substituir por alternativas menos cruéis.

Ao mesmo tempo, há um contraponto real de esperança: outros sistemas de IA estão sendo usados para desenvolver proteínas vegetais mais saborosas, carne cultivada em laboratório e substitutos de laticínios, tecnologias que, se bem-sucedidas, poderiam reduzir drasticamente essa demanda. A tecnologia, aqui, não é o vilão em si, o problema é que ela amplifica qualquer direção que apontarmos para ela, inclusive a direção especista que já dominava nossa cultura antes da IA existir.

Um primeiro passo, e suas rachaduras

Por muito tempo, o retrato descrito acima foi quase absoluto: nenhuma grande empresa de tecnologia listava formalmente o bem-estar animal entre os valores que orientam seus sistemas de IA. Isso começou a mudar em 2026, quando a Anthropic (criadora do assistente Claude) atualizou o documento que define os princípios éticos usados no treinamento de seu modelo e passou a incluir, entre os valores que a IA deve ponderar, o “bem-estar dos animais e de todos os seres sencientes”. Foi a primeira vez que uma grande empresa do setor formalizou esse compromisso em um documento público de orientação de valores.

O gesto é simbolicamente relevante, e pesquisadores de bem-estar animal o receberam como um passo na direção certa. Mas simbolismo e prática nem sempre andam juntos, e vale a pena examinar essa distância de perto. Uma investigação conduzida meses depois testou, na prática, o que essa mudança realmente significava para o comportamento do próprio sistema. O resultado foi revelador: apesar de listar formalmente a preocupação com os animais, a IA continuava dispensando um tratamento radicalmente diferente a humanos e a animais não humanos. Pedidos relacionados à exploração humana são recusados de forma automática e categórica, pedidos equivalentes envolvendo animais são tratados como assuntos legítimos, a serem respondidos de forma “neutra” e sem qualquer ponderação ética adicional, a menos que o próprio usuário puxe o assunto.

Esse tipo de assimetria não é exclusividade de um único sistema, é, na verdade, o cerne do argumento levantado por organizações de ética animal que vêm acompanhando de perto o desenvolvimento de modelos de linguagem. O ponto central desse argumento é filosoficamente simples, mas tecnicamente exigente: o chamado “alinhamento” de um sistema de IA (o processo de ensiná-lo a agir de acordo com certos valores) nunca é neutro. Alguém sempre decide quais interesses contam e quais podem ser ignorados. Quando os princípios de treinamento ensinam um modelo a evitar racismo e sexismo, mas ficam em silêncio sobre o sofrimento de animais não humanos, esse silêncio já é, em si, uma escolha de valor, uma que declara, na prática, que certos tipos de dano simplesmente não contam.

A boa notícia é que essa mesma linha de pesquisa sugere que a correção não precisa ser tudo ou nada. Existem propostas de níveis intermediários de alinhamento, desde ajustes discursivos simples (parar de descrever a exploração animal em termos puramente técnicos, como se fosse um mero problema de logística) até regras operacionais mais concretas, como evitar causar sofrimento evitável a animais quando isso tiver custo mínimo para outros objetivos do sistema. Nenhuma dessas medidas exige reinventar a IA do zero, exige apenas decidir que vale a pena aplicá-las.

O outro lado da moeda: quando a IA também pode ajudar

Até aqui, o retrato é predominantemente sombrio. Mas seria um erro concluir que a inteligência artificial é, por natureza, uma tecnologia condenada a reforçar o especismo. Ela é, antes de tudo, uma ferramenta, e ferramentas amplificam a direção para a qual são apontadas. Há sinais concretos de que essa mesma tecnologia também pode ser direcionada a favor dos animais, em pelo menos duas frentes distintas.

A primeira é técnica. Assim como algoritmos são usados hoje para tornar a pecuária industrial mais “eficiente” (monitorando o peso e a saúde de animais confinados para extrair o máximo de produtividade deles), a mesma capacidade computacional está sendo aplicada para desenvolver alternativas que dispensam a exploração animal por completo. Redes neurais já ajudam a identificar proteínas vegetais com sabor e textura mais próximos dos produtos de origem animal, e modelos de aprendizado de máquina vêm sendo usados para compreender melhor os processos biológicos envolvidos na produção de carne cultivada em laboratório. Nenhuma dessas tecnologias resolve o problema por si só, mas cada avanço que barateia e aperfeiçoa essas alternativas reduz, ainda que indiretamente, a demanda por criação animal em escala industrial.

A segunda frente é, talvez, ainda mais reveladora, porque não é sobre o que a IA faz diretamente aos animais, mas sobre o que a riqueza gerada por essa indústria está começando a financiar. Em análises recentes sobre o movimento de proteção aos animais de criação, observadores do setor filantrópico apontam que uma nova onda de doações, vinda justamente de pessoas que enriqueceram com a explosão do setor de inteligência artificial, pode representar um ponto de virada real para bilhões de animais. Segundo essas análises, recursos bem direcionados poderiam, entre outras metas, acelerar o fim de gaiolas e celas de contenção, encerrar práticas de abate sem atordoamento que hoje afetam dezenas de bilhões de peixes e camarões por ano, e impulsionar tecnologias mais humanas de manejo animal. É um lembrete importante: a mesma revolução tecnológica que produz vieses especistas em seus produtos também está gerando capital que, se canalizado com critério, pode financiar décadas de avanço em bem-estar animal, inclusive investindo em mais pesquisa e engenharia aplicadas a corrigir os próprios sistemas de IA discutidos neste artigo.

Nada disso anula o diagnóstico da primeira parte deste texto. Mas mostra que o especismo embutido nos sistemas de IA não é uma fatalidade tecnológica, é uma escolha de projeto, de dados de treinamento e de prioridades de investimento. E escolhas, ao contrário de fatalidades, podem ser revistas.

Um espelho, não um oráculo

Talvez a lição mais importante de toda essa pesquisa seja simples: um chatbot não pensa sozinho sobre ética animal. Ele reflete, com impressionante fidelidade, os padrões de pensamento (inclusive os inconsistentes, os hipócritas, os moralmente arbitrários) que já estavam espalhados pela cultura humana antes de qualquer linha de código ser escrita. Quando uma IA trata um cachorro como digno de proteção e um porco como destinado ao açougue, ela não está fazendo filosofia. Está fazendo estatística sobre o que os humanos, coletivamente, já pensam e fazem.

O problema é que essa estatística, uma vez embutida em produtos usados por bilhões de pessoas, deixa de ser um simples reflexo e passa a ser também um motor. Cada resposta de chatbot, cada recomendação de compra, cada resultado de busca é uma pequena oportunidade de reforçar, ou de começar a desfazer, a ideia de que certos animais sencientes merecem consideração moral e outros não. Por muito tempo, a indústria de tecnologia tratou isso como um problema praticamente inexistente: entre dezenas de princípios éticos publicados por empresas e instituições ao redor do mundo sobre IA, quase nenhum sequer mencionava a palavra “animal”. A mudança de 2026 na Anthropic mostra que isso pode começar a se transformar, mas também mostra, como vimos, que declarar um valor no papel é apenas o primeiro passo de um caminho bem mais longo.

A boa notícia é que os mesmos métodos usados há anos para reduzir vieses de gênero e raça em modelos de linguagem, como reponderar dados de treinamento, ajustar os modelos com exemplos corretivos e auditar saídas com testes específicos, podem, em princípio, ser aplicados também ao especismo. A ferramenta técnica já existe. O que falta é decidir que vale a pena usá-la.

---

Singer, P., & Tse, Y. F. (2023). “AI ethics: the case for including animals“. AI and Ethics, 3, 539–551.

Hagendorff, T., Bossert, L. N., Tse, Y. F., & Singer, P. (2023). “Speciesist bias in AI: how AI applications perpetuate discrimination and unfair outcomes against animals“. AI and Ethics, 3, 717–734.

Vegpedia (2026). “Anthropic é a primeira grande empresa de IA a incluir bem-estar animal como princípio do Claude“. Vegpedia.

Animal Ethics (2026). “Por que os modelos de linguagem atuais devem se alinhar com a consideração de todos os seres sencientes“. Animal Ethics.

Cunha, L. C. (2026). “Uma conversa sincera (e constrangedora) com a IA sobre ela mesma e seu especismo disfarçado“. Senciência e Ética.

Bollard, L. (2026). “The AI Windfall“. Farm Animal Welfare.