19/10/2026

Inteligência artificial generativa e deepfakes: reforçar a literacia política na literacia mediática

A inteligência artificial (IA), em particular na sua vertente generativa, está a transformar o ecossistema mediático de forma estrutural, acelerando dinâmicas de viralidade digital já existentes e introduzindo novas camadas de opacidade nos processos de produção de informação, participação cívica e deliberação democrática.

A literacia mediática tem sido entendida como a capacidade crítica de aceder, analisar, usar e produzir informação. Esta definição, consolidada por organismos internacionais como a UNESCO, continua a ser fundamental, mas deve ser reforçada para enfrentar os desafios de um ecossistema comunicacional digital marcado pela centralidade dos algoritmos e pela crescente presença de conteúdos parcial ou totalmente gerados por IA. Neste contexto, a circulação da informação é frequentemente orientada por lógicas de viralidade e interação, em detrimento do conhecimento e da validação das fontes.

Estas transformações têm implicações diretas no campo da comunicação política, uma vez que permitem aos atores políticos utilizar as plataformas digitais como canais privilegiados de difusão das suas mensagens, evitando o escrutínio jornalístico e o contraditório democrático dos seus oponentes. A literacia mediática permite compreender os interesses, ideologias e relações de poder subjacentes a essas mensagens políticas, assim como avaliar o papel dos média na esfera pública e na democracia. Torna-se, por isso, cada vez mais relevante articular a literacia mediática com a literacia política, entendida como o conjunto de conhecimentos do processo político que permite uma cidadania ativa (Denver & Hands, 1990).

Desde a emergência das redes sociais que vários académicos (Bucher, 2018; Gillespie, 2018) têm demonstrado que os sistemas algorítmicos passaram a desempenhar um papel central na mediação da esfera pública e na formação da opinião política. Nas redes sociais, os sistemas algorítmicos promovem os conteúdos que geram mais atenção e reações e, por isso, beneficiam certos enquadramentos ou atores políticos, rebalanceando a visibilidade do discurso público em favor daqueles que privilegiam o apelo à emoção ou a dicotomia populista do «nós vs. eles» (Gerbaudo, 2018).

Os mais recentes modelos de IA generativa, à semelhança dos algoritmos de recomendação ou de personalização de conteúdos, não são neutros. São concebidos com objetivos específicos, incorporam valores sociais e operam segundo lógicas de otimização que privilegiam determinados temas e formatos, reproduzindo vieses de género, classe, cultura ou ideologia, particularmente notórios quando se trata de imagens (Messingschlager & Appel, 2026; Thomas & Thomson, 2025). Além disso, os modelos generativos, como o ChatGPT, têm em si vieses políticos (Motoki et al., 2024).

A multiplicação de ferramentas de IA generativa permite a qualquer pessoa criar conteúdos sintéticos realistas e sofisticados com poucos recursos. Torna-se, assim, cada vez mais difícil perceber quem é o autor dos conteúdos, com que intenções e através de que mecanismos estes chegam ao espaço público.

Perante este enquadramento, o desafio contemporâneo para jornalistas, jovens ou estudantes não reside apenas em identificar desinformação num post que se tornou viral. Exige, antes, compreender como o próprio ecossistema informacional se organiza através de sistemas algorítmicos, com capacidade para amplificar certas narrativas e simular consensos sem intervenção humana direta. O conceito de “opinião pública algorítmica” descreve precisamente a forma como as opiniões passam a ser construídas através da interação dos cidadãos com sistemas algorítmicos, sejam os das redes sociais (Gandini et al., 2026) ou os da IA generativa (Kant, 2026).

A desinformação sempre explorou emoções como o medo, a indignação ou o sentimento de pertença. A diferença introduzida pela IA generativa está na escala, na velocidade e no realismo dos conteúdos desinformativos. A produção automática de textos, imagens, áudios ou vídeos verosímeis, incluindo deepfakes, torna a desinformação mais barata, mais rápida e mais difícil de detetar. Investigação empírica demonstra que a maioria das pessoas não consegue identificar deepfakes de forma fiável (Köbis et al., 2021; Frank et al., 2024), mesmo quando esses deepfakes são rotulados como falsos (Clark & Lewandowsky, 2026).

Perante a generalização dos deepfakes, Nadia Naffi (2025) defende que a literacia para a IA deve ir além da simples deteção técnica da “falsidade”, incorporando uma reflexão epistemológica sobre verdade e conhecimento. A produção automática de conteúdos sintéticos verosímeis desafia pressupostos fundamentais da comunicação e fragiliza a autenticidade e a confiança. A literacia mediática deve, por isso, ser entendida de forma abrangente, incluindo a capacidade de compreender o mundo e exercer cidadania crítica numa realidade informacional mediada por sistemas algorítmicos, em que ver e ouvir deixaram de ser garantias suficientes de verdade.

Quando imagens, vozes e discursos podem ser gerados ou manipulados com elevado realismo, criamos um ambiente de incerteza estrutural, onde a dúvida pode ser explorada como estratégia política. Assim, para respondermos à pergunta “isto é IA?” não é suficiente verificar a fonte, a data, o autor ou o contexto; é necessário também compreender as capacidades e limites da IA generativa e reconhecer possíveis motivações políticas ou económicas que podem estar disfarçadas de sátira, humor ou entretenimento. Isto significa que a questão central deixa de ser apenas saber se um conteúdo é verdadeiro ou falso e passa a ser, sobretudo, que tipo de realidade este conteúdo está a tentar construir.

Apesar do movimento crescente para tornar visível a origem dos conteúdos gerados por IA, através de labels ou disclaimers, a presença cada vez maior de bots, contas automatizadas e interações sintéticas levanta dúvidas sobre quem está realmente a participar no debate público. Likes, comentários e tendências online podem refletir não apenas atividade humana genuína, mas também campanhas de comportamento inautêntico coordenado como o astroturfing, em que é gerada artificialmente uma impressão de apoio a um produto, política ou ideia muito superior à realmente existente (Chan, 2024). Esta ambiguidade torna a leitura da opinião pública mais complexa e coloca em causa as métricas digitais como representativas de apoio ou rejeição popular.

A estas dinâmicas junta-se o reforço das relações parassociais, conceito introduzido por Horton e Wohl (1956) para descrever relações ilusórias unilaterais que os membros da audiência têm com figuras influentes ou personagens fictícias na rádio, televisão ou cinema. Na política digital contemporânea, estas relações ilusórias de proximidade, familiaridade ou intimidade são intensificadas por influencers, linguagens afetivas, personalização algorítmica e, cada vez mais, por chatbots e avatares digitais. Estudos demonstram que estas relações parassociais podem afetar a intenção de partilhar conteúdos desinformativos nas redes sociais, o que reforça a importância de o fact-checking e os comentários críticos de denúncia ocorrerem o mais rapidamente possível (Mulcahy et al., 2024).

O reforço da literacia política no interior da literacia mediática emerge assim como uma resposta necessária às novas formas de mediação do espaço público. Compreender como imagens, discursos e interações digitais são politicamente orientados, como consensos podem ser artificialmente simulados e como a incerteza pode ser estrategicamente explorada exige competências que articulam análise mediática, compreensão dos processos políticos e reflexão crítica sobre o poder tecnológico. A literacia política não substitui a literacia mediática, mas torna explícita a sua dimensão cívica e democrática.

Reforçar a literacia política na literacia mediática significa, assim, capacitar cidadãos, jornalistas e estudantes para interpretar criticamente um espaço público híbrido, no qual humanos e máquinas coproduzem a realidade informativa. Mais do que distinguir entre verdadeiro e falso, trata-se de compreender que realidades políticas estão a ser construídas, por quem e com que efeitos, num ambiente informacional marcado pela automação, pela personalização algorítmica e pela erosão dos marcadores tradicionais de autenticidade.

Referências

Bucher, T. (2018). If … then: Algorithmic power and politics. Oxford University Press. https://doi.org/10.1093/oso/9780190493028.001.0001

Chan, J. (2024). Online astroturfing: A problem beyond disinformation. Philosophy & Social Criticism, 50(3), 507–528. https://doi.org/10.1177/01914537221108467

Clark, S., & Lewandowsky, S. (2026). The continued influence of AI-generated deepfake videos despite transparency warnings. Communications Psychology, 4(1), 13. https://doi.org/10.1038/s44271-025-00381-9

Denver, D., & Hands, G. (1990). Does studying politics make a difference? The political knowledge, attitudes and perceptions of school students. British Journal of Political Science, 20(2), 263–279. https://doi.org/10.1017/S0007123400005809

Frank, J., Herbert, F., Ricker, J., Schönherr, L., Eisenhofer, T., Fischer, A., Dürmuth, M., & Holz, T. (2024). A representative study on human detection of artificially generated media across countries. In 2024 IEEE Symposium on Security and Privacy (SP) (pp. 55–73). https://doi.org/10.1109/SP54263.2024.00159

Gandini, A., Keeling, S., & Reviglio, U. (2026). Conceptualising the ‘algorithmic public opinion’: Public opinion formation in the digital age. Dialogues on Digital Society, 2(1), 46–61. https://doi.org/10.1177/29768640251323147

Gerbaudo, P. (2018). Social media and populism: An elective affinity? Media, Culture & Society, 40(5), 745–753. https://doi.org/10.1177/0163443718772192

Gillespie, T. (2018). Custodians of the internet: Platforms, content moderation, and the hidden decisions that shape social media. Yale University Press.

Horton, D., & Wohl, R. R. (1956). Mass communication and para-social interaction: Observations on intimacy at a distance. Psychiatry, 19(3), 215–229. https://doi.org/10.1080/00332747.1956.11023049

Kant, T. (2026). Algorithmic public opinion in the age of generative AI. Dialogues on Digital Society, 2(1), 62–66. https://doi.org/10.1177/29768640251377160

Köbis, N. C., Doležalová, B., & Soraperra, I. (2021). Fooled twice: People cannot detect deepfakes but think they can. iScience, 24(11), 103364. https://doi.org/10.1016/j.isci.2021.103364

Messingschlager, T. V., & Appel, M. (2026). Algorithmic bias in image-generating artificial intelligence: Prevalence and user perceptions. Information, Communication & Society, 29(5), 1656–1678. https://doi.org/10.1080/1369118X.2025.2584146

Motoki, F., Pinho Neto, V., & Rodrigues, V. (2024). More human than human: Measuring ChatGPT political bias. Public Choice, 198(1), 3–23. https://doi.org/10.1007/s11127-023-01097-2

Mulcahy, R., Barnes, R., Scheepers, R., Kay, S., & List, E. (2024). Going viral: Sharing of misinformation by social media influencers. Australasian Marketing Journal, 33. https://doi.org/10.1177/14413582241273987

Naffi, N. (2025, October 27). Deepfakes and the crisis of knowing. UNESCO. https://www.unesco.org/en/articles/deepfakes-and-crisis-knowing

Thomas, R. J., & Thomson, T. J. (2025). What does a journalist look like? Visualizing journalistic roles through AI. Digital Journalism, 13(4), 631–653. https://doi.org/10.1080/21670811.2023.2229883