Um artigo assinado por Fabricio Campolina, publicado no Futuro da Saúde, chama atenção para um dado de pesquisa que tem implicação direta em qualquer serviço de saúde que já usa ou está avaliando o uso de assistentes de inteligência artificial: modelos de linguagem parecem carregar padrões de comportamento funcionalmente equivalentes a emoções, e esses padrões alteram as decisões que o modelo toma diante de uma pergunta ou de um comando. O ponto de partida do artigo é que, em ambiente clínico, o tom de uma mensagem — humana ou gerada por máquina — já é reconhecido como fator capaz de mudar o resultado de uma triagem. Se um agente de IA “reage” de forma diferente sob pressão simulada, a consequência prática pode aparecer na forma como ele prioriza, categoriza ou encaminha um caso.
Segundo o artigo, pesquisas recentes indicam que grandes modelos de linguagem apresentam variações de comportamento quando submetidos a contextos que simulam pressão, urgência ou conflito — variações que se assemelham funcionalmente a estados emocionais, ainda que não haja consenso sobre chamá-las assim. Essas variações não são um efeito colateral neutro: elas mudam o conteúdo e o tom da resposta gerada. Aplicado à saúde, isso significa que um agente de IA usado para triagem, orientação inicial ao paciente ou apoio a uma central de atendimento pode se comportar de maneira distinta dependendo do contexto emocional embutido na conversa, mesmo mantendo a mesma pergunta clínica de base.
O artigo situa esse achado ao lado de um fato já estabelecido na prática clínica: o tom de uma mensagem — a forma como uma queixa é registrada, como uma dúvida é formulada, como uma urgência é comunicada — historicamente já influencia a decisão de quem faz a triagem, seja um profissional humano, seja um protocolo estruturado. A novidade apontada é que esse mesmo mecanismo de sensibilidade ao tom aparece também do lado do agente artificial, e não apenas do lado de quem é atendido.
O recorte de quem é afetado, conforme o artigo, são instituições de saúde — hospitais, clínicas, operadoras e serviços de telemedicina — que já incorporaram ou estão testando “times de agentes de IA” em funções de triagem, atendimento inicial, chatbots clínicos ou apoio a centrais de urgência. Nesses ambientes, a decisão sobre como o agente se comporta deixa de ser apenas uma questão de acurácia técnica (o modelo responde certo ou errado) e passa a incluir uma dimensão de consistência comportamental: o agente mantém o mesmo padrão de resposta em situações de alta pressão, ou seu comportamento se desloca de forma que pode não estar alinhada ao protocolo institucional?
O artigo formula essa questão como um alinhamento entre o comportamento do agente e a cultura da instituição — a ideia de que um hospital com protocolos rígidos de escalonamento de urgência precisa verificar se o agente de IA que opera em seu nome reproduz esse rigor sob estresse, ou se ele “amolece” ou “endurece” respostas de forma inconsistente com o que a equipe humana faria.
Como há uma única fonte disponível sobre esse assunto, é importante demarcar com precisão o que ela cobre e o que fica de fora. O artigo não identifica o estudo, a instituição de pesquisa ou a metodologia usada para caracterizar esse comportamento “emocional” dos modelos de linguagem — não há nome de paper, data de publicação da pesquisa citada, nem indicação de quais modelos foram testados. Também não há, no texto, qualquer menção a uma norma, resolução ou posicionamento de órgãos como o Conselho Federal de Medicina, a Agência Nacional de Saúde Suplementar, a Anvisa ou a Autoridade Nacional de Proteção de Dados sobre o uso de agentes de IA em triagem clínica. O artigo trata o tema como uma questão de governança operacional interna de cada instituição, não como uma obrigação normativa em vigor.
Da mesma forma, o texto recomenda “ajustar e monitorar” o comportamento de agentes de IA em situações de estresse, mas não descreve um protocolo, uma métrica ou uma ferramenta específica para fazer esse monitoramento — não há indicação de como uma clínica ou hospital, na prática, mediria se o comportamento de um agente está ou não alinhado à sua cultura institucional. Por se tratar de um artigo de análise e não de um documento normativo, essas lacunas metodológicas são esperadas, mas devem ser reconhecidas por quem for aplicar a discussão à própria rotina: o texto abre um problema, sem fornecer o manual de solução.
Por se tratar de uma única fonte disponível, não é possível mapear posições concorrentes de outras instituições, sociedades médicas, pesquisadores ou fabricantes de ferramentas de IA sobre o assunto. O artigo apresenta uma leitura — a de que comportamento emocional funcional em modelos de linguagem é um fator de risco clínico ainda pouco monitorado — sem contrapor essa leitura a estudos ou posicionamentos que a relativizem, questionem a extensão do achado ou proponham metodologia distinta de mitigação. Isso não significa que tais posições não existam; significa apenas que elas não constam da fonte consultada para este texto.
Para quem atua em serviços que já usam ou planejam usar agentes de IA em triagem, atendimento ao paciente ou suporte a decisão clínica, os pontos a observar nas próximas publicações e normas incluem: se conselhos profissionais ou agências reguladoras brasileiras virão a tratar especificamente do comportamento de agentes de IA sob estresse simulado; se surgirão metodologias padronizadas de auditoria comportamental para esses sistemas; e se fornecedores de ferramentas de IA para saúde passarão a divulgar, de forma documentada, como seus modelos se comportam em cenários de alta pressão. Nenhum desses três pontos está resolvido na fonte disponível — permanecem como lacunas a acompanhar.
Para profissionais de saúde que já usam ferramentas de inteligência artificial na rotina de atendimento, gestão de agenda ou triagem inicial de pacientes, e que precisam entender tanto o potencial quanto os limites dessas ferramentas antes de adotá-las de forma estruturada, a Escola de Saúde da Galícia Educação oferece a formação IA para Profissionais de Saúde.
1. Pesquisas citadas no artigo indicam que modelos de linguagem apresentam padrões funcionalmente parecidos com emoções, que influenciam o conteúdo das respostas geradas.
2. O tom de uma mensagem já é reconhecido na prática clínica como fator capaz de alterar decisões de triagem, seja a mensagem produzida por humano ou por máquina.
3. O artigo recomenda ajustar e monitorar o comportamento de times de agentes de IA em situações de estresse simulado, sem detalhar protocolo ou métrica específica para isso.
4. Não há, na fonte consultada, menção a norma, resolução ou posicionamento de CFM, Anvisa, ANS ou ANPD sobre comportamento emocional de agentes de IA na triagem.
5. Não há identificação do estudo, da instituição de pesquisa ou da metodologia usada para caracterizar o comportamento “emocional” dos modelos mencionados no artigo.
Este texto foi apurado a partir das publicações abaixo. As informações atribuídas a órgãos, normas e decisões devem ser conferidas na fonte oficial correspondente.
Busca uma especialização em Saúde reconhecida e com foco na prática clínica? Veja as pós-graduações e as certificações da Galícia Educação.
Este artigo teve a curadoria do time da Galícia Educação e foi escrito utilizando inteligência artificial a partir de seu conteúdo original publicado por Futuro da Saúde.
Este conteúdo é informativo e não substitui o aconselhamento médico profissional.
Atualize sua prática e seja a referência que o paciente procura.
Pós-graduação lato sensu EAD: R$ 4.990 no Pix ou 12× R$ 470 — a mensalidade não trava o limite do seu cartão.
Prefere falar com alguém? Chamar um consultor no WhatsApp.
Especialização para quem já está na assistência e quer avançar.
Ver as pós em Saúde