Na linguagem de cada um

Quando devolver o dado não significa que ele voltou

No primeiro texto desta série propusemos:

o dado precisa voltar para quem o produziu.

Mas como saber se ele realmente voltou?

Imagine uma pessoa recebendo anos de informações produzidas sobre si: saúde, educação, consumo, deslocamentos, comportamento digital, relações com instituições e, futuramente, talvez dados organizados por sua própria IA Personalíssima.

Na tela aparecem tabelas, probabilidades, gráficos e classificações.

Tecnicamente, os dados voltaram.

Mas e se aquela pessoa não conseguir significá-los?

Talvez restituição não seja simplesmente devolver informação. Precisamos perguntar:

em qual linguagem o dado precisa voltar para conseguir reencontrar o Corpo-Território que o produziu?

Foi justamente essa expressão — “na linguagem de cada um” — que apareceu na pergunta feita anos atrás a Roberto Lent e que agora se torna o segundo problema da W41/2026.

Falar a mesma língua não significa significar da mesma maneira

Comecemos eliminando um equívoco.

“Na linguagem de cada um” não significa apenas tradução.

Não basta uma IA identificar se alguém fala português, espanhol, aimará ou uma língua indígena e alterar o idioma da interface.

Duas pessoas que falam português podem compreender a mesma informação de maneiras muito diferentes.

Uma prefere números. Outra, imagens. Uma compreende imediatamente uma probabilidade. Outra precisa relacioná-la a uma situação cotidiana. Uma domina determinado vocabulário científico. Outra possui conhecimentos extremamente sofisticados sobre seu território, mas organiza diferenças através de outras categorias.

Linguagem, portanto, não é apenas um recipiente onde colocamos informações.

Linguagem participa da maneira pela qual diferenças adquirem significado.

É aqui que o trabalho do psicolinguista brasileiro Marcus Maia se torna especialmente importante para nossa pergunta.

Quando a psicolinguística encontra outros territórios

Marcus Maia e colaboradores vêm desenvolvendo pesquisas sobre processamento da linguagem que incluem línguas indígenas brasileiras.

Esse encontro também expõe um problema da própria ciência.

Grande parte da psicologia cognitiva e da psicolinguística experimental foi construída a partir de populações frequentemente classificadas pela sigla WEIRD - Western, Educated, Industrialized, Rich and Democratic.

Quando resultados obtidos nesse recorte são automaticamente transformados em modelos universais do humano, podemos deixar de perceber outras formas de organização linguística e cognitiva.

Em trabalho recente com os Karajá, Marcus Maia, Daniela Cid de Garcia e Juliana Novo Gomes discutem justamente iniciativas psicolinguísticas Non-WEIRD, nas quais participantes indígenas não aparecem apenas como fornecedores de respostas experimentais. Há também uma dimensão metacognitiva, na qual falantes podem refletir sobre sua própria língua e sobre fenômenos investigados.

Isso produz uma aproximação importante com nossa hipótese.

Talvez o problema não seja apenas conhecer melhor o outro.

Talvez aquele que está sendo conhecido também precise participar das categorias utilizadas para compreendê-lo.

E se nossas categorias chegarem primeiro?

Imagine uma IA treinada em enormes volumes de dados.

Ela aprende categorias, associações e maneiras estatisticamente eficientes de organizar diferenças.

Então encontra um Corpo-Território.

Existe uma tendência:

encaixá-lo nas categorias que a máquina já possui.

Mas e se diferenças fundamentais para aquela pessoa sequer existirem na arquitetura classificatória do sistema?

Uma IA pode falar perfeitamente uma língua e continuar impondo categorias produzidas em outro contexto.

Isso não significa que cada Corpo-Território habite um universo incomunicável. Se fosse assim, conhecimento compartilhado seria impossível.

O desafio está justamente entre dois extremos:

não presumir que todos significam da mesma maneira e não presumir que ninguém consegue compartilhar significado.

Nesse intervalo começa a surgir uma característica importante da IA Personalíssima.

Talvez a máquina precise aprender a perguntar

Normalmente pensamos personalização como capacidade de oferecer respostas melhores.

E se também significasse aprender a perguntar melhor?

Um sistema informa:

“Seu risco aumentou 17%.”

Mas poderia perguntar:

“Você prefere compreender isso como probabilidade, comparação histórica ou situação cotidiana?”

Detecta:

“Seu comportamento mudou.”

E pergunta:

“Essa mudança corresponde a algo que aconteceu em sua vida?”

Ou infere:

“Você costuma preferir X.”

Mas mantém aberta uma possibilidade:

“Essa descrição ainda faz sentido para você?”

A linguagem deixa de ser apenas o canal utilizado pela IA para entregar uma conclusão.

Passa a integrar o mecanismo pelo qual aquela conclusão permanece aberta à significação.

Não estamos propondo negociar fatos.

Estamos permitindo interação com interpretações.

Quando quem foi observado pode olhar o dado

Há uma imagem particularmente interessante nas experiências relatadas por Maia com professores Karajá.

Em atividades envolvendo fenômenos linguísticos e rastreamento ocular, os dados produzidos podiam participar posteriormente de reflexões sobre leitura e sobre a própria língua.

Pensemos no movimento.

O equipamento observa.

Produz dado.

O pesquisador analisa.

Mas o dado pode voltar.

E aquele que estava sendo observado pode olhar para uma representação produzida a partir de sua própria atividade e novamente participar do processo.

Não estamos afirmando que Maia ou os participantes Karajá tenham proposto a IA Personalíssima. Essa extensão é BrainLatam.

O que essa experiência nos ajuda a enxergar é um princípio metodológico:

o participante não precisa permanecer apenas como lugar de onde o dado é extraído; pode voltar a participar da interpretação do que foi produzido a partir dele.

Isso nos aproxima daquilo que, no Blog 1, chamamos de restituição.

A América Latina não cabe em uma única interface

A questão torna-se ainda maior quando pensamos nosso território.

A Década Internacional das Línguas Indígenas, promovida pelas Nações Unidas entre 2022 e 2032, chama atenção para a enorme diversidade linguística e para os riscos enfrentados por muitas dessas línguas.

Na América Latina, iniciativas recentes também discutem presença digital, tecnologias linguísticas e participação das próprias comunidades.

Isso sugere que talvez seja insuficiente seguir o modelo:

primeiro construímos a tecnologia; depois traduzimos a interface.

Precisamos perguntar antes:

quais diferenças esta tecnologia consegue perceber?

Uma língua não é apenas um conjunto diferente de palavras utilizadas para nomear as mesmas coisas.

Ela participa de histórias, relações e maneiras culturalmente situadas de organizar experiências.

Isso também não deve ser romantizado como algo imutável.

Corpos-Territórios mudam.

Línguas mudam.

Culturas mudam.

A relação com tecnologias também cria novas maneiras de significar.

Por isso, uma IA Personalíssima não deveria tentar descobrir a “lingagem definitiva” de alguém.

Ela precisaria continuar aprendendo com esse alguém.

O dado precisa encontrar quem o produziu

No Blog 1 propusemos:

Corpo-Território → dado → processamento → IA Personalíssima → restituição → interpretação → contestação/transformação → novos dados.

Agora percebemos que algo faltava entre restituição e interpretação:

significação.

Podemos ampliar:

Corpo-Território → dado → processamento → IA Personalíssima → restituição → linguagem/significação → interpretação pelo Corpo-Território → contestação/transformação → novos dados.

Se não existe uma ponte de significado, o dado pode retornar fisicamente sem retornar cognitivamente.

Chegou à tela.

Não necessariamente chegou à pessoa.

Hipótese BrainLatam: a linguagem também faz parte da restituição

Chegamos então à segunda hipótese desta W41/2026:

Uma IA Personalíssima não deveria apenas aprender sobre um Corpo-Território. Deveria aprender continuamente como devolver suas representações de maneira que esse Corpo-Território possa participar da produção de significado sobre elas.

Isso muda a pergunta.

Em vez de apenas:

“Como explicar isso de maneira mais simples?”

podemos perguntar:

“Quais diferenças são relevantes para que este Corpo-Território consiga interagir com esta representação?”

Talvez sejam necessárias palavras.

Talvez imagens.

Números.

Sons.

Relações espaciais.

Exemplos ligados ao território.

Ou combinações que ainda não conhecemos.

A IA Personalíssima não deveria decidir antecipadamente qual linguagem é correta.

Ela precisaria descobrir isso com o Corpo-Território.

E talvez seja justamente esse com que começa a preparar nossa passagem do individual para o coletivo.

Porque linguagem nunca acontece completamente sozinha.

Aprendemos signos com outros. Discordamos. Reorganizamos significados. Criamos novos hábitos.

Se diferentes Corpos-Territórios significam de maneiras diferentes, como conseguem construir algo em comum?

Como compartilhar sem exigir que todos interpretem da mesma maneira?

Como pertencer sem entregar a alguém o poder de definir sozinho o significado?

É aqui que lentamente nos aproximamos de Jiwasa — “A gente”: sentir pertencimento sem precisar reduzir o Ser.

Ainda não chegamos ao Jiwasa coletivo.

Antes, precisamos enfrentar outra diferença fundamental.

Uma IA pode aprender nossa linguagem, nossos hábitos e nossos signos. Pode construir representações cada vez melhores sobre nós.

Mas aquilo que ela consegue dizer sobre mim ainda não sou eu.

Por isso, nosso próximo ensaio começa com uma frase simples:

O dado não é você.

Referências comentadas — América Latina, pós-2021

MAIA, Marcus; CID DE GARCIA, Daniela; GOMES, Juliana Novo. Non-WEIRD (psycho)linguistic endeavors: theoretical and metacognitive research with the Karajá of Central Brazil. Revista Linguíʃtica, 2023/2024.
Referência central deste ensaio. Discute os limites da predominância WEIRD na investigação psicolinguística e experiências de pesquisa com os Karajá que incluem uma dimensão metacognitiva e maior participação dos próprios falantes.

MAIA, Marcus. Focalizando e Topicalizando na língua Karajá: brincando epilinguisticamente. UFRJ, 2022.
Apresenta experiências com professores Karajá envolvendo reflexão linguística e dados experimentais. Para a hipótese BrainLatam, ajuda a pensar a passagem de participante como fonte de dados para participante da interpretação.

MAIA, Marcus; GOMES, Juliana Novo. Cultural attitudes and linguistic processes in Karajá. Linguistic Approaches to Bilingualism, 2023.
Contribui para compreender como processos linguísticos, bilinguismo e atitudes culturais podem participar de uma mesma ecologia linguística, evitando tratar língua e contexto como dimensões independentes.

LLANES-ORTIZ, Genner. Digital Initiatives for Indigenous Languages: Creating Digital Futures for Indigenous Languages. UNESCO, 2023.
Reúne estratégias e experiências relacionadas à presença das línguas indígenas nos ambientes digitais e destaca a participação dos próprios povos na construção de futuros tecnológicos para suas línguas.

UNESCO. Empowering Indigenous Languages in the Digital Age: A Toolkit for Action. 2023.
Ajuda a deslocar a discussão da simples digitalização de idiomas para questões de participação, presença digital, criação tecnológica e relações das comunidades com suas próprias línguas.

GONZÁLEZ ZEPEDA, Luz Elena; MARTÍNEZ PINTO, Cristina Elena. Inteligencia artificial centrada en los pueblos indígenas: perspectivas desde América Latina y el Caribe. UNESCO, 2023.
Importante para pensar uma IA latino-americana que não trate diversidade cultural como um problema posterior de adaptação da interface, mas como uma dimensão relevante desde a concepção tecnológica.

W41/2026 — CEPID da IA Personalíssima ao Futuro Coletivo

Hipótese BrainLatam: devolver o dado não significa apenas fazê-lo chegar novamente à pessoa. O dado retorna quando consegue reencontrar o Corpo-Território em uma linguagem na qual este possa participar da produção de seu significado.