Algoritmos de Recomendação em Apps Adultas: Ética

Algoritmos de Recomendação: O Que Está em Jogo

Quando abre uma app de encontros ou navega numa plataforma de conteúdo adulto, o que vê não é uma selecção neutra ou aleatória. É o resultado de um algoritmo — um sistema computacional que classifica e ordena opções com base em centenas de variáveis, optimizado para um objectivo específico (geralmente engagement ou receita, não necessariamente satisfação do utilizador). Estes algoritmos têm consequências reais: determinam que perfis vemos, que conteúdo nos é sugerido, e portanto influenciam padrões de atracção, expectativas, e comportamentos relacionais e sexuais a uma escala sem precedente histórico.

Em 2026, a combinação de maior literacia tecnológica do público, investigação académica crescente, e regulação europeia (DSA, AI Act) criou um contexto em que a opacidade tradicional destes sistemas começa a ser questionada. Este artigo analisa o funcionamento técnico dos algoritmos de recomendação nas principais apps adultas, as suas implicações éticas documentadas, e o estado da transparência e regulação.

O Sistema ELO do Tinder e os Seus Sucessores

O Tinder usou durante anos um sistema inspirado no ELO — o sistema de classificação de jogadores de xadrez — para determinar a "desejabilidade" de cada perfil. Cada utilizador tinha uma pontuação ELO que subia quando os seus likes eram correspondidos por utilizadores com ELO elevado, e descia em caso contrário. Esta pontuação determinava quem era mostrado a quem: utilizadores de ELO similar viam-se mutuamente com mais frequência.

Em 2019, o Tinder anunciou a transição para um novo sistema denominado TDL (Top Daily Likes), que afirma usar mais variáveis do que o ELO puro. Os detalhes exactos do algoritmo actual são proprietários e não divulgados publicamente. O que a investigação independente documentou é que factores como recência da actividade, taxa de resposta, qualidade percebida das fotografias (avaliada por visão computacional), e comportamento de swipe influenciam a visibilidade dos perfis.

A implicação prática é que apps de encontros não funcionam como uma vitrine neutra de todos os utilizadores disponíveis. Funcionam como um sistema de amplificação: perfis com características que o algoritmo favorece têm visibilidade desproporcionalmente maior. As características que o algoritmo favorece reflectem os dados de comportamento dos utilizadores, que por sua vez reflectem vieses culturais existentes.

Filter Bubbles em Contexto Adulto

O conceito de filter bubble — a tendência de sistemas de recomendação para reforçar e estreitar as preferências existentes em vez de alargar o espectro de exposição — aplica-se com particular força em contextos adultos. Algoritmos de recomendação de conteúdo adulto optimizados para tempo de visualização têm incentivos para servir conteúdo que confirma e intensifica preferências existentes, não conteúdo que desafia ou diversifica.

As implicações documentadas incluem: escalada de preferências para conteúdo de maior intensidade ao longo do tempo (fenómeno de habituação combinado com algoritmo de optimização), estreitamento de preferências em torno de tipos físicos muito específicos, e em casos extremos, reforço de preferências que se aproximam de categorias problemáticas. A investigação académica sobre esta relação causal é metodologicamente complexa (dificultar isolar o efeito algorítmico de outros factores), mas os padrões observacionais são consistentes com o mecanismo teorizado.

Viés Algorítmico: Race, Género e Aparência

O viés algorítmico em apps de encontros foi documentado de forma extensiva. O OKCupid publicou dados internos (em 2014, numa análise que se tornou referência) mostrando disparidades significativas nas taxas de match por etnia, com utilizadores negros a receberem sistematicamente menos correspondências do que a distribuição demográfica esperada justificaria. Em resposta às críticas, a plataforma alterou a forma como divulga estes dados, mas não é claro que o fenómeno subjacente tenha sido corrigido.

O problema estrutural é que algoritmos treinados em comportamento humano histórico reproduzem os vieses presentes nesse comportamento. Se os utilizadores historicamente fazem swipe com menos frequência em determinados grupos, o algoritmo aprende a mostrar esses perfis menos — criando um ciclo de reforço. Corrigir este viés exige escolhas de design activas que podem conflituar com o objectivo de optimizar engagement individual.

A transparência sobre como estes algoritmos funcionam e que variáveis usam é um requisito do AI Act para sistemas de recomendação classificados como de alto risco que afectam o acesso a serviços. Em 2026, a aplicação deste requisito a apps de encontros está a ser discutida entre as autoridades de supervisão europeias.

Transparência e Regulação: DSA e AI Act

O Digital Services Act (DSA, Regulamento UE 2022/2065) impõe obrigações de transparência sobre sistemas de recomendação a plataformas com mais de 45 milhões de utilizadores mensais na UE. As Very Large Online Platforms (VLOPs) — que incluem plataformas como o Tinder (Match Group) se atingirem o limiar de utilizadores — são obrigadas a disponibilizar pelo menos uma opção de recomendação não baseada em profiling e a publicar informação sobre os parâmetros principais dos seus sistemas de recomendação.

O AI Act classifica sistemas de IA de recomendação que têm impacto significativo em oportunidades de vida das pessoas como potencialmente de alto risco. Apps de encontros que afectam substancialmente as oportunidades relacionais e sexuais dos utilizadores estão na fronteira desta classificação, mas a sua inclusão explícita no Annex III do AI Act não está confirmada em 2026 — está em discussão durante o processo de actualização dos Annexos.

A OCDE publicou princípios para IA responsável que incluem transparência, prestação de contas, e robustez. A aplicação destes princípios a sistemas de recomendação em contexto adulto é um caso de uso crescentemente debatido. Para encontros em Portugal sem dependência de algoritmos, a plataforma EncontrosX em Lisboa permite navegação directa de perfis. Consulte também os perfis verificados em Lisboa para encontros presenciais.

Implicações Éticas: Uma Perspectiva de Produto

A questão ética central não é se os algoritmos de recomendação têm impacto — têm, documentadamente. A questão é se esse impacto é gerido com responsabilidade. Algumas perspectivas de produto relevantes:

• Optimização para engagement vs. bem-estar: Maximizar o tempo de uso ou o número de swipes não é o mesmo que maximizar a satisfação dos utilizadores ou o número de relações bem-sucedidas. Algumas plataformas estão a explorar métricas alternativas, mas o incentivo económico favorece o engagement.
• Transparência como trade-off: Divulgar como o algoritmo funciona permite que utilizadores e investigadores o auditem — mas também permite que seja "gamificado", o que pode degradar a sua eficácia.
• Consentimento sobre profiling: Os utilizadores raramente compreendem a extensão do profiling que fazem ao usar estas apps. O RGPD exige consentimento informado para decisões automáticas com efeito significativo, mas a aplicação a sistemas de recomendação em apps de encontros é ainda inconsistente entre autoridades.

Perguntas Frequentes

Posso optar por não ser analisado pelo algoritmo do Tinder?

Não completamente. O algoritmo usa o comportamento de swipe e outros dados de uso que são intrínsecos ao funcionamento da app. Algumas plataformas oferecem controlo sobre que dados são usados para recomendações personalizadas ao abrigo do RGPD, mas o funcionamento básico do algoritmo não pode ser desligado.

O algoritmo do Tinder discrimina por raça?

O algoritmo reflecte o comportamento agregado dos utilizadores, que contém disparidades por etnia documentadas empiricamente. Se o algoritmo activamente amplifica essas disparidades ou se apenas as reproduz é uma questão técnica com resposta dependente dos detalhes de implementação — que não são públicos.

A DSA obriga o Tinder a ser transparente sobre o algoritmo?

Se atingir o limiar de VLOP (45M utilizadores mensais na UE), sim. O Match Group como um todo provavelmente supera este limiar. Em 2026, as obrigações específicas de transparência sobre sistemas de recomendação estão a ser aplicadas progressivamente.

Referências

1. OECD AI Policy Observatory (2024). Recommendation Systems and Human Autonomy: Policy Considerations. oecd.ai
2. EUR-Lex (2022). Regulation (EU) 2022/2065 — Digital Services Act. eur-lex.europa.eu
3. Mozilla Foundation (2024). How Dating Apps Recommend Matches — What We Know. mozillafoundation.org