IA de companhia um ano depois: o que achou o primeiro acompanhamento de 12 meses

O que foi publicado, e por quem

O artigo é Living with AI Companions: Sustained AI Companionship Predicts Lower Well-Being Through Lower Human Interaction, publicado no arXiv em 7 de setembro de 2026 como arXiv:2609.07243 sob licença CC BY 4.0 — ou seja, todos os números abaixo podem ser conferidos na fonte. Assinam Yutong Zhang, Dora Zhao, Yixin Wang, Rebecca Anselmetti, Jeffrey T. Hancock, Robert Kraut e Diyi Yang, da Universidade Stanford, da Universidade de Michigan, da Universidade de Oxford e da Carnegie Mellon.

Os participantes foram recrutados via Prolific: usuários do Character.AI residentes nos EUA, falantes nativos de inglês, com mais de um mês de uso da plataforma e conversas com pelo menos três chatbots diferentes. A linha de base foi coletada entre setembro de 2024 e agosto de 2025 (N = 1.182); o acompanhamento, entre agosto de 2025 e junho de 2026 (N = 439), com intervalo médio de 362,5 dias (DP = 88,2). O bem-estar foi medido pelo Comprehensive Inventory of Thriving. O estudo foi aprovado pelo comitê de ética de Stanford (protocolo 76072).

Um detalhe de desenho importa para ler os resultados: dos 439 que voltaram, 108 haviam parado de usar chatbots por completo, e o uso deles no acompanhamento foi codificado como zero. Os autores refizeram toda a análise com os 331 que continuaram usando e relatam resultados consistentes.

O uso não ficou onde começou

O primeiro resultado é sobre trajetória, não sobre dano. A intensidade com que alguém usava chatbots na linha de base previu não só a intensidade um ano depois, mas também um uso mais voltado à companhia e uma autorrevelação mais profunda.

A leitura dos autores é que o envolvimento social se desenvolve pelo uso repetido, em vez de ficar fixado pelo motivo que levou alguém a baixar o app. Quem chegou por algo instrumental podia acabar num padrão relacional um ano depois. É um ponto relevante também para assistentes de uso geral, não só para produtos vendidos como companhia.

O modo como as pessoas descreviam a relação mudou na mesma direção, ainda que de forma modesta. Entre os 331 que seguiam usando chatbots no acompanhamento, "companheiro que apoia" subiu de 40,2% para 42,3% e virou a descrição mais comum, enquanto "ferramenta, assistente, sistema" caiu de 43,8% para 40,5%. O enquadramento romântico ou íntimo seguiu pequeno e quase estável, de 3,3% para 3,6% — um corretivo útil diante da cobertura que trata o romance com IA como o uso dominante. Mais da metade descreveu vários tipos de uso ao mesmo tempo nas duas ondas.

O mecanismo: tempo deslocado, não a conversa em si

Esta é a parte realmente nova. A equipe testou duas explicações concorrentes para a associação com o bem-estar e só uma se sustentou com clareza.

O uso na linha de base não previu diretamente o bem-estar no acompanhamento, uma vez considerado o bem-estar inicial — os coeficientes ficaram em torno de β = −0,03 a −0,04 e nenhum atingiu significância. O que carregava a associação era o que as pessoas ainda faziam um ano depois e, especificamente, o que esse uso havia substituído.

O tempo presencial, por sua vez, previu maior bem-estar com β = 0,14 a 0,15 nos três modelos. A cadeia que os dados sustentam é: uso sustentado mais intenso, menos contato cara a cara, menor bem-estar. Mantido o tempo presencial constante, a variável do chatbot deixa de fazer trabalho estatístico próprio.

Os tamanhos de efeito são pequenos. Um coeficiente indireto de −0,02 não é uma crise na vida de ninguém, e o artigo não o apresenta assim. O que o torna interessante é ser consistente em três formas independentes de medir o uso e apontar uma variável que dá para conferir sozinho.

Evidência independente na mesma direção

Um preprint isolado não é conclusão. Este merece atenção porque equipes diferentes, com métodos diferentes, continuam chegando ao mesmo trade-off.

O trabalho experimental importa porque testa a direção que um painel não consegue: ao manipular o quanto o chatbot parecia emocionalmente inteligente, o benefício psicológico e o custo social andaram juntos. É o mesmo formato do achado longitudinal, alcançado pelo lado oposto.

Os números de agosto de 2026 vêm da onda anterior desta mesma coorte, que tratamos em nossa análise do estudo de Stanford sobre solidão. Um painel de três ondas com estudantes publicado em setembro chegou a uma conclusão compatível por outro ângulo: o benefício do apoio da IA apareceu sobretudo em quem já tinha apoio humano, como explicamos na análise daquele estudo.

Uma checagem de cinco minutos sobre o seu próprio uso

Nenhum desses estudos testou um produto específico, e aqui não há veredito sobre nenhum app. Mas o resultado do deslocamento aponta uma variável fácil de observar sem instrumento algum.

1. Estime suas horas presenciais desta semana, não as de chat. O número do chatbot não foi o que previu bem-estar nesses dados. Foi o outro.
2. Pergunte o que uma sessão longa substituiu. Uma noite que já estava vazia é diferente de uma noite em que você cancelou algo.
3. Compare com um ano atrás, não com ontem. O resultado de trajetória diz que o uso tende a crescer em silêncio. Uma olhada mensal na tela de uso pega o que a diária deixa passar.
4. Repare se o jeito de chamar mudou. Nos dados, "ferramenta" derivou para "companheiro que apoia" ao longo de um ano. Essa deriva é normal; vale notar, não se alarmar.
5. Acompanhe a profundidade do que você conta, separada do tempo. A autorrevelação previu o deslocamento por conta própria, independentemente das horas registradas.
6. Mantenha um canal recíproco vivo. A sugestão de design dos próprios autores são companhias que apoiem relações humanas em vez de competir com elas; dá para aplicar como usuário antes de qualquer produto fazer isso.

Se você quer a visão de funcionalidades em vez da visão de pesquisa, nossas notas sobre apps de companhia e bem-estar e sobre memória e continuidade mostram como funcionam as escolhas de design que sustentam o uso.

O que este estudo não pode dizer

• É um preprint. O arXiv:2609.07243 não completou revisão por pares, e os números podem mudar antes da publicação formal.
• Duas ondas não são muitas. Os autores são explícitos: não conseguem caracterizar dinâmicas recíprocas em prazos mais longos, e pedem três ou mais ondas ou registro comportamental contínuo.
• A retenção foi de 37,1%. Voltaram 439 de 1.182. O motivo principal foi estrutural — 59,54% dos participantes iniciais já não estavam ativos no Prolific — e aplicou-se correção de Heckman, mas quem nunca voltou não se recupera.
• A medida de uso de companhia mudou entre as ondas. Na linha de base era escolha única; no acompanhamento, vários tipos de uso eram pontuados. Os autores sinalizam que isso limita a comparabilidade direta desse construto.
• Uma plataforma, um país. Usuários do Character.AI falantes de inglês residentes nos EUA, recrutados no Prolific. Outras plataformas e populações podem se comportar de outro jeito.
• Mudanças da plataforma não foram observadas. Alterações de modelo, moderação e design do Character.AI durante o período não puderam ser consideradas.
• Tempo presencial foi um único item autorrelatado. É um proxy razoável, não um registro de comportamento.

Para o retrato populacional em vez do mecanismo, nosso resumo sobre quantas pessoas realmente usam IA de companhia em 2026 cobre o lado das pesquisas.

Perguntas frequentes