A imagem ficou fácil. E a criação?
- Luciano Neves
- Aug 14
- 10 min read
IA generativa, repetição estética, autoria e o novo papel dos artistas na construção de imagens
Durante décadas, transformar uma ideia em imagem exigiu uma cadeia de decisões humanas.
Um cliente tinha uma intenção. Uma agência transformava essa intenção em conceito. Diretores, fotógrafos, ilustradores, designers, artistas 3D, coloristas e equipes de VFX traduziam o conceito em escolhas concretas: enquadramento, lente, luz, textura, casting, cenário, movimento, composição, ritmo, cor.
A imagem final não surgia apenas porque alguém sabia o que queria ver.
Ela surgia porque uma equipe sabia como olhar.
Hoje, parte considerável desse percurso pode aparentemente ser comprimida em algumas linhas de texto.
“Cinematic lighting.”
“Shot on 35mm.”
“Editorial photography.”
“Golden hour.”
“Surreal.”
“Photorealistic.”
Um prompt, alguns segundos e dezenas de imagens aparecem na tela.
É uma transformação extraordinária.
Mas talvez a pergunta mais importante para a indústria criativa não seja:
“Até onde a inteligência artificial consegue gerar imagens?”
Talvez seja:
“O que acontece com a cultura visual quando gerar uma imagem se torna muito mais fácil do que construir um olhar?”
Da escassez para a abundância infinita
A inteligência artificial generativa produziu algo que talvez seja ainda mais significativo do que uma nova ferramenta de criação: ela alterou radicalmente a economia da imagem.
Durante boa parte da história da publicidade, cinema e fotografia, produzir uma imagem sofisticada envolvia tempo, infraestrutura, conhecimento e capital.
Hoje o custo marginal de produzir mais uma variação visual está próximo de zero.
Uma campanha que antes talvez explorasse vinte alternativas pode explorar centenas ou milhares.
Isso representa um ganho extraordinário de produtividade.
E existem dados que comprovam esse efeito.
Um estudo publicado no PNAS Nexus, analisando mais de 4 milhões de trabalhos produzidos por mais de 50 mil usuários, encontrou um aumento de aproximadamente 25% na produtividade criativa após a adoção de ferramentas text-to-image. O estudo também encontrou aumento no valor percebido das obras, medido pela probabilidade de receber avaliações positivas na plataforma.
Mas existe um detalhe particularmente interessante.
Enquanto a produtividade aumentou, a novidade visual média diminuiu.
Os pesquisadores observaram que usuários começaram a convergir para determinadas soluções estéticas, estilos e fórmulas visuais. Segundo os autores, a própria lógica do prompt e dos modelos pode favorecer essa convergência.
Em outras palavras:
produzimos mais imagens, mas isso não significa necessariamente que estamos produzindo mais maneiras de ver o mundo.
O paradoxo da criatividade assistida por IA
Esse fenômeno não aparece apenas na geração de imagens.
Um experimento publicado na Science Advances, em 2024, encontrou um paradoxo semelhante na escrita criativa.
Participantes que receberam sugestões de IA produziram histórias consideradas individualmente mais criativas, mais bem escritas e mais interessantes.
Porém, quando todas essas histórias foram comparadas entre si, aquelas produzidas com assistência de IA eram mais semelhantes umas às outras.
Os autores resumiram o problema como um possível ganho de criatividade individual acompanhado de uma perda de diversidade criativa coletiva.
É uma distinção importante.
Uma imagem pode ser excelente isoladamente.
O problema aparece quando milhões de pessoas estão consultando sistemas treinados sobre enormes universos culturais semelhantes, utilizando vocabulários semelhantes, referências semelhantes e buscando os mesmos sinais de “qualidade”.
A imagem continua bonita.
Mas começamos a reconhecer a receita.
A mesma luz cinematográfica.
A mesma profundidade de campo.
A mesma pele perfeita.
O mesmo contraste.
O mesmo enquadramento épico.
A mesma arquitetura impossível.
A mesma fotografia de produto hiperpolida.
A mesma sensação de que tudo parece ter sido dirigido pelo mesmo diretor invisível.
Será que cortar o artista do processo corta também parte da originalidade?
Uma pesquisa publicada em Advanced Science em março de 2026 analisou especificamente criatividade visual comparando artistas, não artistas e imagens produzidas por Stable Diffusion.
O resultado encontrou uma hierarquia interessante:
artistas visuais apresentaram os maiores níveis de criatividade, seguidos por não artistas, IA fortemente orientada por humanos e, por último, IA com menor intervenção criativa humana.
Mais importante: quanto maior a contribuição humana na construção da ideia e orientação da IA, melhor foi a avaliação da criatividade dos resultados gerados.
É apenas um estudo, e não deve ser transformado em uma conclusão universal.
Mas ele sugere algo fundamental.
Talvez o valor do artista nunca tenha sido simplesmente sua capacidade manual de produzir pixels.
Um fotógrafo não é apenas alguém que opera uma câmera.
Um diretor não é alguém que sabe escrever um prompt.
Um diretor de arte não é alguém capaz de encontrar referências.
O trabalho criativo está em selecionar, excluir, interpretar, combinar, questionar e tomar decisões.
A ferramenta executa possibilidades.
A autoria emerge das escolhas.
A inteligência artificial não “procura pixels”, mas a questão das referências continua existindo
Existe aqui uma distinção técnica importante.
Modelos generativos de imagem normalmente não funcionam como um mecanismo de busca que recebe um prompt, localiza determinadas fotografias na internet, recorta seus pixels e constrói uma colagem.
Modelos de difusão aprendem, durante seu treinamento, relações estatísticas presentes em grandes quantidades de imagens e textos. Na geração, partem de informação ruidosa e progressivamente constroem uma representação visual condicionada pelo prompt e por outros controles. A arquitetura dos chamados Latent Diffusion Models, que esteve na base de sistemas como Stable Diffusion, é um dos exemplos dessa abordagem.
Isso não significa, porém, que as imagens utilizadas no treinamento se tornem juridicamente ou artisticamente irrelevantes.
Pesquisadores de Google, DeepMind, Princeton, Berkeley e ETH Zurich demonstraram que modelos de difusão podem, em determinadas circunstâncias, memorizar e reproduzir exemplos do conjunto de treinamento. Em um trabalho apresentado no USENIX Security Symposium, pesquisadores conseguiram extrair mais de mil exemplos associados aos dados de treinamento, incluindo fotografias, logotipos e outras imagens.
Portanto, duas afirmações aparentemente contraditórias podem ser verdadeiras ao mesmo tempo:
um modelo generativo não é simplesmente uma máquina de copiar e colar imagens;
e
modelos generativos podem memorizar, reproduzir ou incorporar características derivadas de obras utilizadas durante seu treinamento.
É justamente nesse espaço que está ocorrendo uma das maiores discussões de propriedade intelectual da nossa geração.
Prompt não é necessariamente direção
Existe outra questão pouco discutida.
Ao escrever um prompt, estamos realmente exercendo o mesmo grau de controle criativo de um fotógrafo, ilustrador ou diretor?
Nos Estados Unidos, o Copyright Office analisou exatamente essa questão.
Em seu relatório sobre copyright e inteligência artificial, publicado em 2025, o órgão concluiu que, considerando as tecnologias disponíveis naquele momento, prompts isoladamente não fornecem necessariamente controle expressivo suficiente para caracterizar autoria sobre todos os elementos produzidos pela máquina.
Isso não significa que trabalhos utilizando IA não possam possuir copyright.
Intervenções humanas como seleção, composição, edição, transformação, combinação e direção expressiva podem continuar protegidas.
A distinção está justamente no grau de participação humana.
É uma conclusão interessante para a indústria criativa.
Porque escrever:
“mulher em uma praia ao pôr do sol, luz cinematográfica, lente anamórfica, estética fashion editorial”
pode produzir uma imagem tecnicamente impressionante.
Mas direção envolve muito mais.
Por que essa mulher?
Por que essa praia?
Por que esse momento?
Que emoção buscamos?
Qual relação existe entre personagem e ambiente?
O que deveria permanecer fora do enquadramento?
Que elementos devem ser imperfeitos?
Qual é a intenção cultural daquela imagem?
Qual memória ela quer provocar?
E talvez a mais importante:
por que essa imagem precisa existir?
O risco de uma cultura visual que começa a treinar sobre si mesma
Existe ainda outro problema de segunda ordem.
Quanto mais conteúdo sintético produzimos e publicamos, maior a possibilidade de futuros sistemas serem treinados sobre conteúdo que já foi produzido por outros sistemas.
Em 2024, pesquisadores publicaram na revista Nature um estudo sobre o fenômeno conhecido como model collapse.
Eles demonstraram que modelos treinados recursivamente sobre dados produzidos por outros modelos podem gradualmente perder partes da distribuição original dos dados, especialmente eventos e características menos frequentes.
Isso não significa que a internet esteja inevitavelmente caminhando para um colapso visual.
Mas aponta para um problema real de curadoria.
Imagine o ciclo:
artistas produzem cultura.
modelos aprendem sobre essa cultura.
pessoas produzem bilhões de novas imagens utilizando esses modelos.
essas imagens voltam para a internet.
novos modelos aprendem também sobre essas imagens.
A diversidade cultural original corre o risco de passar repetidamente pelo mesmo filtro estatístico.
É uma espécie de autofagia estética.
E, nesse cenário, referências verdadeiramente humanas, locais, estranhas, imperfeitas e inesperadas podem se tornar ainda mais valiosas.
Não estamos exatamente em um território sem regras
É tentador chamar o momento atual de “Velho Oeste” da inteligência artificial.
Mas essa descrição começa a ficar desatualizada.
A regulamentação já está chegando.
Na União Europeia, fornecedores de modelos de IA de uso geral passaram a ter obrigações relacionadas a documentação, políticas de copyright e publicação de informações sobre o conteúdo utilizado para treinamento.
Desde 2 de agosto de 2026, novas obrigações de transparência do AI Act também passaram a ser aplicáveis a determinados conteúdos gerados ou manipulados por IA. Entre outras medidas, sistemas que geram áudio, imagem, vídeo ou texto sintético devem implementar mecanismos que permitam identificar tecnicamente esse conteúdo como artificialmente produzido ou alterado.
Paralelamente, padrões como o C2PA e Content Credentials estão criando mecanismos criptograficamente verificáveis para registrar procedência e histórico de edição de arquivos digitais.
No Brasil, o ambiente ainda está em formação. O PL 2.338/2023, aprovado pelo Senado e enviado à Câmara dos Deputados, continua fazendo parte da construção do marco brasileiro de inteligência artificial, enquanto outros projetos discutem especificamente propriedade intelectual e utilização de obras por sistemas de IA.
Portanto, talvez não estejamos em um pântano sem regras.
Estamos em uma transição na qual a tecnologia avançou mais rápido do que os modelos econômicos, jurídicos e culturais capazes de organizá-la.
Teremos que pagar pelos dados utilizados para treinar IA?
É possível.
Mas provavelmente o modelo econômico será mais complexo do que atribuir alguns centavos a cada fotografia que teria contribuído para cada imagem gerada.
Tecnicamente, estabelecer uma relação causal precisa entre uma saída específica e milhões ou bilhões de itens utilizados no treinamento é extremamente difícil.
Por outro lado, mercados de licenciamento para treinamento de IA já estão surgindo.
Em seu relatório sobre treinamento de IA generativa, o U.S. Copyright Office observou que acordos voluntários de licenciamento já existem em determinados setores e podem se desenvolver em outros. O próprio relatório discute possibilidades como licenciamento direto, licenciamento coletivo e mecanismos de opt-out.
O órgão também reconhece um problema econômico relevante: mesmo quando uma saída não copia literalmente uma obra específica, conteúdo produzido em grande escala pode competir com mercados onde atuam os criadores cujos trabalhos ajudaram a formar os conjuntos de treinamento.
A pergunta futura talvez não seja:
“De qual fotografia vieram estes pixels?”
Mas:
“Qual ecossistema cultural tornou possível esse modelo, e como os criadores desse ecossistema participam do valor econômico que ele gera?”
Essa discussão está apenas começando.
Talvez estejamos usando a IA para resolver o problema errado
O maior risco para publicidade, cinema, design e VFX talvez não seja a inteligência artificial produzir imagens melhores do que artistas.
Talvez seja a indústria começar a confundir velocidade com criatividade.
Uma máquina capaz de oferecer cem alternativas em um minuto as vezes resolve um problema de produção.
Ela não necessariamente resolve um problema de direção.
Na verdade, quanto mais alternativas conseguimos produzir, maior se torna a importância de alguém saber reconhecer qual delas possui significado.
Esse alguém continua precisando de repertório.
De fotografia.
De cinema.
De pintura.
De arquitetura.
De design.
De história.
De cultura.
De experiência.
De sensibilidade.
E, principalmente, de um ponto de vista.
O futuro provavelmente não será Human versus AI
Colocar artistas de um lado e inteligência artificial do outro talvez seja uma falsa escolha.
A questão mais produtiva é decidir onde a inteligência artificial entra no processo criativo.
Ela pode ser extraordinária para exploração visual, prototipagem, previs, concept, composição, extensão de cenários, desenvolvimento de linguagem, variações, testes e centenas de outras tarefas.
Em um pipeline bem dirigido, IA pode eliminar fricção.
Pode permitir que artistas experimentem mais.
Pode liberar tempo de execução para aumentar o tempo dedicado às decisões.
Pode tornar ideias antes inviáveis economicamente possíveis.
Mas há uma enorme diferença entre utilizar inteligência artificial para expandir a capacidade de um artista e utilizá-la para eliminar o artista do processo.
No primeiro caso, temos alavancagem.
No segundo, podemos ter apenas eficiência.
E eficiência sem direção tende à média.
A abundância torna o olhar mais valioso
Talvez este seja o paradoxo mais interessante da era generativa.
Quanto mais fácil for produzir uma imagem tecnicamente perfeita, menos valor existirá simplesmente no fato de conseguir produzir uma imagem tecnicamente perfeita.
O diferencial migra.
Da execução para a intenção.
Da ferramenta para o repertório.
Da capacidade de gerar para a capacidade de escolher.
Da imagem para o olhar.
Durante muito tempo perguntamos:
“Quem consegue produzir esta imagem?”
Talvez, daqui para frente, a pergunta realmente importante seja:
“Quem consegue imaginar uma imagem que ainda não vimos?”
A inteligência artificial não diminui necessariamente a importância dos artistas.
Talvez esteja tornando mais evidente aquilo que sempre foi o verdadeiro trabalho deles.
Não produzir pixels.
Produzir significado.
Existe hoje uma promessa recorrente de que a inteligência artificial já seria capaz de produzir campanhas inteiras, com vídeos consistentes e acabamento premium, em poucos cliques. Na prática, ainda existe uma distância importante entre gerar imagens impressionantes e entregar um filme publicitário com controle, continuidade e fidelidade absoluta ao produto. Na CLAN, temos recebido projetos inicialmente produzidos por IA que chegam à etapa de VFX com problemas de consistência, identidade, geometria, movimento e acabamento, alguns complexos e, em certos casos, inviáveis de corrigir sem reconstrução.
Esse cenário também cria uma distorção econômica. Muitos clientes passaram a esperar que trabalhos de alto nível em 3D, composição e pós-produção custem o mesmo que soluções automatizadas que prometeram substituir essas etapas, mas não conseguiram entregar o resultado final necessário. O custo de gerar uma primeira versão pode ter diminuído drasticamente; o custo de chegar à imagem correta, consistente e aprovada não necessariamente diminuiu na mesma proporção.
Por isso, talvez seja mais preciso enxergar a IA não como uma substituta integral do processo, mas como uma nova ferramenta dentro dele. Quanto maior a exigência de precisão, identidade de marca e qualidade final, mais importantes continuam sendo direção artística, 3D, composição, VFX e profissionais capazes de transformar uma possibilidade gerada em uma imagem realmente controlada.
Referências e estudos
Epstein et al. — “Generative artificial intelligence, human creativity, and art” — PNAS Nexus, 2024. Estudo baseado em mais de quatro milhões de obras analisando produtividade, valor e novidade após adoção de ferramentas text-to-image.
Doshi & Hauser — “Generative AI enhances individual creativity but reduces the collective diversity of novel content” — Science Advances, 2024. Experimento sobre ganhos individuais de criatividade e redução da diversidade coletiva.
Rondini et al. — “Stable Diffusion Models Reveal a Persisting Human–AI Gap in Visual Creativity” — Advanced Science, 2026. Estudo comparando criatividade visual de artistas, não artistas e sistemas generativos sob diferentes níveis de orientação humana.
Rombach et al. — “High-Resolution Image Synthesis With Latent Diffusion Models” — CVPR, 2022. Trabalho técnico fundamental sobre modelos de difusão latente utilizados para síntese de imagens.
Carlini et al. — “Extracting Training Data from Diffusion Models” — USENIX Security Symposium, 2023. Pesquisa demonstrando memorização e possibilidade de extração de exemplos de treinamento em modelos de difusão.
Shumailov et al. — “AI models collapse when trained on recursively generated data” — Nature, 2024. Pesquisa sobre degradação de modelos submetidos repetidamente a dados sintéticos gerados por modelos anteriores.
U.S. Copyright Office — “Copyright and Artificial Intelligence, Part 2: Copyrightability”, 2025. Discussão sobre autoria humana, prompts e proteção de trabalhos contendo material gerado por IA.
U.S. Copyright Office — “Copyright and Artificial Intelligence, Part 3: Generative AI Training”, versão pré-publicação, 2025. Análise sobre treinamento com obras protegidas, fair use, impactos de mercado e possíveis modelos de licenciamento.
European Commission — AI Act, General-Purpose AI e Article 50. Regras europeias sobre copyright, transparência do treinamento e identificação de conteúdo sintético.
C2PA — Content Credentials. Padrão técnico para procedência, autenticidade e histórico verificável de conteúdos digitais.
Luciano Neves Co-founder, CEO & VFX Director at CLAN VFX | Executive MBA in Business Management for the Digital Era (INSPER)
Comments