tecnologia // 22 Jun 2026
O algoritmo e a perda do gosto pessoal: quando a curadoria se torna invisível
A recomendação automatizada prometeu descoberta infinita, mas também pode estreitar repertórios, reforçar vieses e tornar a curadoria invisível.
Com a ascensão dos serviços de streaming e das redes sociais, a descoberta musical deixou de depender de críticos e amigos. Uma camada de algoritmos invisíveis filtra milhões de faixas, filmes e postagens e decide o que ouvimos, vemos e lemos. Essa curadoria automatizada, porém, carrega vieses e incentivos econômicos que podem homogeneizar gostos, limitar a diversidade e reforçar desigualdades. Este artigo examina como os sistemas de recomendação moldam a cultura e o que marcas, plataformas e consumidores podem fazer diante de um ambiente dominado por algoritmos.
“A curadoria deixara de ser humana e visível; transformara-se em uma matemática opaca.”
Logo após o lançamento do Discover Weekly em 2015, o Spotify se gabava de que seu algoritmo conseguia indicar faixas que as pessoas “nem sabiam que queriam ouvir”. Em poucos anos, 400 milhões de pessoas estavam assinando aplicativos de streaming, e ouvir música sem a mediação de uma plataforma tornou-se exceção[1]. Ao mesmo tempo, começou a circular uma sensação difusa de que perdêramos o próprio gosto: playlists personalizadas, feeds infinitos e vídeos curtos nos ofereciam exatamente aquilo que os algoritmos projetavam a partir de nossos cliques passados. A curadoria deixara de ser humana e visível; transformara-se em uma matemática opaca. Hoje, as playlists determinadas por inteligência artificial respondem por parcela crescente das audições globais, mas uma sequência de estudos aponta que essa personalização pode reproduzir desigualdades e homogeneizar preferências[2]. Afinal, quem decide o que ouvimos quando delegamos nosso gosto aos algoritmos?
a mudança em curso
Os sistemas de recomendação usam técnicas de aprendizado de máquina para classificar, ordenar e sugerir conteúdos com base em históricos de uso, semântica e correlações coletivas. Eles transformaram plataformas de streaming em grandes “organismos de filtragem”, como descreve o jornalista Kyle Chayka em Filterworld. Redes sociais e serviços de vídeo também adotaram esse modelo, inserindo o usuário em ciclos de retroalimentação: músicas que escutamos influenciam as sugestões seguintes, que por sua vez direcionam novos cliques. Segundo a pesquisa da plataforma Spotify Research, a empresa analisou mais de 850 milhões de playlists e elaborou um indicador de diversidade - o Generalist-Specialist score - para medir o quão diversas são as audições de cada usuário[3]. A análise revelou que a maioria das pessoas tem padrões de escuta estáveis ao longo do tempo e que os algoritmos, otimizados para engajamento, tendem a reforçar preferências recentes[4].
a lógica não se limita a música. Estudos do marketing mostram que algoritmos de anúncios também carregam biases de gênero e psicografia: um experimento conduzido pelos pesquisadores Sachin Banker, Shelly Rathee e colegas mostrou que anúncios com atributos negativos (“irresponsável”) eram mais frequentemente direcionados às mulheres[5]. A pesquisa alerta para a existência de bolhas de consumo sustentadas por sistemas que associam atributos demográficos a produtos, sem transparência sobre como essas correlações são construídas. Essa lógica vale para recomendações de filmes, de livros, de notícias. A investigação mais recente do governo britânico sobre algoritmos de streaming, publicada em 2023, concluiu que consumidores, criadores e selos consideram os algoritmos “intermediários culturais” que determinam visibilidade e renda[6]. Entretanto, há divergências profundas sobre o que é “justo”.
como a mediação mudou
Durante décadas, o gosto musical foi mediado por críticos, programadores de rádio e lojas independentes. Com o advento do streaming, houve uma migração massiva para plataformas que concentram catálogo, dados e relacionamento com o público. Segundo o relatório Fair MusE (2023), em 2022 havia 589 milhões de usuários pagando assinaturas de streaming no mundo; o segmento de streaming representou 67 % das receitas globais da indústria fonográfica, somando cerca de US$ 17,5 bilhões[7]. A Europa aparece como o segundo maior mercado, responsável por 26 % dessas receitas[8]. O crescimento explosivo transformou as plataformas de meros distribuidores em gatekeepers centrais: curadores algorítmicos que definem quem aparece nas listas, quem ganha royalties e quais artistas atravessam fronteiras[9].
Esse cenário deu origem a uma nova forma de curadoria, a algo-torial (termo do Fair MusE que mistura “algoritmo” e “editorial”). Playlists proprietárias - sejam algorítmicas ou editadas por equipes das plataformas - tornaram-se mercadorias disputadas. O relatório observa que playlists “proprietárias” pertencem aos provedores ou a terceiros, mas todos se baseiam em lógica algorítmica, na qual músicas são avaliadas e reavaliadas continuamente após a inclusão[10]. Além disso, a “dataficação” - monitoramento e análise das interações dos usuários - tornou-se central para o negócio[11]. O aumento da concorrência por atenção e a facilidade de acesso a milhões de faixas colocaram a personalização algorítmica como diferencial competitivo.
o que os dados mostram
diversidade e engajamento
Uma questão fundamental é se os sistemas de recomendação ampliam ou reduzem a diversidade de consumo. A equipe de pesquisa do Spotify comparou a diversidade de audições dos usuários em 2018 e 2019 e constatou que os padrões são estáveis[4]. Eles construíram um experimento para entender se algoritmos estimulavam diversidade ou homogeneidade. Ao calcular a diversidade nas audições orgânicas (selecionadas pelo usuário em playlists próprias) e nas audições programadas (geradas por playlists algorítmicas), os pesquisadores descobriram que a streaming orgânica é mais diversa; os fluxos programados são mais homogêneos para a maioria dos usuários[12]. Essa diferença se deve em parte ao fato de os algoritmos considerarem a probabilidade de duas músicas aparecerem na mesma playlist - um mecanismo que tende a aproximar estilos e artistas relacionados[13].
Além disso, os pesquisadores associaram a diversidade a indicadores de negócios: usuários com audição mais diversa eram 25 pontos percentuais mais propensos a converter de planos gratuitos para assinatura paga e 10 a 20 pontos percentuais menos propensos a cancelar o serviço, quando controladas as variáveis de engajamento[14]. Ou seja, diversidade correlaciona-se positivamente com valor de vida útil do cliente, embora a programação algorítmica muitas vezes não favoreça essa diversificação.
viés de popularidade
O viés de popularidade é um dos principais problemas apontados nas recomendações. Um estudo publicado na revista Advances in Information Retrieval reproduziu o experimento de Abdollahpouri et al., comparando a recomendação de filmes e de música. Usando dados de 3 mil usuários do Last.fm, os pesquisadores classificaram os participantes em grupos de baixa, média e alta propensão a artistas populares. Eles constataram que algoritmos favorizam itens populares também na música e que usuários com menor mainstreaminess recebem as piores recomendações[15]. A conclusão é que sistemas estatisticamente mais precisos não necessariamente servem a quem busca músicas de nicho, reproduzindo a lógica da longa cauda: poucos artistas dominam a atenção, enquanto a maioria permanece invisível.
viés demográfico e de gênero
Pesquisas recentes também investigam vieses demográficos. O relatório do governo britânico, que consultou criadores, consumidores e selos, identificou preocupação generalizada: 89,2 % dos criadores entrevistados temem que algoritmos privilegiem determinados artistas ou gravadoras; 85,3 % receiam que os sistemas favoreçam certos gêneros; 67,7 % temem viés contra grupos demográficos específicos[16]. Entre consumidores, quase metade (49 %) também teme que esses vieses influenciem suas escolhas[17]. A literatura revisada pelo governo distingue duas categorias principais de viés: popularidade e demográfico[18]. Pesquisas sobre gênero mostraram que homens e mulheres recebem recomendações distintas e que, independentemente do gênero do usuário, plataformas indicam principalmente artistas homens brancos[19].
Um estudo da Universidade de Utrecht, publicado em 2024, quantificou a dimensão desse viés. Os pesquisadores observaram que apenas cerca de 25 % dos artistas consumidos e recomendados nas plataformas são mulheres[20]. A análise de dados da Billboard e de bases de streaming mostrou que mulheres e minorias de gênero ocupam 20 % ou menos das listas de compositores[21], e que o algoritmo tende a sugerir seis músicas de homens para cada uma de mulher[22]. Ao simular intervenções, os pesquisadores propuseram re-ranquear as listas, introduzindo gradualmente mais artistas femininas, o que aumentou a diversidade sem reduzir a satisfação dos usuários[23]. O estudo sugere que ajustar o algoritmo é mais eficaz do que esperar mudanças no comportamento dos ouvintes.
Outra pesquisa, apresentada no workshop MuRS 2025, desenvolveu um protótipo de recomendação em que os usuários podiam configurar quatro dimensões de “justiça” - popularidade, gênero do artista, nacionalidade e diversidade de gênero musical - por meio de controles deslizantes. As 42 sessões de teste mostraram que oferecer controles transparentes melhora a sensação de justiça e satisfação, com a diversidade de gênero musical sendo o fator mais valorizado e a nacionalidade o menos demandado[24]. O estudo ressalta que algoritmos de recomendação geralmente priorizam precisão e engajamento, mas ignoram expectativas individuais de justiça, reforçando o viés de popularidade e a sub-representação de criadores marginalizados[25]. Para os autores, a incorporação de preferências de justiça na interface, e não apenas na matemática, é crucial.
percepções e popularização
Embora os dados mostrem vieses estruturais, as percepções variam. O relatório britânico aponta que definir o que é “justo” é difícil: para alguns, uma recomendação justa apenas reproduz o cenário desigual pré-existente; para outros, deveria corrigir as assimetrias da indústria[26]. A maioria dos criadores acredita que plataformas priorizam artistas de grandes gravadoras ou aqueles cujo catálogo pertence ao próprio serviço[27]. Há ainda o temor de que recursos como o Discovery Mode - que permite a artistas cederem parte da remuneração em troca de maior exposição - criem um campo de jogo desequilibrado[28]. Mesmo sem consenso, o dado de que 85,3 % dos entrevistados enxergam risco de priorização de gêneros musicais específicos reflete preocupação difundida[29].
onde está a disputa
As plataformas apresentam os algoritmos como instrumentos de democratização, capazes de levar qualquer artista a uma audiência global. Há sinais de que a diversidade nas paradas globais aumentou, segundo estudos reunidos pelo governo britânico[30]. A mesma revisão alerta que os sistemas podem reproduzir padrões ocidentais de gênero e raça e reduzir a descoberta de artistas locais[31][32]. O conflito está na função atribuída à recomendação: reproduzir o mercado existente ou corrigir suas desigualdades.
Do ponto de vista corporativo, plataformas se defendem afirmando que modelos de recomendação buscam equilibrar relevância e novidade para manter usuários engajados. A pesquisa do Spotify indica que diversificar audições aumenta conversão e reduz churn[14], mas implementar diversidade pode reduzir métricas imediatas de clique. A empresa, como outras do setor, começou a testar políticas adaptativas, variando a amplitude de artistas a depender do perfil do usuário[33]. A iniciativa Discovery Mode, criticada por muitos artistas, é justificada como ferramenta para “dar visibilidade” a novas faixas, embora dependa de descontos na remuneração. Críticos a comparam a payola digital; defensores argumentam que renunciar a parte dos royalties é opcional e pode impulsionar músicas de nicho.
Pesquisadores e ativistas, por sua vez, apontam que a transparência ainda é insuficiente. O relatório Fair MusE observa que não há consenso sobre critérios de avaliação de justiça e que abordagens computacionais tendem a focar na análise de dados, desconsiderando a perspectiva humana[34]. Alguns modelos de correção introduzem diversidade artificial, mas sem participação dos usuários, gerando desconfiança[35]. O estudo de Utrecht mostra que modificar algoritmos para incluir mais artistas mulheres não prejudica a experiência do usuário[23], enquanto a pesquisa do workshop MuRS demonstra que controles de justiça parametrizáveis aumentam a satisfação[24]. Há, portanto, divergência entre a narrativa das plataformas - centrada em eficiência e personalização - e as evidências que demandam responsabilização e participação.
o que muda para marcas e plataformas
para plataformas e selos
Os dados sugerem que transparência e participação são imperativos. Plataformas que continuam operando algoritmos opacos correm risco de perda de confiança, ações regulatórias e boicotes. A União Europeia, com o Digital Services Act, exige que grandes plataformas expliquem como funcionam seus sistemas de recomendação e permitam que os usuários optem por feeds não personalizados[36]. Embora a norma seja recente, ela sinaliza que a era da recomendação secreta está se encerrando. Para os selos, compreender a dinâmica algorítmica torna-se essencial para planejar lançamentos e campanhas. O relatório Fair MusE recomenda uma abordagem multistakeholder para enfrentar os vieses, envolvendo artistas, pesquisadores, reguladores e empresas na definição de critérios de justiça[37].
para marcas fora da indústria musical
Empresas de outros setores que utilizam recomendação (retail, mídia, publicidade) devem perceber que vieses algorítmicos não se restringem à música. O estudo de Sachin Banker mostrou que anúncios com atributos negativos são mais entregues a mulheres[5], evidenciando que a segmentação baseada em dados pode reforçar estereótipos. Campanhas mal calibradas correm o risco de serem percebidas como discriminatórias. Para mitigá-las, é preciso revisar datasets, adotar auditorias independentes, testar mensagens antes de lançá-las e disponibilizar informações sobre o funcionamento dos sistemas de recomendação. Ignorar essas medidas pode gerar crises reputacionais e danos duradouros à marca.
para o público
Consumidores também têm agência. Pesquisas sugerem que aumentar a diversidade de audição - procurar artistas independentes, gêneros menos mainstream e recomendações fora das playlists automáticas - fortalece o senso de gosto pessoal. O crítico Kyle Chayka argumenta que cultivar o gosto exige consumo lento e intencional: criar coleções, conversar com outras pessoas e explorar além dos feeds[38]. O estudo da Spotify Research mostra que usuários que escutam de forma diversa são mais satisfeitos e menos propensos a abandonar a plataforma[14]. Em outras palavras, desafiar o algoritmo pode ser benéfico tanto para quem ouve quanto para quem oferece música.
os riscos que a tendência carrega
Embora o diagnóstico de viés seja consistente, há contradições. A revisão do governo britânico nota que, desde 2018, houve um leve aumento na representação de artistas menos populares nas listas de streaming, sugerindo que os algoritmos podem estar contribuindo para contrabalançar a histórica concentração de atenção em hits[39]. Além disso, o número de artistas independentes ganhando espaço em mercados locais vem crescendo, impulsionado pela capacidade de plataformas distribuírem faixas sem a intermediação de gravadoras. Muitos usuários relatam descobrir músicas que jamais ouviriam sem recomendação automática. Por outro lado, a falta de dados sobre raça, idade e outras características dificulta avaliar se algoritmos prejudicam grupos específicos[40]. A coleta dessas informações, por sua vez, levanta questões de privacidade. A Fair MusE destaca que pesquisas de ciência da computação focam em métricas de desempenho e ignoram a experiência humana[34], o que limita a compreensão completa do fenômeno.
o que ainda falta comprovar
Para que a narrativa de “democratização” seja além da promessa publicitária, será preciso:
-
Auditorias independentes nas plataformas de streaming e redes sociais, com acesso a dados sobre algoritmos e audiências, para avaliar vieses de popularidade e demografia. A transparência não pode ser um favor, mas um requisito regulatório.
-
Dados demográficos detalhados de artistas e usuários, coletados de forma ética e voluntária. Pesquisas sobre gênero mostram o viés contra mulheres, mas há lacunas sobre raça, classe, sexualidade e geografias além da América do Norte e Europa[19].
-
Experimentos longitudinais, comparando escutas orgânicas e programadas, para medir como recomendações influenciam a formação de gosto ao longo de anos e se novas políticas algorítmicas alteram comportamentos. O estudo da Spotify Research oferece um modelo inicial[12].
-
Participação dos usuários na configuração de critérios de justiça. O protótipo do MuRS 2025 demonstra que controles parametrizáveis melhoram a percepção de equidade[24]; esse princípio pode ser expandido para serviços comerciais.
-
Governança e transparência nas relações econômicas: iniciativas como o Discovery Mode exigem monitoramento de seu impacto em artistas independentes e transparência sobre a remuneração. Reguladores devem estabelecer se a troca de royalties por visibilidade configura prática predatória.
a tensão que permanece
Os algoritmos de recomendação não são neutros. Eles têm objetivos - engajamento, retenção, rentabilidade - e operam a partir de dados marcados por desigualdades. É ilusório acreditar que delegar o gosto a máquinas nos libertará da repetição; pelo contrário, pode aprisionar em círculos estreitos. Ao mesmo tempo, os algoritmos são indispensáveis para organizar a avalanche de conteúdos sob a mediação das plataformas. A questão central é quem define seus critérios, quem se beneficia e quem fica invisível.
Os dados aqui reunidos mostram que a homogeneização do gosto não é uma fatalidade, mas uma consequência de escolhas de design e de incentivos. Ajustar algoritmos para aumentar a diversidade não compromete a experiência do usuário - pelo contrário, pode ampliá-la. Dar aos usuários controle sobre os parâmetros de justiça, coletar dados demográficos de forma responsável e submeter as plataformas a auditorias são passos necessários para que a promessa de personalização se torne realidade. Enquanto isso, cabe a cada ouvinte cultivar sua curiosidade: buscar sons fora das recomendações automáticas, apoiar artistas emergentes e questionar a neutralidade das playlists perfeitas. O gosto pessoal não se perde; ele se acomoda. Recuperá-lo exige consciência e atitude.
referências
- Spotify Research - “Algorithmic Effects on the Diversity of Consumption on Spotify” (2020)[3][14].
- Dominik Kowald et al. - “The Unfairness of Popularity Bias in Music Recommendation: A Reproducibility Study” (2020)[15].
- Governo do Reino Unido - “The impact of recommendation algorithms on the UK’s music industry” (2023)[16][17].
- União Europeia / Fair MusE - “Tuning in: A comprehensive analysis of music recommender systems, playlists and algorithmic fairness” (2023)[9][34].
- Christine Bauer, Utrecht University - pesquisa sobre viés de gênero em algoritmos de música (2024)[20].
- The Conversation - “Music recommendation algorithms are unfair to female artists, but we can change that” (2024)[21][22][23].
- S. N. Khan et al. - “User-Driven Fairness in Music Recommendations: Effects on Experience” (2025)[24][35].
- Kyle Chayka - “How to Cultivate Taste in the Age of Algorithms” (2020)[38].
- Brooke Adams - “New study shows algorithms promote bias - and consumers cooperate” (2023)[5].
[1] [21] [22] [23] Music recommendation algorithms are unfair to female artists, but we can change that
[2] [30] [31] [32] The impact of algorithmically driven recommendation systems on music consumption and production - a literature review - GOV.UK
[3] [4] [12] [13] [14] Algorithmic Effects on the Diversity of Consumption on Spotify | Spotify Research
[5] New U study shows algorithms promote bias-and consumers cooperate - @theU
[6] [16] [17] [18] [19] [26] [27] [28] [29] [33] [39] [40] The impact of recommendation algorithms on the UK’s music industry - GOV.UK
[7] [8] [9] [10] [11] [34] [37] Tuning-In-A-Comprehensive-Analysis-of-Music-Recommender-Systems-Playlists-and-Algorithmic-Fairness.pdf
[15] The Unfairness of Popularity Bias in Music Recommendation: A Reproducibility Study - PMC
https://pmc.ncbi.nlm.nih.gov/articles/PMC7148048/
[20] Music recommenders show a strong gender bias - Equity, Diversity & Inclusion - Utrecht University
[24] [25] [35] User-Driven Fairness in Music Recommendations: Effects on Experience
https://ceur-ws.org/Vol-4045/paper7.pdf
[36] Fairness in Music Streaming Algorithms: 2026 Review
https://music-tomorrow.com/blog/fairness-transparency-music-recommender-systems
[38] How to Cultivate Taste in the Age of Algorithms - by Kyle Chayka - Behavioral Scientist
https://behavioralscientist.org/how-to-cultivate-taste-in-the-age-of-algorithms/