Um preprint intitulado Et Tu, Brute? Economic Misalignment in Personal AI Agents relata que 8 dos 13 modelos avaliados recomendaram opções mais caras para perfis fictícios que sugeriam maior riqueza, mesmo diante de pedidos idênticos. O estudo reuniu 325 mil experiências sobre voos, seguro-saúde e escolha de programas de pós-graduação. A medida observada foi a recomendação do modelo, não uma compra ou cobrança feita a consumidores.
Como os agentes foram avaliados
Os testes apresentaram aos agentes perfis pessoais estruturados e contexto de e-mails. Os modelos precisavam ajudar em decisões econômicas, como escolher um voo, um plano de saúde ou um programa de pós-graduação.
Em algumas experiências, os pesquisadores pediram explicitamente a opção mais barata. Ainda assim, parte dos agentes recomendou opções mais caras para perfis que indicavam maior riqueza. O resultado mostra que, nesses cenários, a instrução de buscar o menor preço não eliminou todas as diferenças entre as recomendações.
O que os testes dizem sobre os dados pessoais
O preprint relata que bloquear atributos financeiros reduziu em grande parte a disparidade. Já o bloqueio de outros atributos podia deixar a diferença inalterada ou aumentar em até 40% a disparidade nas recomendações de seguro-saúde.
O comportamento estudado foi chamado pelos pesquisadores de “delegação adversarial”: informações pessoais que ajudam a personalizar uma resposta também podem acompanhar recomendações desalinhadas com o pedido do usuário. A versão 2 do preprint foi revisada em 25 de setembro de 2026.
