E-mail escrito por IA funciona? O que a pesquisa já conseguiu medir

O e-mail escrito por IA sai mais claro e sai mais barato. O que a pesquisa publicada até agora não conseguiu mostrar é que ele deixe o destinatário mais disposto a fazer o que você pediu. Essa separação — entre a qualidade do texto e o efeito dele sobre uma pessoa — é a coisa mais útil que saiu dos estudos recentes, e é também a que some das discussões sobre produtividade.

A pergunta deixou de ser teórica. Em 9 de setembro de 2026 o Google anunciou que o Gemini passa a funcionar como “orquestrador inteligente” dentro do Workspace, agindo a partir do Gmail e dos demais aplicativos. Quem escreve e-mail comercial hoje tem IA do lado de cá e do lado de lá da mensagem. A decisão que sobra para um gestor não é mais “usar ou não usar”: é saber o que esperar — e o que continuar fazendo na mão.

Três estudos, três instrumentos diferentes

Antes dos resultados, o combinado: “funciona” é uma palavra que esconde pelo menos quatro medidas distintas, e os estudos abaixo medem coisas diferentes com métodos diferentes.

Clareza é uma nota que um leitor atribui ao texto. Disposição de agir é esse mesmo leitor dizendo o quanto faria o que foi pedido — autorrelato, não comportamento. Lucro bruto por pedido é dinheiro que entrou, medido em experimento aleatorizado. E estilo são medidas linguísticas do texto, sem nenhum leitor envolvido. Nenhuma das quatro é taxa de abertura: a métrica mais comum do e-mail marketing não aparece em nenhum desses trabalhos, e já escrevemos sobre por que ela engana quando usada sozinha.

O que está medido: a IA escreve mais claro

O trabalho mais direto sobre a pergunta é “Culture, emotions, and power dynamics in AI email communication”, de Marina Polupanova, Marios Constantinides e Daniele Quercia, publicado no International Journal of Human-Computer Studies em fevereiro de 2026.

O desenho: 46 e-mails escritos por profissionais de TI, telecomunicações e finanças — metade nos Estados Unidos, metade na Polônia — e 8 e-mails gerados por GPT-4 para as mesmas situações, com dois tipos de instrução (uma genérica e outra pedindo que a mensagem explicitasse emoções). Os casos eram pedidos de trabalho reais: coleta e análise de dados, estimativa de carga, organização de reuniões, com e sem diferença de hierarquia entre quem pede e quem recebe. Depois, 266 pessoas avaliaram os dois conjuntos.

O resultado de clareza é claro: 72,9% para os e-mails gerados por LLM contra 60% para os humanos, com diferença estatisticamente significativa. Quem escreve rápido, no meio do dia, pulando contexto, produz mensagem pior do que um modelo instruído a estruturar o pedido. Isso é consistente com a experiência de quase todo mundo que já pediu a uma IA para “deixar este e-mail mais claro”.

O que não está medido: a vontade de agir

A segunda metade do mesmo estudo é a parte que raramente é citada. Na disposição de agir, os e-mails de LLM ficaram em 69% contra 63% dos humanos — uma diferença que não foi considerada estatisticamente significativa. Nas palavras dos autores, em tradução livre, os e-mails gerados “expressaram tarefas de forma mais clara, mas não tinham mais probabilidade de resultar em disposição de agir”.

O que movimentou a disposição foi outra coisa. Além da hierarquia — subordinados aceitam mais —, pesaram a percepção de que o pedido era confiável e de que o remetente reconhecia o destinatário. Mensagens percebidas como confiáveis tiveram mediana de 72% de disposição de agir; as percebidas com repulsa, 39,5%. A análise temática dos autores identificou cinco traços que produziam confiança:

• reconhecer explicitamente a competência de quem recebe;
• agradecer;
• reconhecer que o tempo do outro tem valor;
• oferecer ajuda para a tarefa pedida;
• demonstrar confiança na capacidade do destinatário.

Nenhum desses cinco é um problema de redação. Todos dependem de o remetente saber com quem está falando e ter alguma coisa real a dizer sobre isso. A IA resolve a frase; ela não resolve o motivo. É a mesma distinção que separa uma lista grande de uma newsletter que converte.

O teste de campo: três experimentos e uma decisão de custo

Para sair do laboratório, o trabalho mais sólido é “Large Language Models and Creative Content Design”, de Jean-Pierre Dubé e Ariel Xu, publicado em Quantitative Marketing and Economics em 13 de janeiro de 2026. São três experimentos aleatorizados conduzidos numa empresa real de comércio eletrônico, ao longo de um ano, para decidir se e como adotar IA na criação do conteúdo dos e-mails.

As células testadas foram três: conteúdo escrito por redatores assalariados, conteúdo gerado por um modelo de linguagem e um arranjo híbrido, com um humano editando o texto do modelo. Quando se inclui a célula de controle que não recebia e-mail nenhum, o resultado é o seguinte: as três células aproximadamente dobram o lucro bruto dos pedidos em relação a não enviar.

A conclusão dos autores é econômica, não literária: a teoria da decisão “sempre escolhe uma das células de IA em vez da política humana padrão, com base no lucro anual total líquido da mão de obra e do software”. A revista da Chicago Booth, escola dos pesquisadores, detalhou em 7 de julho de 2026 o contexto do caso: cerca de 27.500 inscritos na newsletter, cada teste rodando duas semanas, três redatores assalariados custando US$ 375 mil por ano, e conteúdo de IA “aproximadamente tão eficaz” quanto o humano.

Leia essa frase com atenção, porque ela é frequentemente distorcida nos dois sentidos. O estudo não mostra que a IA escreve e-mail que vende mais. Ele mostra que a IA escreve e-mail que vende parecido por uma fração do custo — e que, para uma empresa pequena, isso basta para a decisão virar. Quem anuncia “IA aumenta sua receita de e-mail” e quem jura que “IA destrói resultado” estão ambos indo além do que o experimento mediu.

O risco que vem junto: todo mundo escrevendo igual

O terceiro estudo não mede resultado nenhum; mede texto. Em “Emails by LLMs: A Comparison of Language in AI-Generated and Human-Written Emails”, apresentado na ACM Web Science Conference em 19 de maio de 2025, Weijiang Li, Yinmeng Lai, Sandeep Soni e Koustuv Saha partiram de e-mails humanos reais do corpus do W3C, geraram equivalentes com GPT-3.5, GPT-4, Llama-2 e Mistral-7B e compararam tudo em dimensões sintáticas, semânticas e psicolinguísticas.

O achado mais importante não está em nenhuma linha dessa tabela, e sim na comparação entre modelos: os e-mails gerados são consistentes entre LLMs diferentes e destoam dos humanos como grupo. Um preprint de 6 de março de 2026 na arXiv, “Email in the Era of LLMs”, encontrou o mesmo tipo de concentração num cenário simulado: o texto dos modelos se agrupa na faixa de alta formalidade e alta empatia, e eles têm dificuldade de produzir o oposto sem receber exemplos. Preprint não passou por revisão por pares e o cenário é um jogo de simulação, não uma caixa de entrada real — mas a direção coincide.

Junte isso ao fato de que boa parte do mercado usa os mesmos poucos modelos, com prompts parecidos, e aparece um custo que nenhum estudo mediu ainda: o e-mail de IA bem escrito tende a soar como todos os outros e-mails de IA bem escritos. Num canal em que a disputa é por atenção, parecer o padrão é perder. Essa é uma inferência nossa, não um resultado experimental — mas é consistente com o que já observamos sobre assuntos: o que faz abrir é o que o leitor reconhece como dele, não o que está tecnicamente bem escrito.

E cair no spam? Não existe detector de texto de IA documentado

É a pergunta que mais aparece quando o assunto surge, e a resposta é mais chata do que o medo sugere. As diretrizes do Gmail para remetentes, consultadas em 4 de outubro de 2026, não mencionam conteúdo gerado por IA em lugar nenhum. O que elas cobram é comportamento: autenticação SPF ou DKIM para todo remetente e DMARC para quem passa de 5.000 mensagens por dia; cancelamento de inscrição em um clique nas mensagens de marketing; taxa de spam no Postmaster Tools “abaixo de 0,3%”, com recomendação de ficar abaixo de 0,10%; e cabeçalhos e conteúdo “precisos, e não enganosos”.

A ironia é que a IA está do outro lado. O próprio Google anunciou em 18 de dezembro de 2024 um modelo de linguagem treinado em phishing, malware e spam que, sozinho, “bloqueia 20% mais spam do que antes”. Ou seja: há LLM classificando a sua mensagem — só que pelo que ela faz com os destinatários, não por quem digitou as palavras.

Como usar IA no e-mail sem perder o que ela não entrega

Estas são recomendações editoriais derivadas dos três estudos e da nossa operação, não resultados de experimento próprio. Valem como critério de decisão para o próximo envio.

1. Use a IA para a frase e o humano para o motivo. Clareza e estrutura é onde o ganho está medido. A razão pela qual aquela pessoa deveria se importar não está no modelo — está na sua pesquisa sobre ela.
2. Prefira o arranjo híbrido. É o único que aparece bem nos dois trabalhos que o testaram: no experimento de campo ele entra no grupo aceito pela análise de decisão, e no preprint simulado a edição assistida supera tanto o texto humano puro quanto o do modelo puro. Na nossa operação, cada mensagem é gerada individualmente por IA e fica em rascunho até alguém aprovar — é esse arranjo, e não a automação completa.
3. Peça concisão explicitamente. Verbosidade é o traço mais consistente do texto de LLM e a concisão é o traço mais consistente do humano. Se você não pedir corte, vai receber três parágrafos onde cabiam quatro linhas.
4. Escreva os cinco sinais de confiança na mão. Reconhecer a competência do outro, agradecer, respeitar o tempo dele, oferecer ajuda, confiar na capacidade dele. Foram esses os traços associados a mais disposição de agir — e todos exigem informação verdadeira.
5. Proíba a IA de inventar fato sobre o destinatário. Personalização só com dado que você tem. Um elogio genérico ao “excelente trabalho da empresa” é pior do que nenhum elogio, porque sinaliza exatamente o que você queria esconder.
6. Meça resposta, não só abertura. Clareza melhora o texto; ninguém sabe se melhora o resultado da sua lista. A única forma de descobrir é comparar textos dentro do mesmo público, no mesmo instrumento, e olhar para o que você realmente quer que aconteça.
7. Não transforme queda de custo em aumento de volume. Produzir dez vezes mais mensagens ficou barato; a tolerância do destinatário e do provedor continua igual.

O que esses estudos não provam

• Nenhum deles é sobre prospecção B2B em português. São e-mails de trabalho nos Estados Unidos e na Polônia, uma loja de comércio eletrônico americana e um corpus técnico em inglês. O sentido do efeito é informativo; a magnitude não transfere.
• Um caso de campo é um caso. O experimento de Dubé e Xu é um estudo de uma única empresa, com um catálogo e um público específicos. Ele mostra possibilidade, não resultado esperado para a sua operação.
• Os modelos mudaram. O estudo de clareza testou GPT-4; o de estilo testou quatro modelos de 2023 e 2024. Modelos atuais escrevem melhor — o que não resolve o ponto central, que é sobre motivo e não sobre redação.
• Disposição de agir é autorrelato. Dizer que faria não é fazer. É uma medida indireta, com todas as distorções conhecidas de pesquisa declarada.
• A convergência estilística é uma preocupação, não um dado. Nenhum estudo mediu perda de desempenho por semelhança entre mensagens de IA. O que está medido é que os textos se parecem.

Perguntas frequentes

IA escreve e-mail melhor que um redator humano?

Depende do critério. Em clareza percebida, os estudos apontam vantagem da IA. Em disposição do leitor de agir, não há diferença demonstrada. Em lucro gerado num teste de campo, as duas ficaram próximas o bastante para que a decisão passasse a ser de custo.

Dá para cortar custo de redação com IA?

O único experimento de campo publicado com desenho aleatorizado indica que sim, numa empresa pequena com envio recorrente: foi exatamente essa a conclusão da análise de decisão. Vale lembrar que o cálculo incluía salários e software, e que o conteúdo era newsletter de produto para uma base própria — não prospecção fria.

E-mail escrito por IA cai no spam?

Não por ter sido escrito por IA. As diretrizes públicas do Gmail não tratam de autoria do texto; elas tratam de autenticação, taxa de reclamação, cancelamento de inscrição e honestidade do conteúdo. O que derruba entrega é o comportamento do envio — e a IA pode piorar esse comportamento se for usada para multiplicar volume.

Qual modelo escreve o melhor e-mail?

A comparação entre quatro modelos encontrou textos consistentes entre si e distintos dos humanos como grupo. Isso sugere que a escolha do modelo importa menos do que a qualidade da informação que você dá a ele e a edição que faz depois. Vale mais investir na pesquisa sobre o destinatário do que na troca de ferramenta.

Isso muda com a IA lendo o e-mail do outro lado?

Muda o que chega ao leitor, não o que convence. A camada de resumo e triagem já está ligada nas principais caixas de entrada, e escrevemos sobre o que acontece quando uma IA lê a sua mensagem antes do seu cliente. A combinação prática é a mesma: um argumento por mensagem, informação verificável e nada de enfeite.