A IA consegue encontrar o episódio certo de uma série de televisão? Não de forma fiável.

O mundo está a tornar-se cada vez mais baseado na conversa, e a GenAI está a ajudar as pessoas a orientarem-se num mundo cada vez mais complexo. No mundo do entretenimento, os telespectadores estão a utilizar a pesquisa por voz para se orientarem no mar de conteúdos de vídeo em expansão, que continua a fragmentar-se entre canais e serviços.

No entanto, apesar da prevalência da funcionalidade de voz em todos os dispositivos, a utilidade desta tecnologia depende dos dados — informações do mundo real e em tempo real que um^LLM1 utiliza para validar, fundamentar e corrigir as respostas que fornece às consultas dos utilizadores. No panorama do streaming, isto é especialmente crucial para os conteúdos episódicos.

Não só a quantidade de conteúdos episódicos ultrapassa em muito o número de filmes disponíveis, como o público pesquisa episódios de séries de forma diferente daquela utilizada para pesquisar filmes. Os espectadores raramente sabem a temporada ou o episódio específico que querem ver, especialmente no caso de séries que já existem há muito tempo, como NCIS, Grey’s Anatomy e Os Simpsons. Por isso, quando fazem uma pesquisa, utilizam consultas contextuais como «Mostra-me os episódios de Natal de The Office»e «Em que episódios de Friends o Bruce Willis aparece como convidado especial?»

Nestes casos, as respostas dos LLM serão normalmente incorretas. Isto porque baseiam as suas respostas na probabilidade, utilizando os números da temporada e do episódio. Para os fornecedores, a má experiência do utilizador associada a respostas incorretas irá agravar as frustrações face à crescente fragmentação de conteúdos. Os conteúdos episódicos desempenham um papel importante no congestionamento de conteúdos, uma vez que os episódios de televisão representam 85% dos conteúdos distribuídos pelos seis fornecedores globais de SVOD monitorizados no Gracenote Data Hub.

À medida que os catálogos de vídeo crescem, a IA de Geração (GenAI) tornar-se-á cada vez mais útil para os espectadores que procuram algo para ver. Em apenas um ano e meio, por exemplo, a quantidade de episódios de séries de televisão disponíveis para o público aumentou mais de 21%.

Ao oferecer funcionalidades como a pesquisa conversacional, imagens personalizadas dos programas, recomendações à medida e momentos altos desportivos em tempo real, a GenAI irá transformar a forma como os espectadores interagem com os conteúdos de vídeo.

Para oferecer estas funcionalidades — e disponibilizá-las de forma relevante e personalizada —, os LLMs que estão na base da pesquisa e da descoberta precisam de ter acesso a dados de entretenimento precisos e abrangentes. Isto é especialmente verdade para os 50 % dos americanos que afirmam que considerariam cancelar um serviço se este não^lhes fornecesse conteúdos do seu interesse².

A ligação a dados validados e em tempo real é fundamental, uma vez que os LLMs implementados para uso empresarial não se baseiam em quaisquer fontes de informação externas. Ao contrário dos chatbots populares (por exemplo, ChatGPT, Gemini), eles só sabem o que os seus dados de treino lhes fornecem. Neste contexto, a informação sobre novos programas fica frequentemente fora dos dados de treino de um LLM, deixando-os sem a capacidade de ajudar os utilizadores a encontrar o que procuram. A comédia «Rooster», protagonizada por Steve Carell, por exemplo, é demasiado recente para que um LLM lançado em 2025 tenha qualquer informação sobre ela.

Respostas de modelos de linguagem de grande escala (LLM) sem fundamento e a experiência do utilizador 

Conforme detalhado no nosso recente relatório «Plot holes in AI», os LLMs sem contexto têm dificuldade em fornecer respostas precisas quando questionados sobre atributos básicos de séries de televisão e filmes populares. No que diz respeito a conteúdos episódicos, esta limitação é muito mais acentuada. Isto deve-se ao facto de os atributos dos metadados serem muito mais específicos ao nível do episódio do que ao nível do título do programa. 

A dedução semântica, a probabilidade preditiva e a falta de capacidades de indexação contribuem, em conjunto, para uma probabilidade muito maior de que um LLM sem contexto tenha alucinações quando tudo o que tem para trabalhar é o título de uma série, o número da temporada e o número do episódio. E, mais importante ainda, os espectadores raramente procuram um episódio pelo seu título.

Para compreender melhor a importância da contextualização na pesquisa e na descoberta ao nível dos episódios, avaliámos recentemente a qualidade das respostas de modelos de linguagem de grande escala (LLM) sem contextualização a perguntas básicas sobre episódios específicos de séries de televisão. Embora as pessoas não pesquisem desta forma, utilizámos os números das temporadas e dos episódios nas nossas consultas para avaliar a precisão dos metadados correspondentes. O estudo incluiu 100 episódios populares de 13 países (1 300 no total).

No conjunto, a precisão factual das respostas relativas aos episódios foi significativamente inferior à registada para as séries de televisão e os filmes. Entre os 100 episódios mais populares nos EUA, por exemplo, apenas 27 % das descrições dos programas, em média, estavam^corretas², em comparação com uma média de 69 % das descrições dos 100 programas de televisão e dos 100 filmes mais populares.

A precisão não foi o único aspeto com que o LLM sem contexto teve dificuldades ao longo dos 1 300 episódios (100 por país) do estudo. A falta de informação constituiu um problema ainda maior, uma vez que não dispunha de qualquer informação (título, descrição, atores, género) sobre 604 dos episódios (46,5% do total). Isto foi mais evidente na Suécia, onde não foi fornecida qualquer informação sobre 73 dos 100 episódios. Nos EUA, o LLM sem base forneceu nenhuma informação sobre 31 episódios.

Aquele com o enredo errado

Quando o LLM sem base de dados não devolvia respostas vazias, fornecia frequentemente descrições incorretas dos episódios — um subproduto de suposições semânticas, probabilidade preditiva e falta de indexação. Embora os espectadores provavelmente nunca procurassem um episódio utilizando apenas o número da série e o número do episódio, os serviços de streaming utilizam estes atributos para converter os títulos dos episódios resultantes em links diretos ou num registo associado no seu data lake. Neste contexto, a harmonização e a indexação de dados no backend são fundamentais para garantir que um serviço consiga apresentar com precisão o conteúdo certo para cada utilizador individual. 

Com apenas o número da série e o número do episódio em cada consulta, o LLM sem referência fornecia frequentemente descrições que apresentavam detalhes de episódios totalmente diferentes daqueles sobre os quais se estava a perguntar. Nos exemplos abaixo, os títulos e as descrições fornecidos pelo LLM sem referência estão incorretos.

A ligação à terra é fundamental para as experiências de conteúdo da próxima geração

A forma como os consumidores procuram informação e as ferramentas que utilizam estão a mudar. A utilização da IA de geração (GenAI) é uma constante entre os nativos digitais, e a sua adoção está a alargar-se rapidamente.

O panorama atual dos conteúdos é demasiado vasto para ser explorado com funções de pesquisa tradicionais — mesmo dentro de plataformas e serviços individuais. A utilização da IA de última geração (GenAI) para a pesquisa e descoberta de conteúdos representa uma mudança radical na experiência do utilizador, com potencial para reduzir significativamente o sentimento negativo dos espectadores à medida que o congestionamento de conteúdos aumenta. 

Mas, quando questionado sobre o episódio S02E06 de «Stranger Things», a resposta do LLM sem base combinou informações de vários episódios diferentes. Nesta situação, o espectador acabará por perder a confiança no serviço, o que já é comum entre os atuais utilizadores de chatbots: 75% afirmam que verificam os resultados fornecidos pelos chatbots de IA porque temem que estejam^incorretos³.

O resultado final neste cenário é uma experiência de utilizador insatisfatória — que pode levar o espectador a procurar noutro lado algo para ver.

Para obter mais informações sobre a utilização de LLMs sem base na pesquisa e descoberta de conteúdos, descarregue o nosso relatório «Plot holes in AI».

Notas

1. Os LLMs são um tipo de IA generativa que é treinada com enormes quantidades de dados para compreender e gerar linguagem semelhante à humana.
2. Quando comparados com os dados de aterramento.
3. Gracenote Estudo sobre a utilização da IA de 2026