A pesquisa foi conduzida por Pallavi Pal, da Stevens Institute of Technology, e Anjana Susarla, da Michigan State University. O trabalho analisa um dos pilares invisíveis da economia digital contemporânea: os sistemas algorítmicos que decidem quem verá determinado anúncio online.

Segundo os autores, plataformas digitais hospedam atualmente centenas de milhares de testes A/B simultâneos — mecanismo usado por empresas para comparar duas versões de um anúncio e medir qual delas performa melhor. Só na Meta, citam os pesquisadores, existem cerca de 182 mil comparações ativas ao mesmo tempo.

O problema, afirmam, é que esses testes não são neutros. “O algoritmo observa cada criativo e direciona impressões para os usuários que prevê terem maior chance de engajamento”, escrevem Pal e Susarla. Na prática, isso significa que dois anúncios comparados em um teste não chegam necessariamente ao mesmo tipo de público.

Essa dinâmica, chamada pelos autores de divergent delivery — ou “entrega divergente” — pode distorcer completamente os resultados de campanhas publicitárias, sobretudo em áreas sensíveis como emprego, crédito e habitação.

Para investigar o fenômeno, os pesquisadores desenvolveram um desenho experimental inédito de “três braços”. Em vez de comparar apenas duas versões de anúncio, como ocorre em testes tradicionais, o modelo cria uma terceira condição intermediária, capaz de isolar a influência do algoritmo da influência do conteúdo visível ao usuário.

O estudo foi aplicado em uma campanha real da Meta voltada para tráfego online. Os pesquisadores criaram três versões de um anúncio:

Os resultados surpreenderam.

Quando apenas os metadados invisíveis ao usuário sugeriam um direcionamento feminino, o algoritmo aumentou em 2,07 pontos percentuais a participação de mulheres entre as impressões do anúncio. Já o conteúdo visual explicitamente feminino teve efeito oposto: reduziu essa participação em 0,68 ponto percentual.

Na prática, cerca de 75% da redistribuição de público observada ocorreu por ação algorítmica — e não pela criatividade do anúncio em si.

“Os dois canais trabalham em direções opostas”, afirmam os autores. “O conteúdo visível parcialmente desfaz o movimento de segmentação realizado pelo algoritmo.”

A decomposição detalhada dos dados mostrou ainda que o algoritmo não distribui anúncios de maneira uniforme entre todas as mulheres. O sistema concentrou a entrega principalmente em mulheres entre 35 e 54 anos.

No grupo feminino de 35 a 44 anos, por exemplo, o efeito algorítmico atingiu +1,50 ponto percentual. Já usuários acima de 65 anos sofreram redução significativa na exposição aos anúncios.

Segundo os autores, isso sugere que o algoritmo interpreta “mulheres” como “mulheres em idade economicamente ativa”, priorizando perfis considerados mais rentáveis para o objetivo da campanha.

A pesquisa dialoga diretamente com debates crescentes sobre discriminação algorítmica. Trabalhos anteriores já haviam demonstrado que anúncios de vagas STEM eram exibidos mais frequentemente para homens, mesmo quando o conteúdo do anúncio era neutro.

O novo estudo avança ao demonstrar causalmente que parte desse viés não nasce do anunciante, mas da própria plataforma.

Isso tem implicações regulatórias profundas.

Em mercados sensíveis, como recrutamento de empregos, financiamentos ou moradia, empresas podem ser acusadas de discriminação mesmo sem terem explicitamente definido públicos-alvo excludentes. O algoritmo pode produzir sozinho a segregação demográfica.

“Problema de mensuração e problema de justiça algorítmica são, neste contexto, o mesmo problema”, afirmam os autores.

Outro ponto central do trabalho é a crítica aos métodos clássicos de avaliação usados pela indústria digital.

Segundo Pal e Susarla, os testes A/B convencionais misturam dois fenômenos diferentes:

1 - o efeito do anúncio sobre as pessoas;

2 - e o efeito do algoritmo sobre quem verá o anúncio.

Isso significa que campanhas consideradas “bem-sucedidas” podem, na realidade, ter performado melhor apenas porque o sistema automatizado escolheu um público mais propenso ao clique.

O estudo argumenta que ajustar estatisticamente os resultados após a campanha também não resolve o problema, porque o público atingido já foi alterado pelo próprio tratamento experimental.

Para os pesquisadores, a solução exige redesenhar os experimentos desde o início.

A indústria global de publicidade digital movimenta hoje mais de US$ 700 bilhões anuais, segundo o estudo. O funcionamento interno dos sistemas de entrega algorítmica tornou-se, portanto, uma questão econômica e social de grande escala.

A metodologia proposta pelos pesquisadores pode ser aplicada não apenas à Meta, mas também a qualquer plataforma em que algoritmos decidam distribuição de conteúdo com base em sinais internos de segmentação.

Os autores defendem que o modelo oferece uma nova ferramenta para auditoria de plataformas digitais e para futuras regulações sobre transparência algorítmica.

Mais do que uma inovação estatística, o estudo sugere uma mudança de paradigma: em ambientes digitais contemporâneos, talvez os anúncios importem menos do que os sistemas invisíveis que escolhem quem poderá vê-los.