Faça um teste. Peça a qualquer assistente de inteligência artificial uma análise sobre um tema que você domina de verdade. Há uma boa chance de receber um texto elegante, bem organizado, cheio de frases como "é importante ressaltar" e "nesse contexto", e que, lido com atenção, diz muito pouco. Quem usa essas ferramentas no dia a dia já sentiu isso, mesmo sem saber o nome. Pois o fenômeno tem nome, tem causa conhecida e tem sinais que qualquer leitor atento consegue identificar. Explicar essas três coisas é o objetivo deste artigo.
Antes, uma confissão que serve de ilustração. Preparando este texto, pedi a uma ferramenta de LLM que fizesse uma pesquisa e entregasse um relatório sobre o vício da IA de escrever demais. Recebi páginas solenes, com tabela comparativa, seções pomposas e uma lista de trinta e três fontes. Fui conferir os textos e as fontes, uma a uma. Encontrei uploads piratas de livros, uma discussão de fórum anônimo, a página inicial de um escritório de advocacia e até uma revista do Tribunal Constitucional de Angola. Parte das afirmações se confirmou em fontes sérias, parte estava errada ou atribuída ao lugar errado. O relatório sobre enrolação veio, ele próprio, enrolado. Não existe ilustração melhor do tema.
Em inglês o vício se chama waffling, do verbo to waffle, falar ou escrever longamente sem dizer nada de importante. O termo chegou ao debate jurídico brasileiro pela pena de Vladimir Passos de Freitas, em artigo publicado em agosto de 2026, no qual o desembargador aposentado lembra que na Inglaterra a prolixidade é tratada quase como ofensa, porque desperdiça o tempo de quem lê. Vale a leitura. O recorte que faço aqui é outro, mais técnico. Quero explicar por que a máquina enrola.
E devo ao leitor uma honestidade terminológica. Waffling não é termo técnico consagrado (nem na ciência da computação e nem na ciência jurídica). Nos raros artigos científicos em que aparece, vem entre aspas, como coloquialismo que os próprios autores tratam com pinças. O fenômeno que a literatura documenta com rigor tem outro nome, viés de verbosidade, ou length bias. Uso waffling neste texto como apelido importado, útil pela expressividade, e pela deferência ao ilustríssimo Vladimir Passos de Freitas, mas, sabendo que o português tem tradução à altura: "a IA enche linguiça".
Mas porque a máquina "enche linguiça"? Modelos de linguagem aprendem em duas etapas que interessam aqui. Na primeira, o sistema processa volumes gigantescos de texto e aprende a prever a próxima palavra. Na segunda, chamada de aprendizado por reforço com feedback humano (RLHF, na sigla em inglês), avaliadores de carne e osso comparam respostas da máquina e apontam qual preferem, e o modelo é ajustado para produzir mais respostas parecidas com as escolhidas.
O problema nasce de um detalhe muito humano dessa segunda etapa. Diante de duas respostas de qualidade semelhante, o avaliador tende a escolher a mais longa, que aparenta ser mais completa, mais trabalhada, mais confiável. A máquina não sabe o que é completude. Sabe o que pontua. E aprende a lição errada, a de que comprimento é recompensa. Isso não é especulação, foi medido. Um estudo de 2023 mostrou que parte relevante do ganho aparente do RLHF pode ser reproduzida otimizando apenas o tamanho das respostas. Outro, de 2024, mostrou que rankings de modelos mudam de forma significativa quando se descontam os pontos ganhos por mera extensão.
Em resumo, a IA não enrola porque falha. Ela enrola porque foi ensinada, sem que ninguém quisesse ensinar, que enrolar dá nota alta.
O leitor não precisa de laboratório para se defender. Um estudo recente de pesquisadores da Universidade Cornell, ainda em versão preliminar, analisou o raciocínio de modelos de linguagem e encontrou marcas na linguagem que separam as respostas corretas das incorretas. Três delas funcionam como sinais práticos de alerta.
O primeiro sinal é o texto que narra a si mesmo. Quando não encontra um caminho lógico até a conclusão, o modelo preenche o vazio descrevendo o próprio ato de pensar. "Percebe-se que", "é importante ressaltar", "analisando o cenário em questão". São frases que simulam reflexão sem entregar inferência. Os pesquisadores descrevem o modelo que, incapaz de derivar a resposta, passa a encher o raciocínio com autorreflexão vazia.
O segundo sinal é a hesitação. "Possivelmente", "talvez", "pode-se inferir". No mesmo estudo, os raciocínios incorretos recorriam a esse tipo de expressão cinco vezes mais do que os corretos. A hesitação verbalizada cresce exatamente quando a certeza estatística do modelo cai. É a prolixidade servindo de cortina.
O terceiro sinal é a escassez de causa e consequência. As respostas corretas do estudo tinham, em média, 0,18 conectores causais a cada cem palavras, contra 0,12 nas incorretas. Parece diferença miúda, mas o critério é fácil de aplicar a olho nu. Procure os "portanto", os "porque", os "logo". Texto bom amarra uma ideia na outra. Texto de linguiça empilha afirmações soltas, que não se sustentam mutuamente.
Guarde a régua simples. Autorreferência no lugar de inferência, hesitação no lugar de afirmação, vírgulas demais e "portanto" de menos.
E o que o Direito tem com isso? Transporte tudo isso para uma petição, um parecer ou uma minuta de sentença e o problema deixa de ser estético. O art. 489 do CPC exige fundamentação analítica, aquela que enfrenta o argumento concreto da parte e demonstra a relação entre a norma e o fato do caso. O texto que enche linguiça é a antítese disso, fala em volta do caso e nunca do caso. E a punição já saiu do campo teórico. Em 2025, a 3ª vara do Trabalho de Mogi das Cruzes, no TRT da 2ª região, multou uma parte por litigância de má-fé e intuito protelatório ao constatar embargos de declaração produzidos por IA sem revisão, com texto genérico, menções vagas aos documentos e pedidos sem relação com a condenação.
O volume de uso, enquanto isso, só cresce. Pesquisa do CNJ apurou que 45,8% dos tribunais brasileiros já utilizam IA generativa, e a resolução CNJ 615/25 respondeu impondo supervisão humana em todas as etapas. A regra é correta, mas convém entender o que ela pede de verdade. Supervisionar não é passar o olho. É cortar. A revisão que o waffling exige é editorial, elimina o parágrafo que não trabalha, a citação que não sustenta, o advérbio que hesita. Quem revisa um texto de IA e não corta quase nada provavelmente não revisou.
Para o estudante, o alerta é ainda mais direto. Escrever não é embalagem do pensamento, é o próprio exercício dele. Quem entrega a redação à máquina e assina o resultado longo acredita ter produzido profundidade, quando produziu extensão. São coisas diferentes, e a diferença aparece na primeira pergunta de arguição.
Escrevi em outra oportunidade, sobre a Síndrome de Alexandria, o achatamento do raciocínio jurídico pelo uso acrítico da inteligência artificial, e o leitor talvez perceba que este artigo conta um capítulo miúdo da mesma história. O achatamento tem textura, e a textura é essa, a frase genérica que serve para qualquer processo porque não nasceu de nenhum. Quando escrever deixa de custar esforço, escreve-se demais, lê-se de menos e descarta-se quase tudo.
A defesa disponível é antiga e não depende de regulação nenhuma. Desconfiar da extensão. Exigir o portanto. Tratar a aparência de completude como pergunta, não como resposta. A máquina enche linguiça porque foi treinada com as nossas preferências, aprendeu conosco que texto longo impressiona. Desconfiar dela é, no fundo, desconfiar de um espelho.