Da hashtag à imagem: uma análise discursiva das trends do Tiktok em imagens geradas por IA
O presente artigo investiga como a Inteligência Artificial Generativa (IAG) do Chat GPT 4 interpreta e reproduz discursos visuais de feminilidade a partir de tendências populares da plataforma TikTok. O estudo tem como objetivo analisar os efeitos de sentido presentes nas imagens produzidas pelo modelo DALL-E, a partir das hashtags #cleangirl e #patynordestina, observando como padrões estéticos globais e locais são representados e ressignificados. A pesquisa adota uma abordagem qualitativa, fundamentada em revisão bibliográfica e análise semiótica discursiva, para examinar os planos de expressão e de conteúdo das imagens geradas. Os resultados indicam que a IAG tende a reproduzir padrões hegemônicos de beleza e comportamento, reforçando estereótipos eurocêntricos e idealizados. Enquanto a trend #cleangirl evidencia a valorização da assepsia e da neutralidade estética, a #patynordestina demonstra a fetichização da alteridade cultural, transformando referências regionais em elementos estilizados e superficiais. Conclui-se que a IAG ainda carece de sensibilidade cultural e diversidade em suas bases de dados, perpetuando vieses e padronizações imagéticas que limitam a pluralidade das representações femininas no espaço digital.
Palavras-chave: Moda; Inteligência Artificial Generativa; Representações
From Hashtag to Image: A Discursive Analysis of TikTok Trends in AI-Generated Images
This article investigates how the Generative Artificial Intelligence (GAI) model ChatGPT-4 interprets and reproduces visual discourses of femininity based on popular trends from the TikTok platform. The study aims to analyze the meaning effects present in images produced by the DALL-E model, derived from the hashtags #cleangirl and #patynordestina, observing how global and local aesthetic patterns are represented and re-signified. The research adopts a qualitative approach, grounded in bibliographic review and discursive semiotic analysis, to examine the planes of expression and content within the generated images. The results indicate that GAI tends to reproduce hegemonic patterns of beauty and behavior, reinforcing Eurocentric and idealized stereotypes. While the #cleangirl trend emphasizes the valorization of cleanliness and aesthetic neutrality, #patynordestina demonstrates the fetishization of cultural otherness, transforming regional references into stylized and superficial elements. It is concluded that GAI still lacks cultural sensitivity and diversity within its datasets, perpetuating biases and imagetic standardizations that constrain the plurality of female representations in the digital sphere.
Keywords: Fashion; Artificial Intelligence; Representations
De la etiqueta a la imagen: un análisis discursivo de las tendencias de TikTok en las imágenes generadas por IA
El presente artículo investiga cómo la Inteligencia Artificial Generativa (IAG) de Chat GPT-4 interpreta y reproduce discursos visuales de feminidad a partir de tendencias populares de la plataforma TikTok. El estudio tiene como objetivo analizar los efectos de sentido presentes en las imágenes producidas por el modelo DALL-E, a partir de las etiquetas #cleangirl y #patynordestina, observando cómo los patrones estéticos globales y locales son representados y resignificados. La investigación adopta un enfoque cualitativo, fundamentado en la revisión bibliográfica y en el análisis semiótico-discursivo, con el fin de examinar los planos de expresión y de contenido de las imágenes generadas. Los resultados indican que la IAG tiende a reproducir patrones hegemónicos de belleza y comportamiento, reforzando estereotipos eurocéntricos e idealizados. Mientras la tendencia #cleangirl evidencia la valorización de la asepsia y de la neutralidad estética, #patynordestina demuestra la fetichización de la alteridad cultural, transformando las referencias regionales en elementos estilizados y superficiales. Se concluye que la IAG todavía carece de sensibilidad cultural y de diversidad en sus bases de datos, perpetuando sesgos y estandarizaciones imagéticas que limitan la pluralidad de las representaciones femeninas en el espacio digital.
Palabras-clave: Moda; Inteligencia Artificial; Representaciones
A expansão das Inteligências Artificiais Generativas tem transformado as formas de representação e consumo no campo da moda, convertendo o corpo e o ato de se vestir em dados processados por sistemas algorítmicos. Nas redes sociais, especialmente no TikTok, as formas de expressão e aparência se constroem por meio de imagens que, frequentemente, reproduzem e reformulam padrões culturais e estéticos homogêneos e dominantes. Nesse contexto, torna-se necessário compreender a moda como fenômeno discursivo e técnico, atravessado por mediações digitais que redefinem a relação entre corpo, imagem e subjetividade.
Diante desse cenário, o presente artigo tem como objetivo investigar como as imagens geradas por Inteligência Artificial, a partir das tendências do TikTok, constroem e reproduzem efeitos de sentido visuais e discursivo associados à feminilidade. Analisando, principalmente os tipos de corpos, as evidências de estilo de vida, as etnias e os comportamentos femininos que são mostrados nessas representações visuais.
Isto posto, é sob essa perspectiva que se propõe a compreensão da moda como um processo sensível de subjetivação que se constitui por escolhas sobre o próprio eu. Essa dimensão sensível e subjetiva é ativada pelo encontro com um objeto vestido e por como essa interação afeta o corpo. Assim, como Patrizia Calefato (2004) observa, a moda é um instrumento cultural crucial para a articulação e territorialização da corporalidade humana, conferindo visibilidade cultural aos corpos.
Ainda nos escritos de Calefato (2004) é possível verificar que, mesmo nas escolhas do prêt-à-porter e de massa, sobrevive um gesto arquetípico e carnavalesco de disfarce e mascaramento, que se manifesta na “escrita” do corpo. Contudo, ao longo do século XX, a moda foi se estruturando e sistematizando devido à cadeia produtiva capitalista e ao consumo. Para Lipovetsky (1989), o surgimento da moda moderna no século XIX estabeleceu uma bipolaridade entre a haute couture (que institucionaliza os padrões estéticos) e a indústria de massa (voltada para a cópia e difusão). Já no contexto contemporâneo do biocapitalismo, o corpo é tratado como matéria viva em que se efetuam as transformações dos modos de produção. Entendendo biocapitalismo a partir da perspectiva de Negri (2015) como um poder dinâmico e capilar, exercido sobre os corpos dos sujeitos, moldados por performances algorítmicas. Relevante, igualmente, refletir sobre como a biopolítica, escrita por Negri (2015), supervisiona e vigia os corpos, mantendo-os produtivos e politicamente dóceis.
Essa lógica capitalista torna a aparência e o estilo em objetos de lucro, no qual a produção da subjetividade está entrelaçada, dentre muitos fatores, à geração e reprodução de tendências de moda. Estas que funcionam, muitas vezes, como agente coercitivo através de predições algorítmicas. Nesse sentido, pode-se refletir que a moda é incorporada pelo capital, submetendo a prática criativa ao seu tempo do presente imediato. Entretanto, ainda que a moda seja parte integrante dessa lógica de captura e modelização do capitalismo, ela ainda mantém a possibilidade do encontro subjetivo. O conceito de moda no biocapitalismo é, paradoxalmente, um dispositivo tanto de captura quanto de resistências subjetivas.
Como ressalta Calefato (2004), o ato de vestir é uma experiência social e pessoal, um fenômeno prático e discursivo no qual o corpo não é um objeto inerte, mas implica uma percepção cotidiana e prática do sujeito. A transformação pessoal proporcionada pelo objeto vestível, como descrita por Calefato (2004), é um ato de descoberta de si que reconfigura a relação sígnica e abre novas possibilidades de ser. Na construção da significação social do vestuário, o indivíduo pode escolher entre um senso de pertencimento (conformidade) e um ato de travestimento ou farsa (diferenciação/subversão). Essa capacidade de desestabilizar a leitura social e promover linhas de fuga demonstra que o corpo vestido ainda pode se manifestar por meio de escolhas que lhe dão sentido e o corporificam, ainda que capturada pela indústria e lógica do capital.
O universo virtual contemporâneo é moldado pela participação ativa dos usuários, com destaque para plataformas interativas como o TikTok, criada pela chinesa ByteDance em 2017 (Silva, 2023). Seu sucesso está associado aos seus vídeos curtos e pela utilização de algoritmos de recomendação que personalizam a experiência do usuário (Aires, 2024). Dentro dessa dinâmica, as trends, movimentos culturais virais, fortalecem comunidades online impulsionadas pela busca por conexão, pertencimento e identificação, tornando-se essenciais na geração de tendências digitais (TikTok, 2023). Segundo De Oliveira Araújo e Pontes (2025):
No contexto de plataformas como o TikTok, uma trend pode ser um tema, um tipo de conteúdo, um desafio, uma hashtag ou um estilo de vídeo que se espalha rapidamente entre os usuários, gerando um grande número de interações, recriações e compartilhamentos (De Oliveira Araújo; Pontes, 2025, p.427).
As hashtags desempenham um papel central no processo de viralização das trends. Esses marcadores digitais, precedidos pelo símbolo “#” funcionam como etiquetas, palavras-chaves, que categorizam e agrupam conteúdos, permitindo que os usuários encontrem vídeos relacionados a temas específicos (Silva, 2023).
2.2 Representações femininas nas redes sociais
As redes sociais tornaram-se espaços importantes para a participação social, nesse aspecto, há uma reprodução digital do que se encontra no mundo offline. Com isso, a representação feminina nesse ambiente é frequentemente objetificada, como argumenta Rossi (2017)
Essa objetificação não se restringe ao corpo feminino disposto nas imagens; este materializa, visualmente, sentimentos e estados de espírito a princípio ininteligíveis como prazer, desejo, felicidade, sucesso e conquista, que, amiúde, ganham caráter erotizado (Rossi, 2017, p. 239).
Ainda, segundo o autor, perpetuam-se, nesses espaços, os estereótipos de uma feminilidade ligada ao afetivo e a emoção. Passando, também, o corpo feminino por uma superexposição transformando-se em um objeto e não mais como um sujeito de suas ações.
Mesmo que existam outros discursos que questionam essa representação do corpo feminino, Rossi (2017) afirma que:
Nos meios de comunicação audiovisual [...] não correspondem à “realidade” ao priorizar imagens de modelos conforme padrões estéticos eurocêntricos bem definidos: magras, altas, brancas e jovens (Rossi, 2017, p. 241).
Embora haja no ambiente digital um potencial para que os questionamentos quanto a essas representações do feminino sejam criticadas, nota-se ainda que o que se mantém os mesmos discursos de opressão do mundo offline.
Segundo Jaime Simão Sichman (2021), originada na Conferência de Dartmouth em 1956, a Inteligência Artificial visa desenvolver sistemas capazes de executar tarefas que exigem habilidades humanas, como raciocínio, percepção, planejamento e linguagem natural. Para seu funcionamento, essa estrutura inteligente recorre a diversos modelos, técnicas e tecnologias que atuam na resolução de problemas complexos, como expõe Sichman (2021).
Nesse estudo, faz-se relevante discutir os conceitos que auxiliam na compreensão da IA, com foco na IAG utilizada para gerar as imagens neste artigo. Para tal finalidade, inicialmente, faz sentido, a introdução da noção de algorítmos. Como discorre Jaime Sichman (2021):
Para entender melhor essa definição [de IA], necessita-se esclarecer o que vem a ser um algoritmo, [...]. Um algoritmo nada mais é do que uma sequência finita de ações que resolve um certo problema (2021, p.38).
Então, em prol de solucionar problemas, os algoritmos são aplicados para construir possíveis soluções. Para isso, os algoritmos, em sua maioria, operam a partir de dados inseridos em seu sistema. Estes que são rastreados, capturados e aplicados de diversas formas e a partir de inúmeras origens. Vale ressaltar o que Silveira argumenta (2019) sobre as plataformas digitais desempenharem papel central nessa dinâmica, ao coletarem dados de comportamento dos usuários, como pesquisas, interações e preferências, e processá-los por meio de procedimentos algorítmicos para produzir resultados.
Entretanto, nem todos os problemas são solucionáveis por meio de algoritmos, na síntese de Ludemir (2021):
[...]não se sabe como escrever programas para resolvê-los. Mas existem muitos dados (informações) para esses problemas, o que possibilita o treinamento de algoritmos e uso do aprendizado de máquina (Ludemir, 2021, p. 86).
A autora assimila que, em alguns casos, existe uma dificuldade humana de escrever programas para representar seu conhecimento intuitivo e seus problemas. Ela discorre que, então, “a solução é a máquina aprender esse conhecimento por si mesma, de maneira similar a como os seres humanos aprendem” (Ludemir, 2021, p. 86). Nesse ponto, introduz-se o aprendizado de máquina (Machine Learning). Este que visa criar sistemas capazes de aprimorar seu desempenho a partir da experiência, ou seja, por meio da exposição a exemplos, gerando conhecimento com base em grandes volumes de dados. “Os algoritmos de AM [Aprendizado de Máquina] geram hipóteses a partir dos dados”, como explica Ludemir (2021, p. 88).
Um dos modelos de aprendizado aplicados à máquina mais utilizado na atualidade, e que interessa o entendimento a este trabalho, é a Inteligência Artificial Generativa (IAG). Tal como expõe Hao (2025) sobre o assunto:
Modelos de Inteligência Artificial generativa são modelos de aprendizado profundo treinados para gerar reproduções de seus dados de entrada. A partir de textos preexistentes, aprendem a sintetizar novos textos; a partir de imagens preexistentes, aprendem a sintetizar novas imagens. No entanto, para alcançar um nível de fidelidade suficientemente alto a ponto de se aproximar do humano — o que, segundo a OpenAI, é fundamental em sua busca pela Inteligência Artificial Geral (AGI) —, esses modelos são treinados com volumes de dados e poder computacional jamais utilizados anteriormente. A IA generativa, portanto, constitui a forma maximalista do aprendizado profundo (Hao, 2025, p. 121).
Em virtude de seu procedimento estatístico, a IAG tem a capacidade de gerar novas mídias como textos, imagens e áudios a partir de um comando textual, o prompt (Santaella, 2023).
Em uma perspectiva econômica, empresas têm adotado essa tecnologia visando melhorar desempenho e ampliar lucros. Segundo pesquisa da McKinsey & Company, 72% dos 1.363 participantes, de diferentes instituições, consultados utilizaram IAG em 2024, com maior aplicação nas áreas de marketing, vendas e desenvolvimento de produtos e serviços. Isso salienta, e justifica, a crescente dedicação de pesquisas à análise da utilização da IAG em diferentes áreas de atuação.
À medida que a disseminação de Inteligências Artificiais Generativas se acelera, emergem questões éticas cruciais sobre privacidade, transparência e vieses que precisam ser cuidadosamente consideradas. Na formulação de Ludemir (٢٠٢١, p. ٩٠):
O uso de IA envolve inúmeras questões éticas e morais, entre elas: [...] a invasão da nossa privacidade, a falta de transparência de como as nossas informações estão sendo utilizadas, a falta de explicações de como os sistemas de IA chegam às suas conclusões.
Como já apresentado anteriormente, o funcionamento da IAG depende de uma como a coleta massiva de dados para treinar seus modelos generativos, isso levanta questões sérias de privacidade de dados. Esse substrato da IAG são “dados das empresas, dados das pessoas, dados dos equipamentos (por exemplo, oriundos do uso de Internet das Coisas)” conforme Ludemir (2021, p. 87). Quando dados, que podem incluir obras protegidas por direitos autorais, são utilizados para treinar uma IAG, isso afeta outra implicação ética, a de propriedade intelectual e de quem é a autoria daquele conteúdo gerado. Embora o acervo de treinamento da IAG seja frequentemente referido como proveniente de um “coletivo humano”, a realidade é que os conteúdos são originalmente produzidas por autores individuais, incluindo “artistas, designers gráficos, ilustradores, fotógrafos com marcas de estilo que podem estar sendo mimetizadas” tal como escreve Santaella (2023, p. 15). Toda essa questão aponta discussões controversas sobre quem deve conceder permissão para o uso de material influenciado por trabalhos protegidos e se a obra sintética resultante pode, de fato, ser protegida por direitos autorais.
A problematização sobre autoria e uso de dados pessoais para fins de treinamento de modelos evidencia uma lacuna ainda mais profunda, a falta de transparência nos processos que estruturam o funcionamento da IAG.
Os desenvolvedores devem adotar transparência quanto às metodologias, às fontes de dados e às possíveis limitações de seus modelos de inteligência artificial generativa. Essa postura permite que os usuários compreendam de forma mais precisa os fatores que podem influenciar as previsões e decisões do modelo (Ferrara, 2023, p. 10).
Em consonância com Ludermir (2021), sem o entendimento de como os dados são capturados e processados dentro dos mecanismos da IAG, ademais do próprio procedimento da IAG, fica impossibilita a fiscalização e a verificação de possíveis erros no próprio modelo. Em síntese, a falta de transparência dificulta a rastreabilidade das fontes, limita o debate público informado e restringe o controle dos indivíduos sobre os usos de seus próprios dados e criações.
A ausência de transparência, entretanto, não apenas compromete a responsabilização e o controle público, mas também contribui diretamente para a perpetuação de vieses nos sistemas de IAG. Na perspectiva de Ludemir (2021, p. 92), “os conjuntos de treinamento fornecidos aos algoritmos podem não ser uma boa representação do mundo real, e as amostras podem estar enviesadas”.
Viés, no contexto de grandes modelos de linguagem como o GPT-4 e seus predecessores, ou outras alternativas de ponta, [...] pode ser definido como a presença de distorções sistemáticas, erros de atribuição ou imprecisões factuais que resultam em favorecimento de determinados grupos ou ideias, perpetuação de estereótipos ou formulação de suposições incorretas com base em padrões previamente aprendidos (Ferrara, 2023, p. 2-3, tradução nossa).
Ferrara (2023) esquematiza algumas formas de vieses proveniente dos dados, dos desenvolvedores e da estruturação das IAGs, importantes de serem apresentados neste estudo, tais como: vieses demográficos, que resultam da super ou sub-representação de certos grupos (gênero, raça, etnia); vieses culturais, no qual são aprendidos e perpetuados estereótipos ou preconceitos culturais; vieses linguísticos, pois os modelos de IAG tendem a ser mais proficientes em línguas dominantes (como o inglês), devido à maioria do conteúdo na internet estar nessas línguas, resultando em desempenho enviesado em línguas de baixo recurso ou dialetos minoritários. Por fim, vieses ideológicos e políticos, visto que a estrutura inteligente pode aprender, propagar e favorecer determinadas perspectivas políticas e ideológicas. Tais vieses, ainda que por vezes sutis ou não intencionais, impactam diretamente a forma como conteúdos são gerados, interpretados e disseminados, contribuindo para a reprodução de assimetrias históricas e desigualdades estruturais.
As problemáticas aqui delineadas demonstram que a IAG opera em um campo profundamente atravessado por implicações éticas. Mais do que ferramenta técnica, essa tecnologia carrega consigo decisões políticas, ideológicas e sociais que impactam diretamente a forma como diferentes realidades são representadas e compreendidas. Isto posto, refletir criticamente sobre as implicações éticas da IAG é uma etapa indispensável para sua construção responsável, dependendo de um esforço conjunto entre desenvolvedores, pesquisadores, legisladores e a própria sociedade civil.
A metodologia aplicada para a fundamentação teórica foi a revisão bibliográfica e documental a fim de elucidar noções que se fazem importante para justificar a geração de imagens e realizar uma análise a partir delas. Os pontos abordados englobam o entendimento do que são as trends e hashtags pensando sobre como funcionam no ambiente digital, posteriormente passando pela discussão sobre como as mulheres são representadas no no espaço digital dataficado e as formas como essa projeção afeta na produção de imagens generativas. Por fim, para adentrar ao procedimento técnico utilizado nesse estudo, apresentou-se a Inteligência Artificial Generativa, seus mecanismos e modo operante, para além das considerações éticas sobre tal.
Para a coleta de dados, nesse caso as imagens sintetizadas por IAG, foi utilizado o modelo de geração de imagens DALL-E, integrado na plataforma do ChatGPT 4. Este modelo estava vigente até 30 de abril de 2025, quando foi substituído pelo modelo multimodal GPT 4o conforme anunciado pela empresa OpenAI em 10 de abril de 2025. Apesar de, no momento de publicação deste artigo, o modelo de geração de imagens disponível no ChatGPT já ter avançado para novas versões, a análise das imagens geradas no antigo modelo auxilia na compreensão cronológica dos desenvolvimento e mudanças no funcionamento da IAG.
Para a análise das imagens geradas pelo DALL-E foi adotado como base o ferramental teórico da semiótica discursiva, a fim de entender como são construídos os efeitos de sentido nos arranjos plásticos da imagem e assim, verificar como são apresentados os valores estéticos associados à feminilidade presentes na contemporaneidade digital.
3.1 Seleção de trends do TikTok
Com o intuito de utilizar as próprias tendências disseminadas no Tiktok, foi feito um levantamento das hashtags recorrentes entre as meninas e jovens mulheres no aplicativo em dezembro de 2024. Para a seleção das hashtags foi utilizada a análise de tendências em alta, presentes no ambiente público e gratuito Central Criativo do TikTok Business.
Essa ferramenta permite identificar tendências globais e locais em alta nos últimos 120 dias, indicando o número total e recente de publicações associadas a cada hashtag, além de demonstrar graficamente o interesse crescente por essas tendências. Outro dado relevante fornecido pela plataforma refere-se à faixa etária predominante dos espectadores que consomem esses conteúdos. Desse modo, foram selecionadas duas hashtags recorrentes entre mulheres de 18 a 24 anos até dezembro de 2024.
A primeira, #cleangirl, de alcance global, escrita em inglês e com expressivo número de publicações (618K publicações totais e 189K publicações nos últimos 120 dias). A segunda, #patynordestina, de alcance local (Brasil), escrita em português, com menor volume de publicações (42K publicações totais e 12K publicações nos últimos 120 dias), mas altamente significativa por representar particularidades culturais de uma extensa região do território nacional, possibilitando examinar como a IA interpreta e representa essas diferenças culturais territorializadas.
3.2 Geração de imagens pelo GPT 4
A ampla aceitação das IAGs tem transformado a forma como a sociedade interage e se comunica com essa tecnologia. A facilidade de uso, devido ao acesso online, contribui para ferramentas como o ChatGPT se popularizar.
O GPT-4, integrado ao ChatGPT até abril de 2025, representa a forma maximalista da abordagem de deep learning da OpenAI, sendo, por uma medida, quinze mil vezes maior do que sua primeira geração. De acordo com Hao (2025), o Deep Learning (Aprendizado Profundo) é uma evolução do Aprendizado de Máquina (Machine Learning) que utiliza redes neurais profundas, com múltiplas camadas, para identificar padrões complexos e estatísticos em grandes volumes de dados, o que permite aos modelos fazer correlações e previsões eficazes (Hao, 2025).
Hao (2025) ainda apresenta que o modelo GPT-4 foi desenvolvido com capacidades multimodais para lidar com diferentes formas de dados, permitindo sua integração com o modelo de geração de imagens DALL-E. O processo de geração se inicia com a entrada de texto (prompt) fornecida pelo usuário. Essa prompt, nada mais é que um comando dado pelo agente humano à IAG para solicitar algum resultado específico. Para transformar essa descrição textual em uma imagem de saída, o DALL-E utiliza uma técnica avançada inspirada na física, conhecida como difusão (diffusion). Essa metodologia treina o modelo para aprender as correlações complexas entre os pixels em vastos conjuntos de imagens, consumidos em escala sem precedentes. Tal funcionamento resulta em imagens muito mais nítidas e foto realistas do que os modelos anteriores, conferindo ao sistema a capacidade de geração composicional, onde conceitos distintos no prompt são combinados para criar representações visuais coesas e inéditas, como argumenta Hao (2025).
Os prompts textuais que foram utilizados para solicitar a geração de imagens de moda no modelo DALL-E, do ChatGPT 4 foram: “Gere uma imagem de moda no estilo fotográfico da trend #cleangirl disseminada no TikTok” e “Gere uma imagem de moda no estilo fotográfico da trend #Patynordestina disseminada no TikTok”. Para cada prompt aplicado no modelo DALL-E foi gerado uma imagem de moda respectiva à tendência mencionada no texto.
3.4 Análise Semiótica Discursiva (ASD)
A Análise Semiótica Discursiva (ASD), derivada da Semiótica Estrutural de Algirdas Julien Greimas (década de 1960), foi empregada neste estudo para analisar imagens geradas por Inteligência Artificial. Em consonância com Orlandi (2010) a ASD compreende a linguagem em seu uso social, vendo o discurso como efeito de sentidos entre interlocutores que reflete posições ideológicas. Conforme destacado por Fiorin (2000), seu objetivo é desvelar marcas estruturais e valores sociais dos textos, considerando suas dimensões culturais, sociais e simbólicas. Fundamenta-se na premissa de que o sentido é uma construção que emerge da articulação entre níveis estruturais, organizando conteúdos e formas de expressão. O sentido de um texto edifica-se pelas relações entre suas partes, revelando padrões e estratégias do enunciador.
Diferente da leitura denotativa, a ASD assume que todo objeto cultural, como imagens, pode ser interpretado como texto por produzir significação. Segundo Souza (1998) a análise segue um percurso inverso à produção, do visível à estrutura profunda, evitando reduzir imagens à verbalização e reconhecendo sua materialidade intrínseca. Igualmente, busca efeitos de sentido da articulação entre linguagem e contexto histórico, analisando a imagem em dois planos interdependentes: Expressão (como se diz) e Conteúdo (o que se diz).
O plano da Expressão abrange as materialidades perceptíveis e significantes da imagem, com caráter plástico que contribui para a construção do sentido visual. A Semiótica Plástica de Greimas (1984) foca nas qualidades sensíveis, estruturadas por formantes cromáticos (cores e contrastes), eidéticos (linhas e formas) e topológicos (organização espacial). Esses formantes revelam hierarquias visuais e contribuem para a significação.
O plano do Conteúdo veicula o significado, materializado pela expressão. Fiorin (2000) expõe que, na ASD, é abordado pelo Percurso Gerativo do Sentido de Greimas, uma sequência de níveis que revela a construção progressiva do sentido, partindo de estruturas mais abstratas e profundas até a sua concretização em discursos figurativizados. Ele é organizado em três níveis: fundamental, narrativo e discursivo.
No nível fundamental, encontram-se categorias semânticas opositivas (‘belo’ vs. ‘feio’) que estruturam o texto. A qualificação de valores (eufóricos/disfóricos) orienta a argumentação e revela ideologias (Gregolin, 2001). Na presente pesquisa, o foco é identificar tais oposições nas representações femininas veiculadas pelas trends analisadas.
O nível narrativo organiza valores fundamentais em programas narrativos, assumidos por sujeitos (actantes) que se associam a objetos de valor em relações de busca, posse, falta ou transformação (Fiorin, 2000). Neste artigo, analisa-se como as imagens constroem narrativas onde a mulher, ao aderir a uma trend, busca alcançar um valor desejado, como aceitação ou conformidade.
No nível discursivo, narrativas se materializam por escolhas enunciativas do sujeito, que imprimem marcas linguísticas, temporais, espaciais e figurativas ao enunciado, tornando-o perceptível (Gregolin, 2001). De acordo com Fiorin (2000), a narrativa abstrata ganha forma pela tematização, que organiza valores em percursos temáticos, e figurativização, que transforma temas em figuras ancoradas no mundo natural, criando efeitos de ilusão referencial ou de realidade. Na análise de imagens, isso se manifesta em escolhas plásticas, enquadramentos e ambiências que constroem estilos visuais e posições discursivas. Neste estudo, o nível discursivo permite observar como os sentidos das trends se concretizam visualmente, articulando a forma como a IAG interpreta e reproduz discursos de redes sociais, potencialmente reforçando padrões ideológicos de gênero, beleza e pertencimento.
Os resultados obtidos correspondem às imagens geradas e as discussões são estabelecidas em conjuntura à análise semiótica discursiva das imagens.
Figura 1 - Imagem gerada artificialmente #cleangirl
Fonte: ChatGPT 4.0 (2024).
O formante cromático destaca-se pela predominância de cores neutras, claras e suaves, que produzem efeitos de sentido ligados à sobriedade e ao minimalismo. Isso é visível nas peças de vestuário lisas, como a regata branca, a calça bege, a fivela metálica cinza escuro e o brinco dourado. A iluminação simula a “golden hour”, com um feixe dourado lateral que incide sobre os ombros e a parte inferior direita da imagem, reforçado pela maquiagem iluminada e pelo efeito de bronzeamento artificial. A paleta neutra e a baixa variação cromática contribuem para uma visualidade homogênea, associada à pureza e assepsia. A presença do verde médio e escuro nas folhas, suavizado pela iluminação, evoca naturalidade e frescor. Objetos em madeira, como a mesa e o caule da planta, reforçam essa atmosfera de conforto e estilo de vida saudável.
No que se refere aos formantes eidéticos, observa-se a predominância de formas arredondadas, como o canto do sofá, o abajur, as folhas da planta, o vaso de vidro e os brincos de argola. A blusa ajustada evidencia as curvas do corpo, enquanto o rosto da mulher, de formato triangular com maxilar e queixo marcados, apresenta simetria, olhos e boca grandes, nariz pequeno e arrebitado, características associadas a padrões estéticos do Norte Global. A maquiagem é elaborada, com base, corretivo, blush, bronzer, iluminador e gloss, compondo uma aparência polida. Há indícios do uso de filtro, suavizando as texturas da pele e apagando marcas naturais, com exceção das veias discretas na mão esquerda, único traço mais realista. O cabelo está preso em coque alto, com mechas soltas emoldurando o rosto. O look é composto por uma regata branca de malha canelada com alças finas e decote ovalado, e uma peça inferior em alfaiataria de cintura alta, com cós largo, pregas frontais, bolso faca e cinto grosso com fivela retangular. O único acessório é o brinco de argola. As formas triangulares, a simetria facial e a ausência de rugosidade reforçam a construção idealizada do corpo, alinhada aos padrões digitais e estéticos contemporâneos
O arranjo topológico mostra um recorte de retrato em que a mulher está no centro da imagem e seu corpo aparece da ponta da cabeça até a linha do quadril. Ela está de frente para a câmera, em pé e inclinada com o braço esquerdo apoiado sobre o móvel de madeira, formando um triângulo na imagem. O apoio do seu corpo está sobre a perna esquerda e fazendo com que seu quadril esteja inclinado para cima do lado direito. A mão direita está dentro do bolso direito da calça. A disposição central da figura, o enquadramento em corte de retrato e a geometria formada pela pose (triângulo) criam uma hierarquia visual que conduz o olhar para o rosto e o corpo. O ambiente minimalista complementa a centralidade da figura como foco de contemplação.
No plano do conteúdo, no nível fundamental, a imagem representa uma mulher alinhada ao padrão hegemônico de beleza associado ao sistema hetero-cis-normativo, branco e patriarcal do Norte Global. Inserida na estética da trend “clean girl” do TikTok, a imagem expressa sentidos de limpeza e assepsia, evidenciados pelos elementos visuais presentes. As oposições fundamentais estruturam-se em pares como (limpeza vs. impureza eliminada visualmente); natural/artificial (aparência naturalizada x procedimentos estéticos evidentes), indivíduo/estereótipo (ausência de identidade própria x padronização extrema).
O padrão de beleza contemporâneo torna-se cada vez mais inacessível sem as intervenções estéticas, como rinoplastia, preenchimentos e harmonização facial. Na imagem analisada, há valorização da parte superior do corpo por meio de vestimenta justa e decotada, expondo áreas como colo e braços, o que reforça a sexualização. Com efeito, no nível narrativo, pode-se analisar que a mulher é posicionada como sujeito de um programa de valoração estética, cujo objeto de valor é a adequação ao padrão. Os procedimentos estéticos tornam-se os modos de fazer, e a sanção, a obtenção de visibilidade social positiva.
No nível discursivo, o arranjo visual constrói a figura de uma mulher jovem, com cerca de 22 anos, passiva, desejável e genérica, sem traços individualizantes. Tal representação remete à captura histórica dos corpos, principalmente femininos, pelo sistema capitalista. A imagem analisada reitera também a lógica do neoliberalismo ao associar juventude à docilidade e à infantilização, esvaziando a figura feminina de desejos ou traços identitários. A estética da limpeza torna-se também uma estética de assepsia simbólica, apagando singularidades e apresentando um corpo regulado para o olhar externo. Observa-se ainda uma incongruência na modelagem da peça inferior, cuja estrutura de fechamento não condiz com os elementos visuais apresentados, sugerindo falhas na construção figurativa. Essa inconsistência revela a artificialidade da imagem, que embora pareça visualmente coerente, carrega indícios de sua origem não humana. O vestuário, nesse contexto, atua como extensão do corpo-padronizado, reforçando o ideal normativo e sua lógica de controle estético.
Figura 3 - Imagem gerada artificialmente #patynordestina
Fonte: ChatGPT 4.0 (2024).
Nesta imagem os formantes cromáticos são compostos por tons terrosos, bege e branco com pontos de tons quentes, como o rosa nas flores, o verde nas folhas e nas portas. As cores presentes no bordado da saia (vermelho, verde, amarelo, verde, rosa, roxo) contrastam com as tonalidades mais neutras da vestimenta e do fundo, sugerindo uma ideia de riqueza cultural e destacando a artesanalidade. Em relação à luminosidade, a imagem apresenta uma luz focal que incide de cima para baixo, como se a origem da luz estivesse no plano de fundo à figura da mulher. É possível identificar que para a resolução/criação das principais cores da imagem e da iluminação conta com a presença do pigmento amarelo.
No que tange ao formante eidético, existe uma predominância de formas arredondadas como os vasos, o batente da porta, as telhas, a base e fuste das colunas, o chapéu, os brincos, o colar, a saia e o desenho das rendas. E quanto às formas retilíneas aparecem nas linhas formadas pelo piso, no capitel das colunas e no bordado inferior da saia. A forma corpórea da modelo da imagem é magra e retilínea, como é possível observar pela exposição da parte superior tórax que deixa à mostra sua clavículas, bem como pela exposição da cintura e dos braços que são finos. A indumentária da modelo é formada por um “cropped” (blusa curta) de renda que tem em seu decote o formato triangular no bustier, as mangas têm formato cônico assim como a saia longa godê. Os bordados da saia e a própria renda da blusa têm formatos florais e geométricos. As formas arquitetônicas e dos elementos de decoração remetem a características de construções coloniais.
Quanto aos formantes topológicos a figura feminina está centralizada e em primeiro plano. O recorte da figura da mulher vai do meio de sua testa até o meio de seu pé. Não permitindo a visualização completa nem de seu chapéu nem de seus pés e calçado. Em segundo plano observa-se os vasos nas laterais direita e esquerda da figura feminina, e em último e terceiro plano está presente parte de um imóvel, no qual constata-se a existência de uma casa com um pátio retangular. A figura principal está em uma pose apoiada sobre o pé direito, estando seu pé esquerdo semi levantado dando a impressão de estar prestes a se movimentar. Outra indicação de movimento pode ser assumida pela pose dos braços, o braço direito segura a saia puxando-a levemente para cima e para trás, o braço esquerdo segura levemente a saia, mas não a puxa para nenhuma direção. A parte inferior do corpo está direcionado para o lado direito da imagem, já a parte superior está para o lado esquerdo da imagem, enquanto a cabeça está voltada para a frente, como se olhasse para a câmera.
Considerando o plano do conteúdo, no nível profundo, fundamental, a imagem mobiliza oposições semânticas como tradicional/moderno (ambiente colonial x características vestimentares contemporâneas [cropped, decote, brincos grandes]); sul global/norte global (bordado e ambientação que aludem a uma cultura latina localizada x aparência eurocêntrica da modelo)
No nível narrativo, a figura da mulher é construída como sujeito de um programa narrativo de afirmação visual pela apropriação estilizada da tradição. Seu objeto valor é a distinção estética e a singularidade aparente, ela se diferencia das outras tendências por parecer “conectada à cultura”. Mas essa conexão é simulada e performada, a mulher não é apresentada como pertencente ao contexto cultural que veste. Pode-se pensar que as modalidades envolvidas são o parecer-saber, ela parece conhecer a cultura; o parecer-ser, ela parece ser pertencente à cultura, e o não-ser, ela não faz parte da cultura.
No nível superficial, discursivo, a paleta de cores homologa uma ideia de sol, calor, remetendo às características similares às da região do Nordeste Brasileiro. A partir das vestimentas e acessórios é possível perceber um efeito de sentido de estetização da diferença cultural. Os aspectos da roupa aludem à ideia exótica sobre o outro, uma ideia associada ao folclore e às festividades regionais. Contudo, uma ideia representada de maneira mais depurada, higienizada e estilizada, transformando o artesanal e o regional em estilo e tendência. A pose da figura feminina, elemento central da imagem, valida a ideia de que há um indício de movimento. O que pode estar relacionado às atividades presentes em festividades como a música, dança e performances. Ao analisar as unidades elementares da imagem em conjunto, verifica-se que eles estão muito mais conectados à uma construção imagética da cultura mexicana do que à cultura nordestina brasileira. O discurso visual que a imagem constrói é um exemplo de fetichização da alteridade cultural: o “outro” é traduzido como exótico, belo, vendável, desde que apresentado por um corpo normativo, padronizado e branco. O corpo dominante se embeleza com a diferença, mas sem enfrentá-la ou compreendê-la. Sendo uma forma de encantamento estético do outro, que remove a densidade histórica da cultura e a transforma em decoração editorial. Esse regime visual neutraliza as tensões de classe, raça e território.
As análises realizadas neste artigo revelaram que as Inteligências Artificiais Generativas, ao traduzirem tendências visuais em imagens, não apenas reproduzem padrões estéticos, mas também atualizam ideologias profundamente enraizadas nos sistemas sociotécnicos que as sustentam. A partir das trends #cleangirl e #patynordestina, foi possível constatar que a IAG opera como um espelho do imaginário dominante. Enquanto a primeira hashtag reforça a estética da assepsia simbólica e da neutralidade cromática típica do Norte Global, a segunda simula a diferença cultural de modo estereotipado, representando contextos regionais de maneira exótica e decorativa. Em ambas as imagens geradas a partir das hashtags, a pluralidade dos corpos e dos modos de ser feminino é diluída por mecanismos algorítmicos que priorizam a previsibilidade e o reconhecimento estatístico em detrimento da singularidade.
Esses resultados evidenciam que a produção imagética por IAG não é neutra. Ela emerge de modelos treinados em vastos bancos de dados que são compostos majoritariamente por conteúdos de origem eurocêntrica, e, portanto, condicionados por assimetrias históricas e econômicas. A aparente objetividade técnica esconde uma operação de seleção e exclusão, no qual, o que é reconhecido como belo, feminino ou culturalmente válido é produto de um aprendizado mediado por lógicas de concentração de poder e pela escassez de diversidade nos conjuntos de dados. Assim, os algoritmos tornam-se agentes de repetição de um olhar hegemônico que naturaliza hierarquias visuais, estéticas e territoriais.
Ao mesmo tempo, a IAG pode ser entendida como um campo de disputa. Se, por um lado, ela cristaliza padrões e simplifica diferenças, por outro, revela os limites das tecnologias de representação automatizada e a urgência de reposicionar o humano como mediador crítico no processo criativo. A coautoria entre sujeito e máquina é fundamental para tensionar os parâmetros normativos que estruturam os modelos generativos, permitindo que novas visualidades e corporalidades sejam experimentadas fora da gramática hegemônica. Para isso, é indispensável adotar práticas de curadoria ética, com dados diversificados e processos transparentes de treinamento e validação, que assegurem responsabilidade e rastreabilidade.
É possível, então, compreender que a Inteligência Artificial Generativa, longe de ser apenas um instrumento de criação, constitui um dispositivo discursivo que participa da produção simbólica contemporânea, com efeitos diretos sobre como os corpos, os gêneros e as culturas são imaginados. Refletir criticamente sobre suas estruturas e limitações é, portanto, parte do exercício ético e epistemológico da moda na era digital. Tornando-se imprescindível compreender que essa tecnologia não apenas representa o mundo, mas também o fabrica, e que, nesse processo, residem tanto os riscos da homogeneização quanto as potências de reinvenção estética e política do vestir.
AGRADECIMENTOS
À Bolsa de fomento à pesquisa CAPES, pelo auxílio financeiro em prol dos estudos que envolvem a pesquisa, à qual este artigo está atrelado.
Declaração sobre o uso de IA generativa e tecnologias assistidas por IA no processo de escrita
Durante a preparação deste trabalho, os autores utilizaram o CHAT GPT-4 com o objetivo de gerar imagens. Também foi empregado o NOTEBOOK LM com o intuito de entender se as fontes bibliográficas pré-selecionadas faziam sentido de serem lidas em completude e aplicadas no artigo. Após o uso dessas ferramentas, os autores revisaram e editaram o conteúdo conforme necessário e assumem total responsabilidade pelo conteúdo da publicação.
REFERÊNCIAS
AIRES, Tatiana Filipa Costa. TikTok: escolhemos o que vemos ou o algoritmo escolhe por nós?. The Trends Hub, [S. l.],v. 1, n. 4, 1-8, 2024. Disponível em: https://doi.org/10.34630/tth.vi4.5701. Acesso em: 15 maio 2025.
BARROS, Diana Luz Pessoa de. Teoria semiótica do texto. 4. ed. São Paulo: Ática, 2005. 92 p.
CALEFATO, Patrizia. The clothed body. Tradução de Lisa Adams. New York: Berg, 2004. 167 p.
DE OLIVEIRA ARAÚJO, Fabrícia Raquel; PONTES, Verônica Maria de Araújo. Para além das trends: a influência do Tik Tok na formação leitora. Revista Semiárido De Visu, [S. l.], v. 13, n. 3, p. 425–435, 2025. DOI: 10.31416/rsdv.v13i3.1334. Disponível em: https://semiaridodevisu.ifsertaope.edu.br/index.php/rsdv/article/view/1334. Acesso em: 20 out. 2025.
FERRARA, Emilio. Should ChatGPT be biased? Challenges and risks of bias in large language models. First Monday, v. 28, n. 11. Novembro, 2023. Disponível em: . Acesso em: 19 out. 2025.
FIORIN, José Luiz. Elementos de análise do discurso. 9 ed. São Paulo: Contexto, 2000. 93 p.
FIORIN, José Luiz. Linguagem e ideologia. 1 ed. São Paulo: Ática, 2011.
GREGOLIN, Maria do Rosario Valencise. A análise do discurso: conceitos e aplicações. Alfa: Revista de Linguística, São Paulo, v. 39, 2001. p. 13-21. Disponível em: https://periodicos.fclar.unesp.br/alfa/article/view/3967. Acesso em: 15 maio 2025.
GREIMAS, Algirdas Julien. Semiótica figurativa e semiótica plástica. Significação: Revista Brasileira de Semiótica, n. 4, jun. 1984. p. 18-187.
LIPOVETSKY, G. O império do efêmero. São Paulo: Companhia das Letras, 1989.
LUDERMIR, Teresa Bernarda. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Estudos Avançados, v. 35, n. 101, São Paulo. Abril, 2021. p. 37-50. Disponível em: https://doi.org/10.1590/s0103-4014.2021.35101.007. Acesso em: 19 out. 2025.
MCKINSEY & COMPANY. The state of AI in early 2024: gen AI adoption spikes and starts to generate value. McKinsey & Company, 2024. Disponível em: . Acesso em: 15 maio 2025.
NEGRI, Antoni. Biocapitalismo. São Paulo: Iluminuras, 2015. Versão Kindle.
OPENAI. Hello GPT-4o. OpenAI, maio 2024. Disponível em: https://openai.com/index/hello-gpt-4o/. Acesso em: 15 maio 2025.
OPENAI. ChatGPT — Release Notes. [S. l.], 10 abr. 2025. Disponível em: . Acesso em: 19 out. 2025.
ORLANDI, Eni Puccinelli. Análise de discurso: princípios & procedimentos. 8. ed. Campinas: Pontes, 2009. p. 9-100.
ROSSI, Túlio Cunha. Feminilidade e suas imagens em mídias digitais: questões para pensar gênero e visualidade no século XXI. Tempo Social, São Paulo, v. 29, n. 1, p. 235-255, 2017.
SICHMAN, Jaime. Inteligência Artificial e sociedade: avanços e riscos. Estudos Avançados, v. 35, n. 101, São Paulo. Abril, 2021. p. 37-50. Disponível em: https://doi.org/10.1590/s0103-4014.2021.35101.004. Acesso em: 15 maio 2025.
SILVA, Larissa et al. Indexação social como estratégia para visibilidade de conteúdos científicos em serviço de rede social online TikTok. In: TOGNOLI, Natália Bolfarini; ALBUQUERQUE, Ana Cristina de; CERVANTES, Brígida Maria Nogueira (orgs.). Organização e representação do conhecimento em diferentes contextos: desafios e perspectivas na era da datificação. Londrina, ISKO-Brasil; PPGCI-UEL, v. 6,335-346. 2023. Disponível em: https://livroaberto.ufpa.br/items/303565eb-1870-4d76-98fe-d426b0771734
SILVEIRA, Sérgio Amadeu da. Democracia e os códigos invisíveis: como os algoritmos estão modulando comportamentos e escolhas políticas. São Paulo: Sesc SP, 2019.
SOUZA, Tania C. Clemente de. Discurso e imagem: perspectivas de análise não verbal. Ciberlegenda, n. 1, 1998. Disponível em: https://periodicos.uff.br/ciberlegenda/article/view/36741
TIKTOK FOR BUSINESS. TikTok + WGSN: Como as comunidades vão impactar as tendências no digital?. TikTok For Business, jul. 2023. Disponível em: https://ads.tiktok.com/business/pt-BR/blog/wgsn-comportamento-tendencia-digital-comunidades. Acesso em: 15 maio 2025.