Dia 86: O Nextdoor está em fase de testes? Ou voltamos à normalidade?

O Dia do Trabalhador já passou.

Hoje é o 86º dia do meu estudo de caso contínuo sobre o Nextdoor, e depois de me perguntar ontem se o Nextdoor teria um feriado prolongado, voltei a verificar hoje.

Não recebi qualquer comunicação referente aos dois estudos detalhados da Insights que solicitei.

E o NXDR?

No momento em que escrevo, o preço está a oscilar em torno dos 2,20 dólares. As fontes de mercado indicavam aproximadamente 2,24 dólares no final da tarde de hoje, após o fecho de sexta-feira a 2,24 dólares, pelo que o valor exato está a mudar enquanto escrevo.

Ei, pelo menos agora estamos a falar de cêntimos.

O Nextdoor está com problemas?

Ainda estou a tentar descobrir isso.

Mas algo que Nirav Tolia publicou no X de 3 de Setembro chamou a minha atenção.

“Um estudo de 2025 descobriu...”

Na publicação, Nirav escreveu:

Um estudo de 2025 descobriu que as avaliações falsas geradas pela IA são agora indistinguíveis das verdadeiras..

E pensei logo:

Aqui vamos nós outra vez.

Um estudo.

Qual estudo?

Quem escreveu isto?

Onde foi publicado?

Qual foi a metodologia?

Qual era o tamanho da amostra?

O que significava exatamente “indistinguível”?

Isto soa provavelmente familiar para qualquer pessoa que tenha acompanhado a minha aventura de 86 dias em busca de transparência nas pesquisas do Nextdoor.

Eis a parte interessante: pesquisei e encontrei estudos que comprovam a afirmação de Nirav.

Num artigo da revista Fortune publicado no mesmo dia, Nirav identificou-o mais especificamente como um estudo de 2025 da Nottingham University Business School.

Estudos revistos por pares, previstos para 2025, examinam avaliações falsas geradas por IA, incluindo um estudo do Journal of Retailing and Consumer Services que analisou 714.016 avaliações e encontrou diferenças linguísticas significativas entre avaliações falsas geradas por IA, avaliações falsas geradas por humanos e avaliações autênticas.

Portanto, a minha crítica não é:

“O estudo não existe.”

A minha pergunta é:

Por que não citá-lo na publicação original?

Se pretende utilizar os inquéritos para estabelecer credibilidade, forneça aos leitores informação suficiente para que eles próprios avaliem o inquérito.

Nome do estudo. Autores. Publicação. Ligação.

Quatro coisas.

Concluído.

Principalmente quando se é o CEO de uma empresa que está a promover a ideia de que a origem importa.

Isto é quase demasiado perfeito.

As avaliações falsas não chegaram com o ChatGPT

Outro aspecto desta discussão incomoda-me.

A inteligência artificial não inventou as avaliações falsas.

A IA tornou-os mais rápidos, mais baratos e mais fáceis de produzir em grande escala.

Os seres humanos manipulam reputações há muito, muito tempo.

Na verdade, a história é bastante interessante.

Década de 1800: Walt Whitman publicou anonimamente recensões elogiosas do seu próprio livro Folhas de Relva. Esta é essencialmente a versão do século XIX de criar uma conta falsa e dar-se cinco estrelas.

Início do século XX: Os jornais já lidavam com informações fabricadas, alegações exageradas e "falsificadores". Em 1913, o New York World criou um Departamento de Precisão e Imparcialidade, em parte para atender às queixas e "erradicar as falsificações e os farsantes".

Publicidade pré-internet: As empresas utilizavam testemunhos e recomendações como ferramentas de marketing, criando o mesmo problema fundamental que enfrentamos hoje: esta pessoa está a recomendar o produto porque realmente gosta dele ou porque alguém beneficia da recomendação?

Os primórdios da internet: fóruns de discussão, sites de avaliação e, eventualmente, o comércio eletrónico permitiram que empresas e particulares criassem contas e fabricassem elogios — ou atacassem concorrentes.

Ironicamente, o próprio Nirav foi cofundador do Epinions em 1999, uma das primeiras plataformas de avaliações geradas pelos utilizadores. Reconhece agora que a economia das avaliações acabou por se tornar vulnerável à manipulação.

Década de 2010: Os negócios de avaliações falsas tornaram-se uma indústria. As empresas podiam comprar avaliações positivas, os concorrentes podiam ser atacados com avaliações negativas e os autores das avaliações podiam operar com múltiplas identidades.

Década de 2020: As explorações agrícolas de avaliações tornaram-se cada vez mais sofisticadas. Os investigadores descobriram avaliadores coordenados a elogiar empresas não relacionadas em diversos países, surgindo, por vezes, avaliações idênticas sob nomes diferentes.

Hoje: A IA generativa mudou drasticamente a economia. Em vez de pagar aos humanos para produzirem centenas de avaliações manualmente, alguém pode gerar rapidamente enormes quantidades de texto convincente. A investigação mostra agora que os modelos de aprendizagem de línguas (LLMs) podem produzir avaliações enganadoras com capacidades de nível humano, embora os investigadores ainda consigam identificar estatisticamente algumas diferenças linguísticas.

O mesmo golpe.

Maquinaria muito melhor.

O que me leva de volta ao Nextdoor

A proposta atual da Nextdoor é que a identidade verificada e a responsabilidade do bairro podem tornar as recomendações mais fiáveis.

Esta é uma estratégia interessante.

Mas a verificação por si só não torna uma opinião verdadeira.

Uma pessoa real pode exagerar.

Uma pessoa verificada pode guardar rancor.

Um bom vizinho pode recomendar a empresa de um amigo.

Um cliente legítimo pode receber um incentivo.

Dois vizinhos verificados podem ter experiências completamente diferentes com a mesma empresa.

E, como já referi anteriormente, também tinha dúvidas sobre a robustez do sistema de verificação do Nextdoor.

Portanto, "verificado" é um sinal de confiança.

Não se trata de um soro mágico da verdade.

A proveniência importa? Concordo.

É exatamente isso que torna a publicação de Nirav tão interessante.

O seu argumento mais amplo é essencialmente o seguinte:

A origem da informação importa.

Concordo.

Completamente.

É por isso que, quando o CEO diz:

“Um estudo de 2025 descobriu...”

Quero saber a proveniência.

Dê um nome ao estudo.

Dê os nomes dos investigadores.

Coloque o link.

Deixe que os leitores o examinem.

E é isso mesmo que tenho vindo a pedir ao Nextdoor em relação à sua própria pesquisa.

Durante 86 dias.

O Nextdoor publicou as conclusões da sua investigação Insights.

O Nextdoor informou publicamente os leitores que poderiam solicitar dados detalhados.

Eu solicitei isso.

Eu enviei um e-mail.

Já dei seguimento ao assunto.

Ampliei a distribuição.

Enviei outra solicitação no sábado.

E continuo a aguardar os dois estudos detalhados.

Dia 86

Ontem foi o Dia do Trabalhador.

Hoje pergunto:

O Nextdoor está com problemas?

Porque ainda estou a trabalhar.

Aguarda-se que alguém da Nextdoor responda às perguntas.

A publicação de Nirav defende que a proveniência importa.

Nisso, concordamos.

Aqui fica a minha sugestão para o Dia 86:

Pratique.

Ao citar inquéritos, mostre-nos o inquérito.

Quando a Nextdoor publicar investigação, mostre-nos a metodologia.

Quando o seu próprio blogue informa os leitores de que podem solicitar dados detalhados, forneça esses dados detalhados — ou explique por que razão não o fará.

Porque, quer estejamos a falar de uma avaliação de um restaurante, de uma recomendação gerada por IA ou de um relatório de insights corporativos, o princípio é o mesmo:

Não me diga simplesmente para confiar nisso. Dê-me informação suficiente para que eu possa decidir se devo confiar ou não.

Acompanhe o estudo de caso contínuo da Nextdoor em NielFlamm.com/blog.