IA que 'reanima' fotos antigas: o que se perde nesse

Uma foto de família dos anos 1950, com o rosto do bisavô coberto de rugas e a imagem granulada pelo tempo, entra num aplicativo de IA e sai lisa, colorida, sorrindo. Um artigo publicado no Jornal da USP dá nome a esse processo: pasteurização do passado é a operação pela qual algoritmos generativos suavizam marcas de tempo em fotografias antigas até produzir uma versão esteticamente agradável, mas afastada do que o documento original registrava. Se você pesquisa memória, arquivo, cultura digital ou história oral, essa mudança não é só estética: ela reconfigura a própria fonte primária com a qual você trabalha.

O que o artigo descreve

O texto parte de uma observação direta: quando a automação algorítmica assume o gesto de restaurar uma imagem antiga, o que muda não é só a superfície da foto. Muda o regime de verdade que sustenta aquele documento. Rugas somem, grãos são removidos, conflitos visuais são neutralizados. O resultado, segundo o artigo, “não se trata de restauração. Trata-se de reconfiguração.”

O argumento central é que memória, nesse contexto, deixa de ser tratada como acervo e passa a funcionar como moeda de troca. Ferramentas de animação como o Deep Nostalgia, citadas no texto, “reanimam” fotos antigas simulando piscar de olhos e movimentos de rosto. O artigo chama isso de simulação de afeto: o gesto animado não é o que a pessoa realmente fez, é um cálculo de probabilidade sobre o que ela provavelmente faria.

O artigo também recorre ao conceito de mean images (imagens médias), de Hito Steyerl: modelos generativos não recuperam um evento singular, produzem a convergência estatística de muitos eventos parecidos. Uma foto “restaurada” por IA não é aquele rosto específico num momento específico. É uma média plausível de como rostos parecidos costumam aparecer nos dados de treinamento.

Por que isso importa pra quem pesquisa

Se você trabalha com fontes visuais, seja em história, antropologia, comunicação ou estudos de memória, essa discussão afeta diretamente a validade metodológica do seu material.

1. Se você usa fotografias de arquivo como fonte primária: confira se a imagem passou por algum processo de “restauração automática” antes de chegar até você. O artigo argumenta que rugas, granulação e desgaste não são defeitos a corrigir, são marcas materiais que funcionam como evidência do tempo.
2. Se você trabalha com história oral ou memória coletiva: o texto descreve como narrativas dissonantes e marcas de violência tendem a ser suavizadas pelos algoritmos, porque não se ajustam aos padrões de “relevância” e “beleza” das plataformas. Vale perguntar quem definiu esses padrões e com que dados.
3. Se você analisa cultura digital ou plataformas: o artigo cita Giselle Beiguelman e sua crítica à “fantasmagoria digital”, um passado limpo demais para ser verdadeiro. É um contraponto direto à estética do glitch, que expõe a falha em vez de escondê-la.

O que me incomoda nessa mudança

Quando li o argumento de que a IA generativa desloca o documento “do campo da materialidade para o campo da modelagem”, pensei em quantas vezes uma imagem de arquivo chega até um pesquisador sem que ninguém pergunte se aquela versão específica passou por algum tratamento automático antes de chegar ao acervo digital. O risco não é falta de rigor de quem pesquisa: é que esse tipo de tratamento automático pode estar embutido em algum ponto do caminho entre o arquivo original e a versão que chega às mãos de quem pesquisa, sem aviso nenhum.

O artigo usa uma expressão que resume bem o risco: “uma memória comercial de margarina”. Por um lado, essas ferramentas ampliam o acesso emocional ao passado, uma pessoa comum consegue “ver” o bisavô sorrir sem precisar de perícia técnica em restauração de imagem. Por outro lado, quando essa reconstrução vira fonte de pesquisa sem mediação crítica, o trabalho acadêmico corre o risco de analisar o cálculo do algoritmo, não o evento histórico. Não significa descartar essas ferramentas. Significa registrar, na metodologia, se e como a imagem foi processada antes de virar dado de análise.

Próximos passos

1. Se você tem fotografias de arquivo no seu corpus, verifique a proveniência: a imagem passou por algum aplicativo de restauração ou animação antes de chegar até você?
2. Ao citar uma imagem “restaurada” por IA num trabalho acadêmico, descreva o processo na metodologia, do mesmo jeito que você descreveria uma tradução ou uma transcrição.
3. Leia o artigo original completo no Jornal da USP, ele traz o diálogo com Umberto Eco, Jacques Derrida e Arjun Appadurai que não cabe inteiro aqui.
4. Se seu tema de pesquisa toca em memória, viés algorítmico ou cultura digital, vale acompanhar como universidades estão criando espaços de apoio e discussão para pesquisadores nessa área. Veja também o efeito tesoura na pós: como o viés de gênero opera, que discute outro tipo de viés estrutural silencioso na produção acadêmica.

Fonte: Pasteurização do passado: as máquinas de afeto, Jornal da USP