Em julho de 2026, o deputado Carlos Guimarães Pinto interrogou o Amália, o modelo de linguagem português financiado com fundos públicos, sobre o trajeto de Cristiano Ronaldo no Mundial de Futebol de 2026. A resposta, partilhada nas redes sociais, continha algumas alucinações e um erro que se tornou viral: a expressão «Copa do Mundo». A palavra copa, em contexto desportivo, significando «taça» ou «troféu», só é usada em português do Brasil; e a expressão «Copa do Mundo», em português de Portugal, seria apenas «Mundial», «Mundial de Futebol» ou «Campeonato do Mundo». Ora, uma tecnologia criada para defender e preservar o português de Portugal nunca a deveria usar. O episódio foi glosado à saciedade e apontado como a prova de terem sido despendidos milhões de euros de fundos públicos para construir um modelo que não cumpre o desígnio para o qual foi criado. Sendo um caso – houve outros, mas sobretudo erros de facto, não de linguagem – ele trouxe para a discussão pública o conceito de soberania linguística. 

A soberania linguística pode definir-se como o poder normativo de uma comunidade sobre a sua própria língua: o direito de fixar a norma, de a regular, de a desenvolver e de a fazer prevalecer nas instituições, nos documentos e, cada vez mais, nas tecnologias que medeiam a sua comunicação escrita, sem que esse poder dependa de decisões tomadas fora dessa comunidade, por parte, por exemplo, de quem detenha maior peso económico ou demográfico.

A Constituição da República estabelece o português como língua oficial do País (artigo 11.º, n.º 3); a Lei de Bases do Património Cultural (Lei n.º 107/2001, de 8 de setembro) afirma que «a língua portuguesa, enquanto fundamento da soberania nacional, é um elemento essencial do património cultural português» (artigo 2.º, n.º 2), quase uma declinação contemporânea da célebre frase de Fernando Pessoa: «A minha pátria é a Língua Portuguesa»… Ao consagrar a língua como pilar da soberania nacional, a lei abre espaço para o conceito de soberania linguística, que surge nesta esteira. Por sua vez, o Decreto-Lei n.º 18/2022, de 19 de janeiro, atribui à Academia das Ciências de Lisboa a função de propor «as medidas que considerar convenientes para assegurar e promover a unidade e expansão do idioma português» (artigo 6.º, n.º 2). Historicamente, a instituição tem desempenhado um papel central na elaboração, fixação e negociação de praticamente todos os acordos e convenções ortográficas em Portugal.

Só que o enquadramento jurídico-administrativo e o poder normativo exercido pelo Estado podem ser, hoje, insuficientes para assegurar a soberania linguística, se o País não conseguir exercer essa influência nos meios em que a norma, todos os dias, se materializa. Durante décadas, essa tarefa coube a instituições tais como academias, universidades, escolas, editoras, órgãos de comunicação social. Hoje, uma fatia crescente do que se escreve em português nasce de modelos de inteligência artificial – e é cada vez mais neles que a norma se corporiza no dia a dia. Os futuros manuais, os dicionários e as gramáticas irão também ser influenciados pela língua em ato por eles produzida, condicionando as suas bases normativas.

A soberania linguística do português de Portugal não exclui – claro está – a legitimidade das outras variedades do português, designadamente, o português do Brasil. Ambos os países têm, obviamente, direito à sua norma e à respetiva soberania linguística. As duas normas não se excluem, complementam-se, na sua individualidade. O que o Amália parece querer garantir é a capacidade de uma comunidade de falantes e escreventes minoritária continuar a ser produtora, e não apenas consumidora da tecnologia que medeia a sua relação escrita com o mundo. Dos cerca de 213,5 milhões de brasileiros, cerca de 98% (exclui parte da população das chamadas comunidades originárias) têm o português como língua materna. Mesmo contando com as populações dos outros países lusófonos, a população brasileira representa cerca de 80% de todos os falantes de português no planeta. A produção potencial de conteúdos é, pois, de 8 para 2. Do ponto de vista puramente comercial, é fácil perceber a razão pela qual o mercado brasileiro pesa muitíssimo mais do que o português.

Paulo Dimas, CEO do Center for Responsible AI – o consórcio que gere o investimento público de cerca de 49 milhões de euros, via PRR, no projeto Amália –, refere mesmo, de forma bastante conotativa, o risco de «colonização» linguística: uma espécie de «colonização» passiva, resultado não de uma imposição deliberada, mas de um mero efeito estrutural de escala. Malgrado este epíteto, não deixa, porém, de ser curioso que a designação do Centro e do cargo sejam em inglês, além de todo o site estar redigido na língua franca universal ou esperanto moderno… Numa entrevista recente ao Diário de Notícias, explica por que razão essa soberania se decide sobretudo numa fase que o público raramente vê: o pré-treino. Segundo ele, o ciclo de vida de um modelo de linguagem passa por três etapas – pré-treino, pós-treino e alinhamento –, mas é na primeira, a mais dispendiosa em termos de matéria-prima (consumo de dados), infraestrutura (processamento) e energia, que se decide uma parte fundamental da língua que enforma o modelo desde a sua génese. O que se parece querer dizer é que descarregar um modelo estrangeiro pré-treinado e aplicar-lhe depois filtros de português europeu é, metaforicamente, como ensinar o português de Portugal a um falante nativo de português do Brasil: pode aprender o léxico, a sintaxe e até a pronúncia, mas vão sempre existir falhas e as respostas nunca serão completamente em português europeu.

E o sistema, na generalidade dos modelos globais, está estruturalmente inclinado para o português do Brasil, simplesmente porque é essa a variedade que lidera de forma esmagadora a produção de conteúdos disponível na Internet. Os modelos aprendem muito por frequência e a assimetria demográfica e económica entre os dois países reflete-se, sem surpresa, nos dados. O risco não é o contacto entre variedades – esse sempre existiu, e é salutar e mutuamente enriquecedor –, mas uma possível homogeneização silenciosa do português europeu, com o risco de a variedade minoritária nos dados poder lentamente vir a ser encarada como desvio a corrigir em vez de norma a preservar.

O ônibus, em vez de autocarro, que Paulo Dimas receia ver aparecer no ecrã de um dispositivo de uma criança portuguesa, acaba por emparelhar com a «Copa do Mundo» em vez de «Mundial», apontada pelo deputado Carlos Guimarães Pinto, sendo, nesse sentido, apenas o efeito visível de um fenómeno mais profundo. A diferença entre autocarro e ônibus, ou entre ecrã e tela, é lexical e por isso salta mais à vista; mas a mesma mudança pode dar-se, de forma menos percetível, na morfossintaxe – na regência verbal e na escolha de preposições (por exemplo, em construções como «fui ao banco», mais característica do português europeu, e «fui no banco», mais frequente no português do Brasil); na colocação pronominal, em que o português europeu é predominantemente enclítico (o pronome surge depois do verbo: «amo-te muito» ou «diga-me a verdade»), enquanto o português do Brasil é maioritariamente proclítico (o pronome surge antes do verbo: «te amo muito» ou «me diga a verdade»); no uso das perífrases progressivas, em que o português europeu privilegia a construção estar a + infinitivo («estamos a estudar para o exame»), enquanto o português do Brasil privilegia estar + gerúndio» («estamos estudando para o exame»); e na própria pragmática do discurso, nas fórmulas de tratamento (por exemplo, na frequência e nos valores pragmáticos atribuídos a você), no grau de formalidade expectável de um texto, etc. Um modelo que «pensa» predominantemente em português do Brasil não usa apenas ocasionalmente palavras dessa variante, tende a organizar as frases de acordo com a respetiva sintaxe, mesmo quando o léxico é do português europeu. É uma diferença de estrutura, não apenas de vocabulário e já visível nos modelos de IA disponíveis em português, mesmo quando se lhes pede que se expressem na variante de português europeu.

O episódio que desencadeou a polémica comporta ainda uma dimensão tecnológica da soberania linguística. Segundo Paulo Dimas, quando o Amália – um modelo de 9 mil milhões de parâmetros que exige pelo menos 18GB de memória – é integrado num chatbot público, alojado numa infraestrutura insuficiente, é necessário proceder a uma quantização. Na prática, trata-se de uma compressão matemática. Para o modelo ser alojado num servidor mais pequeno, a precisão numérica dos seus parâmetros é reduzida. Um modelo quantizado perde subtileza e riqueza discursiva. Sujeita a essa pressão, a inteligência artificial tende a "simplificar" as respostas e a recorrer aos padrões estatisticamente mais frequentes na Internet, que são sobretudo em português do Brasil. 
Importa referir que, do ponto de vista institucional, tal como salienta Paulo Dimas, o Amália mobiliza cerca de 80 investigadores e estudantes distribuídos por seis centros de investigação de referência – o Instituto Superior Técnico, a Nova FCT, o INESC-ID (Instituto de Engenharia de Sistemas e Computadores – Investigação e Desenvolvimento), a Universidade do Minho, a FEUP (Faculdade de Engenharia da Universidade do Porto), e o CISUC (Centro de Informática e Sistemas da Universidade de Coimbra). O Amália acaba por ser, nos seus objetivos, uma versão contemporânea dos grandes empreendimentos que os países fazem há décadas para consolidar a sua língua – reformas ortográficas, dicionários, vocabulários, gramáticas normativas –, reunindo vários especialistas, só que agora o produto final não são normas ou livros impressos por uma academia, mas um corpus de pré-treino.

Vale ainda a pena distinguir duas competências que o Amália claramente separa. Por um lado, a competência linguística do modelo – a sua capacidade para gerar português europeu escorreito –, que depende do pré-treino. Por outro, o conhecimento factual atualizado, pois o Amália tem como limite cronológico o mês de junho de 2024. Para saber quem é o atual primeiro-ministro de Portugal ou pormenores sobre o percurso de um jogador no Mundial de Futebol de 2026, por exemplo – perguntas nas quais foi testado –, o Amália precisa, segundo Paulo Dimas, de um sistema de recuperação de informação (conhecido tecnicamente como RAG) que vá buscar a informação factual à Internet e a entregue ao modelo dentro da pergunta. O sistema primeiro procura essa informação, por exemplo, no portal do Governo, na Wikipédia, ou na página de um jornal ou revista atualizados, coloca-a dentro da prompt e só depois o modelo redige a resposta. O modelo  executa, no fundo, aquilo em que se especializou – ler, analisar e interpretar um texto, e resumi-lo/reformulá-lo, com competência linguística em português de Portugal, só que agora aplicada a uma informação externa e não endógena. O Amália não precisa de saber os factos, precisa apenas de os processar e redigir corretamente a informação final. Importa, pois, ter presente a distinção: competência linguística vs atualidade factual.

Uma última nota, tal como refere Paulo Dimas, nenhum modelo de linguagem garante, a 100%, que nunca mais produzirá uma «Copa do Mundo», outro qualquer erro de linguagem ou uma alucinação – isso, admite, é da própria natureza estatística e não determinística destes sistemas. A soberania linguística almejada pelo Amália não promete a perfeição. O Amália pretende que as decisões sobre a manutenção do português europeu, sobre o corpus que alimenta o modelo e sobre a infraestrutura tecnológica que o sustenta, continuem a ser tomadas em Portugal, por portugueses e com falantes nativos ou com proficiência inquestionável em português europeu a rever os resultados. Isso não impede erros pontuais, mas poderá contribuir para que o português europeu disponha dos meios tecnológicos necessários para continuar a ser uma língua viva, autónoma e em expansão no espaço digital, e para que a língua que hoje ensinamos, falamos e escrevemos continue a ser a língua em que os nossos filhos e as gerações vindouras irão escrever, comunicar e construir o seu mundo.