1. 1) Os dados que alimentam o funcionamento dos diversos algoritmos da Netflix são coletados e produzidos a partir de registros (rastros digitais) de interações que os usuários têm com o sistema.

   · Foco de três artigos (Alzamora, Salgado & Miranda, 2017; Gilmore, 2020; Iglesias Albores, 2022)

   · Debatido em cinco artigos (Lawrence, 2015; Fernández-Manzano, Neira & Clares-Gavilán, 2016; Gaw, 2022; Pajkovic, 2022; Sued, 2022)

   · Mencionado em seis artigos (Buonanno, 2018; Braghini & Montaño La Cruz, 2019; Cornelio-Marí, 2020; Floegel, 2021; Heredia-Ruiz, Quirós-Ramírez, & Quiceno-Castañeda, 2021; Van Esler, 2021). Buonanno (2018), Floegel (2021) e Van Esler (2021) associam a captura de dados à vigilância digital (surveillance).

   Cabe, ainda, destacar dois subtemas que desdobram as análises de funcionamento dos dispositivos da Netflix:

   a) Os mecanismos da Netflix são máquinas “auto generativas”, isto é, capazes de gerar parte dos dados com que trabalham.

   · Debatido por Gaw (2022)

   · Mencionado em outros três artigos (Fernández-Manzano et al., 2016; Braghini & Montaño La Cruz, 2019; Heredia-Ruiz et al., 2021).

   b) Os mecanismos da Netflix realizam “filtragens colaborativas” a partir do cruzamento de dados de vários usuários.

   · Discutido em dois artigos (Hallinan & Striphas, 2016; Pajkovic, 2022)

   · Mencionado em dois artigos (Alzamora et al., 2017; Gilmore, 2020)

1. 2) Os sistemas algorítmicos da Netflix criam uma ultrassegmentação do conteúdo ao reclassificar obras dentro de “altgêneros” próprios.

   · Foco em Lawrence (2015)

   · Mencionado em cinco artigos (Lobato, 2018; Braghini & Montaño La Cruz, 2019; Van Esler, 2021; Gaw, 2022; Pajkovic, 2022)

1. 3) A filtragem de conteúdo e a apresentação das interfaces, tal qual mecanismos de aprimoramento de usabilidade, foram desenvolvidos em função de uma lógica econômica de controle e oferta de conteúdo.

   · Foco de dois artigos (Fernández-Manzano et al., 2016; Braghini & Montaño La Cruz, 2019)

   · Debatido em quatro artigos (González, 2020; Heredia-Ruiz et al., 2021; Iglesias Albores, 2022; Pajkovic, 2022)

   · Mencionado em três artigos (Vonderau, 2015; Floeguel, 2021; Van Esler, 2021).

1. 4) A Netflix cria “perfis de gosto” para melhorar a recomendação de conteúdo, o que tende a restringir o acesso dos usuários a produções fora do seu “filtro-bolha”.

   · Debatido em seis artigos (Lawrence, 2015; Buonanno, 2018; Braghini & Montaño La Cruz, 2019; Gilmore, 2020; Floeguel, 2021; Pajkovic, 2022)

   · Mencionado em três artigos (Alzamora et al., 2017; Lobato, 2018; Gaw, 2022)

1. 1) O modelo operacional (disponibilidade de episódios, mecanismos de recomendação) influencia hábitos de consumo, como a prática de maratonas midiáticas (binge watching).

   · Foco de dois artigos (Samuel, 2017; Valiati, 2020)

   · Mencionado em sete artigos (Lawrence, 2015; Braghini & Montaño La Cruz, 2019; Bousso & Salles, 2020; Almarza & García-Béjar, 2021; Floegel, 2021; Heredia-Ruiz et al., 2021; Van Esler, 2021)

1. 2) As preferências dos usuários são condicionadas pela atuação dos sistemas de recomendação e da interface. Este tema é tratado de forma mais geral pelos seguintes autores:

   · Foco de Van Esler (2021)

   · Debatido em seis artigos (Lawrence, 2015; Gilmore, 2020; Gaw, 2022; Iglesias Albores, 2022; Pajkovic, 2022; Sued, 2022)

   Outros autores oferecem uma crítica mais direcionada a alguns aspectos, de modo que destacamos seus trabalhos a partir de dois subtemas:

   a) As recomendações afetam a percepção estética do espectador, ao influenciar padrões de consumo que o moldam dentro de um “perfil global”

   · Foco de Pajkovic (2022)

   · Mencionado em seis artigos (Vonderau, 2015; Cornelio-Marí, 2020; Meimaridis, Mazur & Rios, 2020; Heredia-Ruiz et al., 2021; Iordache, Raats & Afilipoaie, 2022; Sued, 2022)

   b) A cultura algorítmica da Netflix tende a reforçar padrões normativos da sociedade, especialmente em questões políticas de gênero e raça.

   · Foco de Floegel (2021)

   · Debatido em dois artigos (Hallinan & Striphas, 2016; Gaw, 2022).

1. 3) O poder algorítmico determina a cultura e afeta a construção de gosto e identidade.

   c) Foco de três artigos (Hallinan & Striphas, 2016; Gaw, 2022; Pajkovic, 2022)

   · Debatido em quatro artigos (Lawrence, 2015; Floegel, 2021; Iglesias Albores, 2022; Sued, 2022)

Sob esta rubrica cultural, cabe destacar que Lawrence (2015), Floegel (2021) e Van Esler (2021) apontam que a natureza capitalista da Netflix e o desequilíbrio de forças entre usuários e empresa são fatores a condicionar gostos culturais.

1. 4) A estratégia da Netflix envolve mesclar práticas culturais emuladas dos fluxos televisivos tradicionais com novas estratégias de streaming.

   · Foco de Heredia-Ruiz et al. (2021)

   · Mencionado em três artigos (Valiati, 2020; Lobato, 2018; Samuel, 2017)

1) A escolha de obras para compor o catálogo, bem como práticas de roteiro e de produção em obras originais Netflix, são submetidas a lógicas algorítmicas de análise de dados gerados pela audiência.

1. · Foco de dois artigos (Bousso & Salles, 2020; Heredia-Ruiz et al., 2021)

   · Debatido em sete artigos (Vonderau, 2015; Fernández-Manzano et al., 2016; Hallinan & Striphas, 2016; Napoli, 2016; Alzamora et al., 2017; Cornelio-Marí, 2020; Iordache et al., 2022)

   · Mencionado em três artigos (Braghini & Montaño La Cruz, 2019; Floegel, 2021; Pajkovic, 2022)

Cornelio-Marí (2020) também destaca que os processos de coleta e análise de dados são utilizados para influenciar a produção que ocorre fora dos Estados Unidos.

2) Diversidade na composição do catálogo, com destaque para a crescente presença de produções locais e de outros países, mesmo com predomínio de filmes e séries da América do Norte.

a) Artigos que apresentam uma visão mais positiva que negativa sobre a internacionalização do catálogo da Netflix.

1. · Foco de dois artigos (Hidalgo-Marí, Segarra-Saavedra & Palomares-Sánchez, 2021; Iordache et al., 2022)

   · Debatido em Meimaridis et al. (2020)

b) Artigos que indicam progresso na diversidade, mas reforçam a necessidade de maior equilíbrio.

1. · Foco de Lozano (2022)

   · Debatido em Penner e Straubhaar (2020)

c) Artigos que criticam a limitação da oferta de produtos diversificados, bem como a promoção que privilegia obras marcadas como “Original Netflix”

1. · Foco de dois artigos (Lobato, 2018; Sued, 2022)

   · Debatido em Heredia-Ruiz et al., 2021

3) A Netflix modifica os fluxos transnacionais do audiovisual, enfraquecendo o poder e as indústrias locais ao impor uma lógica de produção de promoção própria.

1. · Debatido em dois artigos (Lobato, 2018; Iordache et al., 2022)

   · Mencionado em três artigos (Buonanno, 2018; Meimaridis et al., 2020; Penner & Straubhaar, 2020)

Alguns autores adentram esse tema de modo mais específico:

a) A necessidade de uma “visão global” se sobrepõe a práticas locais, em certo sentido padronizando o conteúdo contratado a um modelo estadunidense-global.

1. · Foco de Penner e Straubhaar (2020)

   · Debatido em Lozano (2022)

   · Mencionado em dois artigos (Iordache et al., 2022; Sued, 2022)

b) Os processos de produção e códigos locais são incorporados pelas produções encomendadas pela Netflix para legitimar sua presença naquele mercado.

1. · Foco de dois artigos (Cornelio-Marí, 2020; Meimaridis et al., 2020)

   · Debatido por Sued (2022)

Primeiramente observamos como as pesquisas descobertas em nosso levantamento abordam a engenharia dos algoritmos da Netflix[1]. Entendemos que essa característica é fundamental para descrever, em seguida, sua relação com os impactos culturais e econômicos. Afinal, a Netflix é reconhecida pelas recomendações “personalizadas” de filmes e programas para seus usuários – tanto pelos aspectos positivos quanto pelos negativos. Conforme resumem Braguini e Montaño La Cruz (2019, p.177), “há na Netflix uma construção de sentido muito particular e positiva em relação ao algoritmo. O algoritmo, uma ethicidade-chave da plataforma, é construído quase como um porta-voz, representante”.

É preciso, de início, fazer uma ponderação: os muitos sistemas algorítmicos combinados que personalizam a experiência de cada usuário foram descritos pela própria Netflix, tanto em seu blog de tecnologia (https://netflixtechblog.com/), como em artigo produzido por Carlos Gomez-Uribe e Neil Hunt[2] – obras que servem de referência a vários[3] textos selecionados em nosso levantamento. Os principais são: ranking personalizado de vídeos, que usa o histórico de visualização e preferências dos usuários para organizar a ordem de apresentação de todos os títulos disponíveis no catálogo, agrupando-os em gêneros personalizados aos usuários; Top N, seleção algorítmica baseada também em histórico de visualizações e preferências, mas que seleciona apenas os títulos com mais chances de serem assistidos; trends, que indica as tendências de visualização globais, territoriais e vinculadas aos perfis de gosto em que os espectadores são arrolados automaticamente; vídeos semelhantes, que usa metadados das produções para recomendar programas semelhantes aos já assistidos; classificação pelos usuários, que mede as preferências dos indivíduos ao dar uma nota ao programa; organizador de tela, que analisa os comportamentos de um grupo de pessoas com diferentes interfaces para privilegiar a exibição do que terá mais chances de ser escolhido (Testes A/B, que veremos mais adiante); e gerador de evidências, que são as informações variáveis que a interface mostra para cada usuário e que podem ajudar a escolher a obra, como porcentagem de afinidade, trailer, descrição, participação de atores ou direção etc. (Gomez-Uribe & Hunt, 2016).

Para funcionar dessa maneira e gerar 80% de todo o tráfego (Gomez-Uribe & Hunt, 2016), o processo de recomendação envolve várias etapas de coleta de dados, análise, classificação e a previsão da oferta do produto na plataforma. A base de operação da Netflix é formada pelo conjunto dos dados inseridos pelos assinantes, somados aos dados produzidos ou “minerados” pelos próprios algoritmos (a partir dos rastros digitais do uso), em cruzamento com informações sobre os títulos disponíveis no catálogo (Fernández-Manzano et al., 2016; Lawrence, 2015; Braghini & Montaño La Cruz, 2019). Os recursos algorítmicos utilizados pela Netflix podem identificar, por exemplo, dados demográficos e de localização (Lobato, 2018) sem serem fornecidos pelos usuários. Como assinala González (2020), existe certa necessidade da entrada de dados por humanos, como no caso dos metadados dos filmes. Entretanto, dada a preferência pelos dados gerados internamente em detrimento daqueles inseridos pelos usuários, os sistemas da Netflix não atuam como uma máquina procedural, e sim uma máquina auto-generativa (Gaw, 2022).

Os dados obtidos a partir das obras permitem a criação dos altgêneros que são usados para classificar as obras do catálogo, conforme assinalam Lawrence (2015) e Braghini e Montaño La Cruz (2019). Esse termo é usado descrever os códigos classificatórios que, em vez de gêneros canônicos, como drama ou comédia, usam um vocabulário próprio da Netflix (“filmes de detetives dos anos 1970”, “drama políticos gays e lésbicos”), gerados a partir de um vasto conjunto de metadados provenientes das obras: “tema, natureza, elenco e outras características de cada audiovisual” (Braghini & Montaño La Cruz, 2019, p.169).

Já os dados gerados pelos usuários derivam da observação de todo o comportamento dos espectadores: quais obras assistiu, por quanto tempo, quais finalizou mais rápido, quais classificou positivamente etc. (Samuel, 2017; Gilmore, 2020). Dessa forma, a Netflix sabe quando e onde os usuários utilizam seus serviços, o que procuram e como avaliam, realizando até mesmo o rastreamento de comportamento de navegação pela plataforma por meio de barras de rolagem (Gomez-Uribe & Hunt, 2016; Alzamora et al., 2017; Gaw, 2022; Iglesias Albores, 2022).

Outro modo de obter dados é a “filtragem colaborativa”, isto é, a recomendação gerada a partir dos comportamentos e preferências de um conjunto de usuários, cuja eficácia é medida com “testes A/B” (Gilmore, 2020; Alzamora et al., 2017). Tais testes, usados para aprimoramento da plataforma, consistem em apresentar resultados distintos a perfis de usuários semelhantes (organização das listas, ordem das linhas de títulos, capas e descrições dos filmes) de modo a medir qual gera maior conexão e engajamento das pessoas (Alzamora et al., 2017). Há algoritmos que atuam para diferenciar a oferta conforme a interface tecnológica de acesso – o usuário possivelmente verá recomendações distintas em sua SmartTV, no tablet e no smartphone (González, 2020). Com essas ferramentas, a empresa consegue mensurar o tempo do usuário na escolha do produto e melhorar a experiência para, objetivamente, evitar que se entediem e reter suas assinaturas (Fernández-Manzano et al., 2016).

Assim, conforme resume Gaw (2022, p.714, tradução nossa), “tudo é recomendação na Netflix, das sugestões individuais de títulos, distribuição das obras em linhas, à interface personalizada”. Um problema intrínseco a essas lógicas algorítmicas, assinalado por boa parte dos autores consultados, é a recursividade do sistema – as escolhas passadas alimentam as recomendações atuais, que, por sua vez, geram dados para recomendações futuras. Se, por um lado, o sistema se torna mais eficaz em prever sugestões conforme o uso (Iglesias Albores, 2022), por outro facilita a criação de “filtros bolhas” (Alzamora et al., 2017), pois mesmo caracterizado como uma recomendação pessoal ou individual, os sistemas trabalham a partir de “comunidades globais” (Braghini & Montaño La Cruz, 2019). Ou seja, as recomendações são correspondentes a “perfis de gosto” traçados pelos próprios algoritmos (Gaw, 2022), majoritariamente baseados em “afinidades” identificadas pela análise profunda do comportamento dos usuários (Gilmore, 2020), e representam apenas uma pequena parte de toda a oferta disponível (Lobato, 2018).

Os algoritmos que montam as interfaces, como a organização do catálogo na tela de busca, realizam uma "amplificação algorítmica" de alguns títulos, isto é, nessa etapa têm preferência os títulos marcados como “Original Netflix”, os acessíveis em catálogos mundializados, e depois os mais assistidos na região (Sued, 2022; Van Esler, 2021). Como veremos ao comentar as influências sobre o mercado, esse manancial de dados coletados e analisados serve para otimização do catálogo (Fernández-Manzano et al., 2016) – interferindo, por exemplo, no licenciamento e na contratação de produções, o que pode resultar em menor quantidade de obras disponíveis. Para superar a impressão de menor oferta – o que geraria uma percepção de menor qualidade do serviço pelo usuário – a interface promove uma ilusão de abundância por meio de alguns recursos como: rolagem infinita da tela, mudanças constantes na ordem da apresentação dos catálogos, apresentação do mesmo título com informações distintas (por exemplo, os cartazes que aparecem nas linhas de recomendação), reprodução automática de episódios de uma série, oferta de outros títulos durante os créditos finais de uma obra (Van Esler, 2021; Pajkovic, 2022).

São inegáveis as influências da Netflix sobre a cultura audiovisual – da produção ao consumo. Valiati (2020) coloca a Netflix em um contexto em que o acesso quotidiano aos serviços de streaming introduziu novas práticas, como maratonas midiáticas, e uma nova percepção dos objetos técnicos, de modo que a Netflix pode ser considerada uma atividade ritual, que movimenta afetos e engajamento. Ela resume os efeitos da empresa a partir da naturalização de “autonomia no sequenciamento temporal, a insaciabilidade, a influência do sistema de recomendação, o trânsito entre múltiplas telas e a interação síncrona ou assíncrona durante o consumo" (Valiati, 2020, p.202). A Netflix divide, molda e governa hábitos e experiências relacionadas ao consumo de narrativas televisivas. Isso coexiste e contradiz crenças e expectativas de um mundo abundante e irrestrito que oferece liberdade de escolha (Buonanno, 2018).

Para Gaw (2022), os algoritmos de recomendação da Netflix funcionam a partir de quatro lógicas: a dataficação, que é a objetivação dos gostos e ações individuais como simples dados de consumo; reconfiguração, que significa a capacidade de recriar, a partir dos dados gerados, novas formas de classificar os gostos, os indivíduos e os objetos; interpelação, a classificação dos usuários em perfis de gosto e das obras em altgêneros de consumo que simulam uma personalização; e reprodução, a capacidade dos algoritmos gerarem experiências e formas culturais a partir dos processos computacionais, afetando como os objetos são percebidos e consumidos. Em resumo, Gaw (2022) alerta para a possibilidade de que os sistemas automatizados interfiram na construção de gosto e na identidade dos indivíduos a partir da fragmentação tanto das comunidades quanto dos conteúdos ofertados: algo potencializado, como mostra Valiati (2020) pela naturalização da empresa no quotidiano.

Apesar de gosto e identidade serem temas relacionados, é preciso especificar as minúcias apontadas pelos autores consultados. Sobre a questão do gosto, Pajkovic (2022) lembra que a Netflix modela as estruturas culturais por meio das recomendações, de modo que a interface – ao apresentar montagens, enquadramentos e efeitos discretos para produzir sentidos (Braghini & Montaño La Cruz, 2019) – faz parecer que a oferta é adequada mesmo quando não corresponde ao gosto do indivíduo (Pajkovic, 2022). A oferta é limitada pelos dados disponíveis ao sistema, e tal limitação, associada ao modo como o conteúdo é disponibilizado, interfere nos julgamentos estéticos sobre as obras. Nesse sentido, Vonderau (2015) afirma que as empresas de streaming acabam redefinindo os limites culturais que indicam uma música ou vídeo como bom. Para Lawrence (2015) os altgêneros contribuem nesse cenário: o vocabulário empregado pela empresa, além de ter alto poder persuasivo e, portanto, direcionar as escolhas, orienta as expectativas estéticas dos usuários, definindo a priori o que será experimentado enquanto se assiste uma série ou filme.

A antecipação e predição de escolhas tende a planificá-las, de modo que não sabemos mais ao certo o que de fato escolhemos, pois, cada vez mais, escolhemos dentro de um cardápio pré-selecionado, que varia de pessoa para pessoa, tornadas, cada uma delas, dados estatísticos. (Alzamora et al., 2017, p.56)

O resultado da interferência dos sistemas da Netflix nos julgamentos estéticos é exemplificado nas análises de Cornelio-Marí (2020) e Sued (2022): a partir das informações captadas, os algoritmos impulsionam a procura por filmes e séries locais (no caso, o México), mas as produções privilegiadas na oferta, produzidas pela Netflix, hibridizam fórmulas clássicas da região com outras, aderentes ao modelo global da empresa – e estas tendem a ser o padrão mais assistido.

Ao atuar dessa forma sobre o gosto, a Netflix reproduz, com mais eficácia, práticas enraizadas dos sistemas midiáticos (Floeguel, 2020). Ao fazer circular conteúdo estadunidense junto a uma estratégia local planejada em cada um dos países em que atua, busca atender diferentes nichos e "se tornar uma mediadora audiovisual realmente mundial em todos os grandes mercados regionais" (Meimaridis et al., 2020, p.26). Por um lado, emergem críticas sobre uma forma de imperialismo cultural que interfere nas cadeias de produções locais a partir de parâmetros globais (como veremos na próxima seção). Por outro, há o “apagamento” de certas regiões em suas estratégias, como no caso das nações africanas (Lobato, 2018), mesmo que o “cosmopolitismo” da Netflix esteja fomentando o consumo de audiovisual produzido em muitos países (Iordache et al., 2022).

Em resumo, podemos traçar um balanço a partir do modo como os textos da nossa RSL abordaram o fluxo global de obras na Netlflix: o maior acesso a conteúdos estrangeiros instrui novos gostos, cosmopolitas, mas isso ocorre a partir de uma planificação e padronização das obras, bem como sob métricas definidas pela produção estadunidense – maioria nos diferentes catálogos da empresa pelo mundo.

O enviesamento na construção do gosto, em virtude do necessário agrupamento dos usuários em comunidades globais, afeta, segundo Gaw (2022), a capacidade de representação política (social, racial etc.). Subjaz nos sistemas da Netflix uma tendência em ocultar o que não está próximo ao mainstreamou relacionado ao perfil atribuído algoritmicamente ao indivíduo – perfis que atuam em substituição a categorias sociais reconhecidas. Guiados pela interface determinada automaticamente, os indivíduos são expostos de forma apenas limitada a materiais que podem desafiar a visão de mundo ou fornecer informações precisas sobre diferentes culturas (Van Esler, 2021).

Tal percepção acompanhou a evolução da empresa: em meados dos anos 2010, Hallinan e Striphas (2016) afirmavam a impossibilidade de compreender como essas “novas identidades algorítmicas” ultrapassam (talvez anulam) questões de raça, classe, gênero, sexualidade etc. Para Floegel (2020) a cultura promocional da empresa (em sua plataforma e em mídias sociais) reforça padrões normativos da sociedade, ajudando a perpetuar desigualdades sociais. A Netflix produz, então, uma cultura algorítmica baseada na classificação das pessoas e produtos, normalizando essa forma de distinção (Hallinan & Striphas, 2016; Floegel, 2020) e, em consequência, modelando as estruturas culturais.

A prerrogativa de funcionamento dessa estrutura subjaz na aceitação tácita, por parte dos usuários, em trabalhar como cobaias que treinam os algoritmos, deixando-se vigiar em suas escolhas para gerar valor de mercado (Floegel, 2020) em troca de uma pseudo-personalização que trata afinidades como afetos (Gilmore, 2020). O funcionamento combinado da interface com os sistemas de recomendação reduz a pressão da escolha dentro de um catálogo aparentemente infinito; assim, auxilia o espectador em práticas que simulam – ainda que de modo bastante distinto – a audiência impulsiva, em fluxo, da TV convencional, como o binge watching (Samuel, 2017). Tudo isso se naturaliza no quotidiano das pessoas em valores como relaxamento, lazer e socialização (Valiati, 2020; Almarza & García-Béjar, 2021).

Em geral, os autores consultados relacionam o crescimento da base de assinantes da plataforma e a análise de dados coletados dos usos e audiência com a potencialidade da empresa em atuar e interferir nos modelos de produção em diferentes locais (Cornelio-Marí, 2020; Bousso & Salles, 2020). Para Vonderau (2015), a Netflix é um entre outros exemplos de agregadores, isto é, um intermediário que faz o contato entre produtores e consumidores e que monetiza o acesso ao conteúdo. Esse modelo de negócios tenta valorizar a "cauda longa" (ver Anderson, 2006), com ofertas a segmentos de público específicos – algoritmicamente montados, como vimos, para manter o uso contínuo do serviço. Ainda seguindo Vonderau, esse formato reorganiza a distribuição de mídia e transforma sua infraestrutura em algo necessário para manutenção de organizações e práticas culturais. É nesse sentido que a empresa precisa investir em um catálogo amplo, que tenha tanto hits quanto obras voltadas a segmentos de público – entretanto, a oferta é determinada por algoritmos que definem a relevância do conteúdo e sua disponibilidade.

Diante desse cenário, as críticas feitas pelos pesquisadores a essa possível influência variam. Há, por um lado, certa positividade em relação à diversidade de produtos ofertados, uma espécie de ruptura com o modelo mainstream – que ditava a distribuição global de conteúdo a partir dos Estados Unidos – em favor de produções de outras nacionalidades (Lozano, 2022; Meimaridis et al., 2020; Iordache et al., 2022). Por outro lado, há críticas contundentes sobre a padronização de formas, roteiros e linguagem, isto é, a criação de um novo padrão homogeneizador das produções (Sued, 2022), já que os dados analisados acabam servindo como “testagens" para conhecer o público e, assim, alimentar as equipes criativas para atender o consumidor (Bousso & Salles, 2020).

Dividimos as abordagens mercadológicas a partir de quatro pontos centrais: (1) processos de produção e códigos territoriais são incorporados pelas produções próprias; (2) maior diversidade de produções nos catálogos de cada país; (3) a necessidade de uma “visão global” se sobrepõe a práticas locais, em certo sentido padronizando o conteúdo; (4) a análise de dados de audiência interfere na formatação do catálogo e, assim, nos processos de produção identificados nos pontos 1 e 3.

Sobre o primeiro ponto, de acordo com Meimaridis et al. (2020) em estudo sobre os fluxos televisuais nos casos mexicano, brasileiro e sul-coreano, as estratégias de enraizamento local são múltiplas e variam: inclusão de produções nacionais no catálogo global, parcerias com grandes produtoras baseadas nesses territórios, produção de programas com códigos locais consagrados, porém adaptados a um padrão global de gosto. O caso mexicano é um exemplo: primeiro, a empresa incorporou ao catálogo grandes melodramas e telenovelas, em parceria com o principal canal de TV local, para, em seguida, passar a atuar diretamente na produção (Cornelio-Marí, 2020). Outro caso exemplar é a Coreia do Sul – se, num primeiro momento, prevaleceu a oferta de conteúdo estrangeiro incomum na TV coreana, o crescimento da Netflix nesse mercado só ocorreu após investimentos alinhados à Hallyu (Onda Coreana): um projeto político-industrial de cultura que visa exportar conteúdo a outros territórios (Meimaridis et al., 2020). A Netflix, nesse caso, passou a se apresentar como uma exportadora desse conteúdo. Em análises europeias as constatações são similares: com a consolidação de serviços de streaming concorrentes e o encarecimento do licenciamento de produções, a partir de 2018 a Netflix passou a investir mais em produções próprias dos países desse continente (Hidalgo-Marí et al., 2021).

Uma das razões para a Netflix ofertar catálogos diferentes conforme cada país em que atua é o licenciamento de produções (nem sempre uma série ou filme é disponibilizado, pelo produtor, para exibição em um território). A estratégia de criar um território audiovisual efetivamente global (Penner & Straubhaar, 2020, p.128) passa pelo investimento em produções de diferentes países, mas ainda há grande concentração de origem anglófona, indicativo de “posições desiguais de poder e iniciativa de política, econômica e cultural” das nações de origem (p.143). Heredia-Ruiz et al. (2021) também apoiam essa crítica: a empresa reedita um “imperialismo cultural”, mesmo que tenha apresentado diversidade de produções em seu catálogo, gerada a partir de conteúdos de diferentes países ou voltadas a atender nichos. Pesa, nesse sentido, que os catálogos sejam algoritmicamente otimizados para entregar as preferências do público, minimizando a circulação dessa produção diversa (Fernández-Manzano et al, 2016; Heredia-Ruiz et al, 2021; Lobato, 2018).

Já Hidalgo-Marí et al. (2021), mesmo constatando uma predominância de títulos em inglês, espanhol e coreano no catálogo, entendem que a Netflix alimenta um mercado transnacional com produções de diferentes línguas, fazendo com que produtos regionais sejam notáveis internacionalmente – inclusive nos Estados Unidos (Lozano, 2022), local onde historicamente produções estrangeiras encontravam pouco espaço.

Se, por um lado, a empresa atenta-se a gostos nacionais para definir investimentos em produção e catálogo, por outro privilegia um perfil global de espectador moldado por algoritmos (Lobato, 2018; Sued, 2022; Napoli, 2016). Uma vez que as análises dos dados da audiência e das produções são tratadas de modo complementar, elas afetam as características das produções contratadas pela Netflix. Até mesmo o modo como o conteúdo é consumido – o que é ditado pelo contexto tecnológico que estamos analisando – influencia no processo criativo (Bousso & Salles, 2020). Isso quer dizer que a análise algorítmica indica o que pode fazer sucesso e os produtores, ao tentarem atender a essas indicações, passam a produzir de acordo com esse modelo (Vonderau, 2015; Hallinan & Striphas, 2016; Gaw, 2022; Fernández-Manzano et al., 2016;).

Desse modo, gêneros narrativos privilegiados em certas regiões – como no já citado caso dos melodramas no México, ou na ênfase em produções menos comuns em certo local, como ficção científica, fantasia e terror na Europa (Iordache et al., 2022) – são acompanhados de produções com temas mais globais, como corrupção e desvios políticos (Meimaridis et al., 2020; Alzamora et al., 2017). Além disso, demandas como duração e quantidade de episódios (Heredia-Ruiz et al., 2021), e orçamento e escolha do elenco (Alzamora et al., 2017) afetam a criação e produção dos conteúdos, já que os criadores precisam articular diferentes elementos para tentar alcançar a contratação ou renovação.

Ao impor regras de produção, argumenta Lozano (2022), a Netflix pode afetar negativamente os produtores independentes que não atendam a esses requisitos. Além disso, o privilégio a uma abordagem global pode fazer com que séries produzidas localmente reflitam estereótipos externos, como a ligação do narcotráfico com o México (Sued, 2022). O problema é ainda mais profundo, de acordo com Napoli (2016), que identificava já na metade dos anos 2010 um encolhimento da diversidade do catálogo disponibilizado pela empresa. Para esse autor, a Netflix suprimia seu potencial como provedora de farto conteúdo a diversos nichos, para se tornar apenas mais uma concorrente no setor televisivo, aumentando o vazio que não é atendido por nenhum tipo de conteúdo (Napoli, 2016).

Por fim, ao se posicionar como relevante agente de distribuição de conteúdo, a empresa se legitima para impor fórmulas e baratear contratações, desvalorizando financeiramente o mesmo conteúdo que, supostamente, deveriam proteger (Vonderau, 2015). Um efeito pragmático dessa intervenção em nome do lucro é a contratação de série com poucos episódios e com poucas temporadas, invertendo as práticas comuns ao mercado midiático anterior, dominado pelos canais de TV convencionais e a cabo (Hidalgo-Marí et al., 2021).

d.gambaro@outlook.com