A ascensão dos serviços de streaming transformou a forma como consumimos filmes, mas também gerou um problema conhecido como "paralisia da escolha", onde a vasta quantidade de conteúdo disponível dificulta a decisão do que assistir (Antunes, 2020). Nesse cenário, sistemas de recomendação surgem como ferramentas relevantes para auxiliar no processo de decisão, otimizando tempo e ampliando a experiência do usuário com base em seus dados de consumo. Embora soluções existentes, como as da Netflix, utilizem algoritmos complexos, a lógica por trás de muitos deles é frequentemente um segredo comercial (Lucena et al., 2023). Muitas pessoas ainda utilizam meios manuais para lembrar-se de filmes e para procurar por novos filmes, evidenciando a necessidade de ferramentas mais eficientes para auxiliar nesse processo (Bernardo; Andrade, 2018/2019). O objetivo deste trabalho é desenvolver um aplicativo multiplataforma de recomendação de filmes. Por meio de recomendações personalizadas com base nas preferências dos usuários, que selecionam serviços de streaming e respondem a perguntas processadas pela inteligência artificial. Para isso, será utilizado o framework Flutter, usando a linguagem Dart, integrado às APIs do TMDB, para catálogo de filmes, e Gemini, além da base de dados e autenticação do Firebase (Pererira da Silva, 2023; Pordeus, 2019). A API Gemini desempenha papel essencial na lógica de interação, auxiliando na filtragem dos resultados para que os cinco filmes mais relevantes sejam apresentados ao usuário. Os resultados preliminares já incluem a integração com o Firebase e a API TMDB, permitindo o cadastro e login de usuários, busca de filmes, sistema de desafios e seleção de avatares, e criação de listas personalizadas. Também foi estruturada a lógica inicial de recomendação por meio da API Gemini, em fase de testes de requisições. Os resultados esperados incluem maior precisão nas sugestões e validação com usuários reais. Assim, espera-se que o aplicativo contribua para reduzir a indecisão frente ao excesso de opções nos serviços de streaming e, além disso, a experiência adquirida no desenvolvimento poderá auxiliar futuros trabalhos, explorando novas funcionalidades e refinando a lógica de recomendação.