Não é segredo que, nos últimos anos, houve uma explosão massiva no uso de inteligência artificial para a busca geral de informações. Uma tendência ainda mais recente, porém, é como modelos de linguagem de grande porte (LLMs), como ChatGPT, Claude e Gemini, vêm sendo cada vez mais usados para verificar e consumir notícias; relatórios do Pew Research Center ao longo do último ano descobriram que um em cada cinco adolescentes nos EUA usa LLMs regularmente para se informar, enquanto um em cada quatro jovens adultos relatou ter usado esse tipo de ferramenta para esse fim ao menos uma vez.
Um novo estudo de acesso aberto, do MIT Media Lab, deve fazer parte desses usuários pensar duas vezes: os pesquisadores descobriram que, ao longo de um mês, participantes que dependeram de sistemas de IA para checar fatos ficaram piores em detectar desinformação por conta própria quando seus chatbots foram retirados.
Esse fenômeno, frequentemente chamado de “paradoxo da dependência de IA”, já foi observado em uma ampla variedade de domínios de conhecimento — como no estudo de 2025 que encontrou que médicos que usaram IA ficaram piores em detectar câncer por conta própria. A dinâmica espelha tendências mais amplas da tecnologia ligadas ao chamado “desenvolvimento” (ou “descarregamento cognitivo”), bem documentadas há décadas: de calculadoras enfraquecendo nossas habilidades matemáticas a tecnologias de Sistema de Posicionamento Global (GPS) afetando nosso senso natural de direção.
No novo estudo do Media Lab, que acompanhou 67 pessoas por quatro semanas enquanto elas avaliavam pares de manchete e imagem, os participantes foram 21% mais precisos em detectar notícias falsas quando recebiam ajuda de um chatbot de IA durante uma sessão — confirmando pesquisas anteriores do MIT Sloan School of Management que mostram que a IA pode ser uma ferramenta eficaz para reduzir a crença das pessoas em informações falsas.
No entanto, o estudo mostrou que surgiu um novo detalhe quando a IA não estava mais presente: na quarta semana, o desempenho sem assistência em novos itens de notícia caiu 15 pontos percentuais em comparação com o período anterior ao início do estudo. (Cerca de um quarto de todos os participantes relatou sentir que estava melhorando na detecção, mesmo com o desempenho piorando.)
Dunning-Kruger aparece
“Os usuários se empolgam com esses LLMs ‘mágicos’, mas esquecem que eles são apenas modelos estatísticos que preveem o próximo ‘token’ em uma sequência [de letras/palavras]”, diz Anku Rani, doutoranda em artes e ciências da mídia (MAS) do MIT e coautora principal de um novo artigo sobre a pesquisa, ao lado de Valdemar Danry, também doutorando em MAS. “Muitos comportamentos impressionantes emergem ao escalar isso, mas vem com limitações reais — tanto no que o modelo consegue gerar de forma confiável quanto no impacto mais amplo sobre as pessoas que o utilizam.”
A análise qualitativa identificou padrões comportamentais distintos, e a equipe classificou um quinto de todos os participantes como “Desenvolvedores de Dependência” (Dependency Developers), que gradualmente mudaram de uma autoconfiança ativa para uma aceitação passiva das orientações da IA.
No questionário pós-experimento, um respondente reconheceu explicitamente essa transição, observando seu papel passivo no processo. “Embora [os chatbots] enfatizassem que você precisa checar múltiplas fontes para ter certeza de que uma história é verdadeira, eles não me ensinaram muito sobre como explorar o contexto das imagens em si”, disse a pessoa participante.
A equipe de pesquisa afirmou que esses modelos de IA são particularmente vulneráveis a erros em meio a notícias de última hora carregadas emocionalmente, como evidenciado pela desinformação generalizada que acompanhou a recente tentativa de assassinato do presidente Trump e grandes eventos durante a guerra do Irã. (Os autores também observam que o conteúdo jornalístico original, produzido por humanos e usado para treinar os modelos de IA, é cada vez mais pouco confiável e/ou enviesado, o que agrava ainda mais o problema.)
O artigo, apresentado por Danry e Rani na Conferência CHI 2026 sobre Fatores Humanos em Sistemas de Computação, teve como coautores o professor assistente Paul Pu Liang, o pesquisador sênior Andrew Lippman e, como autora sênior, Pattie Maes, titular da cátedra Germeshausen de Artes e Ciências da Mídia.
A solução: ser um coach, não uma muleta
Os pesquisadores dizem que os resultados do projeto sugerem que a forma específica como uma IA interage com uma pessoa determina se o impacto será “como um coach, versus como uma muleta”. O estudo encontrou uma distinção clara entre estratégias conversacionais que apenas ajudam no momento e aquelas que realmente apoiam o aprendizado ativo e o desenvolvimento de habilidades.
No segundo caso, a equipe do Media Lab identificou algumas estratégias associadas a uma detecção independente mais forte posteriormente, mesmo que inicialmente essas estratégias tornassem a interação mais lenta. Isso incluiu o método socrático, no qual a IA faz perguntas guiadas, e o chamado “deep probing” (sondagem profunda), em que o sistema oferece afirmações gentilmente persuasivas se a pessoa parece estar se afastando da resposta correta.
“IAs que ‘dizem’, fornecendo respostas diretas, têm maior probabilidade de fomentar dependência, enquanto aquelas que ‘perguntam’, por meio do questionamento socrático, são melhores em engajar alguém para aprender de fato a discernir a verdade por conta própria”, diz Danry. “Mas existe, sim, uma troca entre velocidade e esforço.”
Rani apontou algumas limitações importantes do estudo de um mês: desde o conjunto pequeno de cerca de 50 itens de notícia validados até o foco demográfico nos Estados Unidos e no Reino Unido. No futuro, a pesquisadora diz que a equipe espera fazer experimentos semelhantes com grupos mais diversos geograficamente, incluindo comunidades com poucos recursos, e também está interessada em explorar se outras estratégias de interação multimodal — como interagir com gêmeos digitais culturalmente adaptativos, em vez de chatbots baseados apenas em texto — ajudam as pessoas a melhorar sua capacidade de detectar desinformação.
Em um nível mais amplo, os pesquisadores esperam que o projeto seja algo que educadores possam examinar ao desenvolver planos de ensino que incorporem ferramentas de IA em seus currículos.
“É especialmente importante aumentar a conscientização em nossas escolas e comunidades acadêmicas sobre as limitações do uso de IA como ferramenta de aprendizagem”, diz Maes. “As pessoas precisam saber que, se ‘delegarem’ o pensamento, não vão melhorar naquele tipo específico de resolução de problemas. Em última instância, a capacidade de questionar e analisar informação é importante para todo mundo, porque dá poder para resolver problemas e formar opiniões independentes sobre o mundo.”
Danry acrescenta que o campo de aprendizado de máquina e deep learning, em rápida evolução, exigirá educação contínua sobre benefícios e desvantagens dos LLMs.
“Há muito trabalho a fazer para garantir que não descarreguemos completamente tarefas críticas que queremos continuar sendo capazes de realizar”, afirma. “Precisamos desenvolver um novo tipo de alfabetização em IA.”
https://www.digitalinformationworld.com/2026/06/the-consequences-of-relying-on-ai-for.html
