Estudo do MIT revela que o uso de IA cria ilusão de ganho de eficiência

Um novo estudo de pesquisadores do MIT e do Princeton AI Lab, publicado pelo arXiv, fornece números concretos para algo que muitos de nós suspeitavam silenciosamente. As pessoas não apenas subestimam com que frequência dependem da IA, como também superestimam dramaticamente o que obtêm dela. Os pesquisadores chamam isso de “ilusão de ganho de eficiência”, e descrevem uma armadilha cognitiva que pode transformar a forma como pensamos sobre a contribuição real da IA para a produtividade.

O estudo, intitulado “A ilusão de ganho de eficiência: as pessoas subestimam a taxa de uso da IA e superestimam seus benefícios em tarefas simples”, realizou três experimentos pré-registrados com um total de 2.691 participantes. As tarefas foram deliberadamente básicas: aritmética, verificação ortográfica, o tipo de trabalho que a maioria das pessoas consegue fazer sem suar.

Os participantes acreditaram consistentemente que a IA os estava poupando tempo e esforço significativos nessas tarefas simples, mesmo quando os ganhos reais foram marginais. Em uma análise modelada, o uso de uma função de copiar e colar com IA reduziu o tempo médio de conclusão de 102,0 segundos para 66,2 segundos. Os participantes perceberam o benefício como muito maior do que essa realidade de 35 segundos. Seu senso subjetivo de ganho de eficiência superou o que realmente aconteceu, criando uma imagem distorcida da utilidade da IA que, em seguida, influenciou suas decisões futuras sobre quando utilizá-la.

Pesquisadores identificaram um ciclo de retroalimentação no qual a dependência inicial da IA para tarefas simples incentivou uma dependência ainda maior, aprofundando os equívocos sobre a produtividade. Cada vez que um participante usava a IA e sentia que ela ajudava, tornava-se mais propenso a recorrer a ela novamente. Não porque as evidências sustentassem essa prática, mas porque a sensação de eficiência tornou-se auto-reforçadora.

Os pesquisadores também descobriram subestimação sistemática das taxas de uso de IA entre os participantes. As pessoas não apenas superestimaram os benefícios. Elas também subestimaram com que frequência recorriam à IA em primeiro lugar, o que torna ainda mais difícil quebrar o ciclo de retroalimentação.

O que a pesquisa do MIT e de Princeton adiciona é uma explicação comportamental para parte dessa lacuna. Se os usuários individuais estiverem sistematicamente superestimando os benefícios da IA em tarefas rotineiras, então os dados de produtividade coletiva podem nunca corresponder ao entusiasmo coletivo. Os ganhos parecem reais no nível individual, mas não se materializam totalmente nos números.