"If You're Very Clever, No One Knows You've Used It": The Social Dynamics of Developing Generative AI Literacy in the Workplace

Com base em entrevistas com 19 trabalhadores do conhecimento, este artigo revela que, embora as dinâmicas sociais no local de trabalho apoiem a aprendizagem de IA generativa, a percepção de que ocultar o uso de IA valida a expertise leva a uma redução no compartilhamento de conhecimento e na transparência, motivando um apelo por um diálogo mais aberto e aprendizagem colaborativa para avançar a literacia em IA.

O essencial

A Visão Geral: O "Segredo do Sucesso" do Escritório

Imagine que um novo utensílio de cozinha mágico apareceu em todos os escritórios. Ele pode escrever e-mails, corrigir código e rascunhar relatórios em segundos. Isso é a Inteligência Artificial Generativa (IA Generativa).

Os pesquisadores queriam saber: como os trabalhadores de escritório realmente aprendem a usar esse utensílio? Eles fazem um curso? Perguntam ao chefe? Ou descobrem por conta própria?

Eles entrevistaram 19 trabalhadores do conhecimento diferentes (como advogados, programadores, especialistas em marketing e pesquisadores) para descobrir. O que eles descobriram é um pouco como um jogo de "Agente Secreto" misturado com uma "Aula de Culinária".

As Duas Principais Habilidades Valorizadas pelos Trabalhadores

O estudo descobriu que os trabalhadores estão tentando dominar duas habilidades muito diferentes ao mesmo tempo:

1. A Habilidade do "Explorador" (Saber o que o utensílio pode fazer)
Os trabalhadores querem conhecer todas as coisas legais que a IA pode fazer. Eles querem encontrar novas maneiras de usá-la para facilitar o trabalho.

• Como aprendem isso: Eles aprendem principalmente falando uns com os outros. É como um jantar onde todos trazem uma nova receita. Uma pessoa diz: "Ei, usei a IA para escrever um poema", e outra diz: "Ah, eu usei para corrigir uma planilha!".
• O resultado: Esse compartilhamento ajuda todos a ficarem mais inteligentes sobre o que a ferramenta é capaz de fazer.

2. A Habilidade do "Mágico Invisível" (Esconder que você usou o utensílio)
Esta é a parte surpreendente. Os trabalhadores também valorizam a capacidade de usar a IA tão bem que ninguém consegue perceber que você a usou.

• Por que eles fazem isso?
  • Medo de Julgamento: Algumas pessoas temem que seu chefe ou colegas pensem: "Oh, você não fez o trabalho sozinho; você apenas pediu ao robô". Elas sentem vergonha ou medo de serem vistas como preguiçosas.
  • Provar Expertise: Outros fazem isso para mostrar o quão inteligentes são. Se você usa a IA, mas edita a saída tão perfeitamente que parece 100% humana, você recebe crédito por ser um "gênio". Como disse um participante: "Se você for muito esperto, ninguém saberá que você o usou."
• A Analogia: Imagine um chef que usa um robô sous-chef de alta tecnologia para cortar vegetais. Se o chef esconde o robô e serve o prato como se tivesse cortado à mão, ele recebe uma ovação de pé por suas habilidades com a faca. Se ele admitir que usou o robô, as pessoas podem dizer: "Bem, isso não foi realmente cozinha sua."

O Problema: A "Cozinha Silenciosa"

Aqui está a pegadinha. Quando todos tentam ser o "Mágico Invisível", algo ruim acontece com o processo de aprendizado.

• O Paradoxo: Para aprender a usar a ferramenta da melhor maneira, você precisa compartilhar seus erros e truques com os outros (como a habilidade do "Explorador"). Mas, para parecer inteligente e evitar julgamentos, você esconde o fato de que usou a ferramenta em primeiro lugar (a habilidade do "Mágico Invisível").
• O Resultado: A cozinha fica silenciosa. Ninguém admite que está usando o utensílio. Ninguém compartilha suas "receitas secretas" porque tem medo de ser julgado ou porque quer manter seu status de "gênio".
• A Consequência: Mesmo que todos estejam usando a ferramenta, a empresa não sabe como ela está sendo usada, quais erros estão sendo cometidos ou como ensinar novos funcionários. Isso cria uma cultura de segredo em vez de trabalho em equipe.

O "Trabalho-Raso" vs. A "Obra-Prima"

O artigo também observa que, às vezes, as pessoas escondem a IA porque a saída bruta é realmente ruim.

• O "Trabalho-Raso": Se você apenas copiar e colar o que a IA diz, isso frequentemente soa robótico, usa palavras estranhas (como "explorar" ou "tapeçaria") e carece de verdadeira percepção humana. Isso é como servir um jantar congelado e chamá-lo de refeição gourmet.
• O Conserto: Trabalhadores qualificados "criticam" a IA. Eles corrigem as palavras estranhas e adicionam seu próprio toque humano. Eles escondem a IA não apenas para parecerem legais, mas para garantir que o produto final seja realmente bom. No entanto, ao esconder esse processo, eles perdem a chance de ensinar aos outros como o consertaram.

O Que os Autores Sugerem

Os pesquisadores não dizem "pare de usar a IA". Em vez disso, sugerem algumas mudanças para tornar o escritório um lugar melhor para aprender:

1. Acabe com a Vergonha: Os gerentes precisam criar um espaço seguro onde admitir que você usou a IA não seja um crime. Está tudo bem dizer: "Usei o robô para rascunhar isso, e aqui está como eu o melhorei."
2. Celebre o "Como", Não Apenas o "O Que": Em vez de olhar apenas para o relatório final, fale sobre o processo. Compartilhe os "prompts" (as instruções dadas à IA) e as edições feitas.
3. Torne o Compartilhamento Recompensador: Assim como as pessoas ganham "curtidas" nas redes sociais, as empresas poderiam recompensar as pessoas por compartilhar seus dicas e truques de IA, tornando transparente ser legal, em vez de ser secreto.

Resumo

O artigo argumenta que, embora os trabalhadores de escritório estejam ficando muito bons em usar a IA, eles também estão ficando muito bons em esconder isso. Eles fazem isso para parecerem inteligentes e evitar julgamentos. Mas esse segredo impede que toda a equipe aprenda junta. Para corrigir isso, os locais de trabalho precisam parar de tratar o uso da IA como um segredo e começar a tratá-lo como uma habilidade compartilhada da qual todos podem aprender abertamente.

Resumo técnico

1. Declaração do Problema

Embora a IA Generativa (IA Gen) esteja transformando rapidamente o trabalho do conhecimento, a pesquisa existente sobre alfabetização em IA carece de insights empíricos sobre como os trabalhadores do conhecimento desenvolvem competências dentro das dinâmicas sociais complexas do local de trabalho. As estruturas atuais frequentemente focam em habilidades técnicas ou educação formal, negligenciando os processos de aprendizado não estruturados e informais utilizados por profissionais.

As lacunas principais identificadas incluem:

• O Fenômeno do "Esconder": Os trabalhadores frequentemente ocultam o uso de IA Gen devido ao estigma social ou medo de julgamento, mas o impacto desse comportamento na aprendizagem organizacional e na transparência é pouco compreendido.
• Definição de Competência: Não está claro quais competências específicas (técnicas versus socio-técnicas) os trabalhadores valorizam mais na prática.
• Estratégias de Aprendizado: Há uma compreensão limitada de como os trabalhadores navegam na tensão entre aprender com colegas e manter uma identidade profissional que pode exigir obscurecer a assistência da IA.

2. Metodologia

O estudo empregou uma abordagem qualitativa para investigar as crenças, estratégias e dinâmicas sociais da adoção da IA Gen.

• Participantes: 19 trabalhadores do conhecimento de diversos setores (TI, Direito, Indústrias Criativas, Academia, RH, Finanças, etc.).
• Recrutamento: Os participantes foram recrutados via Prolific, filtrados por critérios específicos:
  • Empregados em setores que adotam a IA Gen rapidamente.
  • Usam IA Gen pelo menos semanalmente para fins relacionados ao trabalho.
  • Possuem mais de 1 ano de experiência em seu cargo atual.
  • Trabalham em ambientes sem proibições explícitas de IA Gen (ou com políticas incertas).
• Coleta de Dados: Entrevistas semiestruturadas (50–60 minutos) conduzidas online via Microsoft Teams entre dezembro de 2024 e janeiro de 2025.
• Análise:
  • Posicionalidade: A equipe de pesquisa adotou uma postura de realismo crítico, reconhecendo que as interpretações refletem experiências subjetivas e contextos sociais, e não uma realidade objetiva.
  • Análise Temática: Uma abordagem de modelo foi utilizada, estruturando a codificação inicial com duas estruturas existentes de alfabetização em IA (Pinski & Benlian; Annapureddy et al.) e o modelo COM-B (Capacidade, Oportunidade, Motivação) para analisar comportamentos de aprendizado.
  • Rigor: Múltiplos autores revisaram códigos e temas para garantir reflexividade e reflexão crítica.

3. Principais Contribuições

O artigo faz três contribuições primárias para o campo da Interação Humano-Computador (IHC) e da alfabetização em IA:

1. Fundamentação Empírica: Fornece um relato detalhado de como a alfabetização em IA Gen é praticada e negociada por 19 trabalhadores do conhecimento diversos, indo além de estruturas teóricas para a aplicação no mundo real.
2. Reenquadramento do "Esconder IA": Desafia a visão predominante de que esconder o uso de IA é fundamentado apenas em vergonha. O estudo encontra que apagar com sucesso os indícios do uso de IA Gen é frequentemente visto como uma validação positiva da expertise de domínio. No entanto, esse comportamento cria um paradoxo: sinaliza competência aos pares, mas simultaneamente reduz as oportunidades de compartilhamento de conhecimento e transparência.
3. Extensão de Estrutura: Estende as estruturas existentes de alfabetização em IA, destacando o papel crítico das competências socio-técnicas. Argumenta que os stakeholders humanos não são apenas recursos para aprendizado, mas também fontes de influência social que moldam padrões de uso, necessitando de novas considerações de design para diálogo aberto e divulgação.

4. Principais Resultados

O estudo identificou duas competências centrais e duas estratégias de aprendizado correspondentes, revelando uma tensão central entre identidade individual e aprendizado coletivo.

A. Competências Centrais

1. Competência Tecnológica (Consciência de Casos de Uso):
   • Os trabalhadores valorizam a capacidade de identificar novas aplicações de IA Gen para obter vantagem competitiva.
   • Essa consciência é frequentemente impulsionada pelo medo de deslocamento no emprego ou pelo desejo de manter-se à frente das tendências da indústria.
2. Competência Socio-técnica (Remoção de Indícios):
   • Os trabalhadores desenvolvem a capacidade de detectar e remover "pistas" (por exemplo, frases específicas como "aprofundar", comentários excessivos em código, falta de contexto) que indicam o uso de IA Gen.
   • Motivações para Remoção:
     • Crítica/Controle de Qualidade: Remover saídas genéricas ou de baixa qualidade para garantir que o trabalho atenda aos padrões profissionais.
     • Validação de Identidade de Especialista: Mascaramento bem-sucedido do uso de IA sinaliza que o trabalhador possui conhecimento profundo de domínio, distinguindo-o daqueles que dependem cegamente da IA.
     • Ocultação/Estigma: Evitar julgamento negativo de gerações mais velhas ou gestão conservadora.

B. Estratégias de Aprendizado

1. Aprendizado com Outros:
   • O compartilhamento informal de conhecimento (colegas, LinkedIn, redes sociais) é vital para descobrir novos casos de uso e abordar lacunas de conhecimento.
   • No entanto, isso é frequentemente estratégico; os trabalhadores podem compartilhar conhecimento para normalizar o uso de IA ou buscar validação, mas podem reter detalhes específicos para manter uma vantagem competitiva.
2. Experiência Prática:
   • A competência é em grande parte implícita e desenvolvida através de tentativa e erro.
   • Os trabalhadores devem aprender a avaliar a adequação específica ao contexto, entender as limitações do modelo (alucinações) e desenvolver habilidades metacognitivas para articular prompts efetivamente.

C. A Tensão Central

O estudo revela um paradoxo: Embora aprender com outros seja essencial para desenvolver a consciência técnica, o impulso de validar a própria expertise através da "remoção de indícios" suprime ativamente a transparência.

• Trabalhadores que escondem com sucesso o uso de IA são elogiados como especialistas.
• Esse comportamento cria "silêncios organizacionais" onde o uso de IA é generalizado, mas não reconhecido, impedindo o compartilhamento de melhores práticas, detecção de erros e construção de sentido coletiva.
• A divulgação é frequentemente evitada devido à indiferença percebida dos colegas ("apenas faça o trabalho") ou medo de estigma social.

5. Significado e Implicações

As descobertas têm implicações significativas para o design de IHC, gestão organizacional e estruturas de alfabetização em IA.

• Para Organizações:

  • Cultura de Abertura: Líderes devem fomentar segurança psicológica para reduzir o medo de julgamento associado ao uso de IA. A permissão passiva de IA é insuficiente; é necessário discurso ativo para quebrar os "silêncios organizacionais".
  • Incentivar o Compartilhamento: As organizações devem recompensar o compartilhamento de fluxos de trabalho de IA Gen, prompts e lições aprendidas, tratando-os como ativos intelectuais valiosos em vez de segredos.
  • Clareza de Políticas: Políticas claras sobre divulgação são necessárias para reduzir a incerteza e incentivar o uso responsável.

• Para Designers (IHC):

  • Apoiar a Divulgação: Projetar ferramentas que tornem mais fácil compartilhar "conhecimento gerado pelo usuário" (por exemplo, prompts, fluxos de trabalho) sem expor o usuário ao estigma.
  • Sistemas de Apreciação: Implementar mecanismos semelhantes a "elogios" ou "abraços" de código aberto para reforçar positivamente o compartilhamento de artefatos de IA Gen.
  • Foco Metacognitivo: Ir além do simples compartilhamento de prompts para ajudar os usuários a entender as estratégias por trás de interações bem-sucedidas, fomentando um aprendizado mais profundo.

• Para Estruturas de Alfabetização em IA:

  • Modelos de alfabetização devem evoluir para incluir competências socio-técnicas, reconhecendo que o contexto social (reputação, identidade, julgamento de pares) é tão crítico quanto a habilidade técnica na determinação de como a IA é adotada e usada.
  • A definição de "alfabetização" deve levar em conta a tensão entre o trabalho de identidade individual e o aprendizado coletivo.

Em conclusão, o artigo argumenta que a verdadeira alfabetização em IA Gen no local de trabalho não pode ser alcançada apenas por meio de treinamento técnico. Requer abordar as dinâmicas sociais que levam os trabalhadores a ocultar o uso de suas ferramentas, minando assim a transparência e o aprendizado colaborativo necessários para uma adaptação sustentável a mudanças tecnológicas rápidas.