🤖 AI

AI Washing Inflates Expected Performance but Not Interaction Outcomes: An AI Placebo Study Using Fitts' Law

Este estudo demonstra que, embora a "lavagem de IA" inflacione significativamente as expectativas dos usuários em relação ao desempenho, ela não produz qualquer melhoria mensurável nos resultados objetivos de interação ou nas avaliações subjetivas, conforme evidenciado por um experimento da Lei de Fitts em que as condições de mouse "assistidas por IA" produziram resultados idênticos à linha de base.

Autores originais: Nick von Felten, Luisa Ella Müller, Johannes Schöning

Publicado 2026-05-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nick von Felten, Luisa Ella Müller, Johannes Schöning

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você entra em uma loja e vê dois mouse de computador idênticos. Um está rotulado como "Mouse Padrão" e o outro como "Mouse Superpotencializado por IA". Você compra o "Superpotencializado", convencido de que a inteligência artificial interna fará seu cursor deslizar de forma mais suave, rápida e precisa. Você se senta para trabalhar e, de repente, sente-se como um mago. Seus movimentos manuais parecem sem esforço e você acredita estar clicando com precisão sobre-humana.

Mas eis a reviravolta: o mouse não mudou em nada. É exatamente o mesmo hardware do modelo padrão. A "IA" é apenas um rótulo e algumas janelas pop-up falsas.

Esta é a descoberta central de um estudo de Nick von Felten e sua equipe, intitulado "A Lavagem de IA Infla o Desempenho Esperado, mas Não os Resultados da Interação". Eles investigaram um fenômeno chamado "Lavagem de IA" — que é como o "greenwashing" para o meio ambiente, mas para a tecnologia. Ocorre quando empresas colam um adesivo de "IA" em um produto para fazê-lo parecer mais inteligente do que realmente é, mesmo que o produto não faça nada de novo.

O Experimento: O Mouse "Placebo"

Para testar isso, os pesquisadores montaram um experimento controlado que se assemelha a um ensaio clínico para tecnologia. Eles utilizaram um teste clássico da interação humano-computador chamado Lei de Fitts.

Pense na Lei de Fitts como uma "academia de velocidade e precisão" para sua mão. Os participantes tiveram que clicar em alvos na tela o mais rápido e precisamente possível. Os pesquisadores mediram exatamente quão rápidos eram e quantas vezes erraram.

Eles testaram 28 pessoas em três cenários diferentes:

A Linha de Base: Um mouse normal sem alegações especiais.
O Mouse "IA Preditiva": Os participantes foram informados de que o mouse usava aprendizado de máquina para prever para onde queriam ir e suavizar seus movimentos. (Na realidade, era apenas o mouse normal).
O Mouse "IA de Biosinal": Os participantes foram informados de que o mouse usava um sensor falso no pulso para ler sua frequência cardíaca e suor, ajustando o cursor com base nos sinais do corpo. (Novamente, era apenas o mouse normal).

Os Resultados: O Efeito "Placebo de IA"

O estudo encontrou uma divisão fascinante entre o que as pessoas pensaram que aconteceu e o que realmente aconteceu.

1. A Expectativa (A "Euforia" do Placebo)
Antes mesmo de começarem a clicar, os participantes que foram informados de que estavam usando um "mouse com IA" estavam incrivelmente otimistas. Eles esperavam desempenhar muito melhor do que aqueles que usavam o mouse normal. Era como tomar uma pílula de açúcar e acreditar que é uma bebida energética poderosa; seu cérebro fica animado e pronto para performar.

2. A Realidade (A Zona de "Sem Mudança")
Assim que começaram a tarefa, a mágica desapareceu.

Velocidade: Eles não foram mais rápidos.
Precisão: Não erraram menos cliques.
Carga de Trabalho: Não sentiram que a tarefa era mais fácil.
Usabilidade: Não avaliaram o mouse como mais "amigável ao usuário" após o fato.

O rótulo de "IA" atuou como uma injeção de reforço psicológico que elevou suas esperanças, mas não alterou realmente o motor sob o capô. O "Mouse Superpotencializado por IA" performou exatamente da mesma forma que o "Mouse Padrão".

Por Que Isso Importa

Os pesquisadores chamam isso de "Lavagem de IA". É uma tática de marketing enganosa que infla suas expectativas sem entregar qualquer benefício funcional real.

A Analogia: Imagine uma montadora de carros vendendo um sedã padrão, mas colocando um adesivo de "Dirigindo Sozinho" no teto. Você pode sentir que está dirigindo um veículo futurista, mas se tiver que dirigir o carro você mesmo, o adesivo não faz o carro dirigir melhor. Na verdade, se você confiar naquele adesivo, pode ficar desapontado ao perceber que o carro é apenas um carro normal.
A Conclusão: O estudo prova que, embora a "Lavagem de IA" possa enganar seu cérebro a esperar uma experiência melhor, ela não pode enganar suas mãos a performar melhor. O rótulo de "IA" cria uma lacuna entre o que pensamos que uma ferramenta pode fazer e o que ela realmente faz.

A Conclusão Final

Este artigo não diz que a IA é inútil; diz que o hype do marketing é poderoso, mas não é mágico. Quando empresas rotulam uma ferramenta simples como "potencializada por IA" apenas para vendê-la, elas podem fazer você sentir que será mais produtivo, mas não estão realmente tornando você mais produtivo.

O estudo sugere que precisamos ter cuidado para não deixar o rótulo de "IA" nos enganar. Apenas porque um dispositivo afirma ser inteligente não significa que ele realmente é mais inteligente. Para saber se uma ferramenta realmente funciona, precisamos olhar para os resultados reais (como a velocidade e a precisão no estudo), e não apenas para o brilhante adesivo de marketing.

1. Declaração do Problema

O artigo aborda o fenômeno do "AI washing" (lavagem de IA), uma prática de marketing onde empresas exageram ou deturpam as capacidades de inteligência artificial de um produto (por exemplo, rotular um mouse padrão como "assistido por IA" quando carece de funcionalidade genuína de IA). Embora pesquisas anteriores sugiram que rótulos de IA possam alterar as percepções dos usuários, há uma lacuna na compreensão de se essas expectativas infladas se traduzem em mudanças reais nos resultados da interação (tanto subjetivos quanto objetivos).

Os autores investigam se o "efeito placebo de IA" — onde os usuários atribuem desempenho aprimorado a um sistema com base apenas em seu rótulo — manifesta-se em:

Expectativa: Expectativas de desempenho pré-tarefa.
Resultados Subjetivos: Carga de trabalho percebida e usabilidade pós-tarefa.
Resultados Objetivos: Métricas mensuráveis de desempenho de interação.

2. Metodologia

Design do Estudo

Tipo: Experimento controlado intra-sujeitos.
Participantes: $N=28$ (principalmente estudantes de STEM, com idades entre 19 e 32 anos).
Tarefa: Uma tarefa padronizada de apontamento baseada na Lei de Fitts (clicar em alvos de tamanhos e distâncias variáveis) usando um mouse de computador. Esta tarefa é o padrão-ouro em HCI para quantificar o compromisso entre velocidade e precisão.
Condições: Os participantes completaram a mesma tarefa sob três condições distintas:
1. Linha de Base (BL): Um mouse HP padrão sem modificações ou alegações de IA.
2. Condição de IA Preditiva (PAIC): Os participantes foram enganados a acreditar que o mouse usava aprendizado de máquina (modelo TimeGPT) para prever e suavizar os movimentos do cursor. Uma conexão de API simulada e parâmetros do sistema foram exibidos para aumentar a credibilidade.
3. Condição de IA Aprimorada por Biosinal (BIOAIC): Os participantes foram enganados a acreditar que o mouse usava um biossensor (medindo frequência cardíaca, oxigênio e transpiração via um sensor falso no pulso) e um modelo bidirecional LSTM (PhysioBERT) para otimizar o movimento do cursor em tempo real.

Procedimento

Engano: Os participantes assinaram formulários de consentimento e visualizaram pop-ups técnicos simulando autenticação e inicialização de recursos de IA.
Coleta de Dados:
- Pré-tarefa: Classificação de desempenho esperado (escala Likert de 1 a 7).
- Tarefa: 15 ensaios por condição (675 cliques totais por participante).
- Pós-tarefa: NASA-TLX (carga de trabalho percebida), SUS-DE-Pos (usabilidade percebida) e entrevistas qualitativas.
Métricas Objetivas:
- Throughput (TP): Bits por segundo (combinação de velocidade e precisão).
- Taxa de Erro (ER): Porcentagem de cliques incorretos.
- Ajuste do Modelo ( $R^2$ ): Qualidade do ajuste para o modelo de regressão da Lei de Fitts.

Instrumentos

Subjetivos: NASA-TLX (Bruto), SUS-DE-Pos (versão alemã com redação positiva) e um item personalizado de desempenho esperado.
Objetivos: Métricas da Lei de Fitts calculadas usando a largura efetiva do alvo ( $W_e$ ) e o desvio padrão dos pontos de acerto.

3. Principais Resultados

Resumo dos Testes de Hipótese

Hipótese	Conteúdo	Resultado
H1a / H1b	O desempenho esperado é maior nas condições de IA (PAIC/BIOAIC) vs. Linha de Base.	Suportado
H2	A carga de trabalho percebida (NASA-TLX) difere entre as condições.	Não Suportado
H3	O desempenho percebido (subescala NASA-TLX) difere entre as condições.	Não Suportado
H4	A usabilidade percebida (SUS-DE-Pos) difere entre as condições.	Não Suportado
H5	A taxa de erro difere entre as condições.	Não Suportado (Nenhuma diferença encontrada)
H6	O ajuste do modelo ( $R^2$ ) difere entre as condições.	Não Suportado (Nenhuma diferença encontrada)
H7	O Throughput difere entre as condições.	Não Suportado (Nenhuma diferença encontrada)

Achados Detalhados

Inflação da Expectativa: Os participantes esperaram significativamente um melhor desempenho em ambas as condições rotuladas como IA em comparação com a linha de base ( $p < .001$ ). Não houve diferença significativa entre as condições "IA Preditiva" e "IA de Biosinal" no que tange às expectativas.
Resultados Subjetivos: Apesar das expectativas mais altas, não houve diferenças significativas na carga de trabalho percebida pós-tarefa (NASA-TLX) ou na usabilidade percebida (SUS-DE-Pos) entre as três condições. Descritivamente, a condição de Biosinal (BIOAIC) mostrou na verdade uma leve queda nas pontuações de usabilidade, embora não estatisticamente significativa.
Resultados Objetivos: As métricas da Lei de Fitts (Throughput, Taxa de Erro e Ajuste do Modelo $R^2$ ) mostraram nenhuma diferença estatisticamente significativa entre a linha de base e as duas condições de engano com IA. As linhas de regressão para tempo de movimento vs. dificuldade da tarefa sobrepujaram quase perfeitamente.
Feedback Qualitativo: Participantes nas condições de IA relataram frequentemente sentir que o mouse era "mais suave" ou "mais rápido" durante as entrevistas, no entanto, esses sentimentos subjetivos não correlacionaram com os dados objetivos ou escalas padronizadas.

4. Principais Contribuições

Evidência Empírica de AI Washing: O estudo fornece evidências controladas de que o AI washing infla com sucesso as expectativas dos usuários, mas falha em alterar os resultados reais da interação (nem subjetivos nem objetivos) para dispositivos de entrada familiares.
Dissociação entre Expectativa e Resultado: Destaca uma lacuna crítica onde expectativas impulsionadas por marketing não se propagam para desempenho mensurável ou classificações padrão de usabilidade, sugerindo que os "efeitos placebo de IA" em HCI podem ser frágeis e dependentes do contexto.
Inovação Metodológica: O artigo estabelece tarefas da Lei de Fitts como um instrumento rigoroso e objetivo para auditar artefatos de interação rotulados como IA. Demonstra que a Lei de Fitts pode separar efetivamente a expectativa impulsionada por marketing de melhorias genuínas no desempenho técnico.
Transparência e Responsabilidade: As descobertas sublinham a necessidade de estruturas regulatórias e éticas para abordar o "óleo de cobra de IA", argumentando que os requisitos de transparência devem se estender além das capacidades funcionais para incluir alegações de marketing e descrições de produtos.

5. Significado e Implicações

Para Pesquisadores: O estudo alerta contra confiar exclusivamente em métricas auto-relatadas ao avaliar novas tecnologias de IA, pois estas podem ser fortemente enviesadas por rotulagem. Defende a inclusão de benchmarks objetivos (como a Lei de Fitts) e condições de controle placebo na pesquisa em HCI.
Para Praticantes e Marketers: Rotular simplesmente um produto como "assistido por IA" cria uma falsa sensação de melhoria que pode levar à decepção do usuário ou a "danos impulsionados por expectativas" quando o sistema falha em entregar em cenários críticos.
Para Políticas e Regulação: Os resultados sugerem que as estruturas regulatórias atuais (como o Ato de IA da UE) focadas no desempenho do sistema podem ser insuficientes. A governança deve também abordar a influência representacional — como as capacidades de IA são descritas em materiais de marketing — uma vez que essas descrições moldam a autonomia do usuário e o consentimento informado mesmo antes do sistema ser utilizado.
Limitações: O estudo foi conduzido em um ambiente de laboratório controlado com uma amostra homogênea de estudantes. Os autores observam que os efeitos podem diferir em contextos críticos para a segurança ou com populações mais diversas, mas a descoberta central — de que rótulos inflam expectativas sem mudança funcional — permanece uma questão crítica de transparência.

Em conclusão, o artigo demonstra que o AI washing é eficaz em moldar crenças, mas ineficaz em mudar a realidade, criando um cenário de "placebo" onde os usuários acreditam que estão tendo um desempenho melhor sem qualquer aprimoramento técnico real.