💻 computer science

The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks

Através de três estudos pré-registrados envolvendo 2.691 participantes, este artigo revela que as pessoas frequentemente e de forma ineficiente recorrem à IA para tarefas simples devido a uma dupla má calibração em que subestimam seu próprio uso enquanto superestimam as economias de tempo e esforço, um viés que é ainda reforçado por um efeito de carryover ao nível da sessão.

Autores originais: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

Publicado 2026-05-22

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins

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

A Grande Ideia: O "Atalho Mágico" Que Não É Mágico

Imagine que você está tentando atravessar um rio. Você vê uma ponte (fazer a tarefa você mesmo) e um tapete voador mágico (usar IA). A maioria das pessoas assume que o tapete voador é sempre mais rápido e fácil. Elas pensam: "Vou pular no tapete; isso vai me economizar tempo e energia!"

Este artigo é como um grupo de pesquisadores que decidiu cronometrar a jornada de verdade. Eles descobriram uma verdade surpreendente: Em viagens curtas e simples, o tapete voador frequentemente leva mais tempo do que caminhar, e as pessoas são completamente enganadas, achando que é um atalho.

Os pesquisadores chamam isso de "Ilusão do Ganho de Eficiência". É uma armadilha mental onde superestimamos o quanto a IA nos ajuda e subestimamos com que frequência realmente a usamos, mesmo quando é uma má ideia.

Os Três Experimentos (A História Até Agora)

Os pesquisadores realizaram três grandes estudos com quase 3.000 pessoas para descobrir por que continuamos pulando no "tapete voador" mesmo quando ele nos atrasa.

Estudo 1: A Mentira "Eu Não Vou Fazer Isso"

O Cenário: Eles perguntaram às pessoas duas coisas:

"Se você tivesse que fazer uma tarefa simples (como somar dois números), você usaria IA?"
Depois, eles realmente fizeram as pessoas realizarem as tarefas e observaram o que elas fizeram.

A Descoberta: As pessoas são péssimas em prever seus próprios hábitos.

A Previsão: As pessoas disseram: "Ah, eu usaria IA talvez apenas 20% das vezes para coisas fáceis. Consigo lidar com isso sozinho."
A Realidade: Ao realizar as tarefas, as pessoas usaram IA 38% das vezes.
A Analogia: É como alguém dizendo: "Não sou viciado em açúcar, vou comer apenas um biscoito." Mas quando o pote de biscoitos está logo ali, eles comem três. Afirmamos que somos independentes, mas quando o botão da IA está bem na nossa frente, clicamos nele muito mais vezes do que admitiríamos que faríamos.

Estudo 2: O "Glitch" no Velocímetro

O Cenário: Eles pediram às pessoas para adivinhar quanto tempo uma tarefa levaria com IA versus sem ela. Depois, cronometraram os resultados reais.

A Descoberta: As pessoas têm um velocímetro quebrado em suas cabeças.

A Ilusão: As pessoas previram que a IA economizaria cerca de 56 segundos em uma tarefa.
A Realidade: A IA na verdade economizou apenas 7,5 segundos. Na verdade, para tarefas muito simples (como "Qual a cor que resulta da mistura de branco com preto?"), usar IA tornou a tarefa mais lenta em cerca de 10 segundos.
Por quê? O "atrito" de usar IA é alto demais para trabalhos simples. Você tem que:
1. Digitar o prompt.
2. Aguardar a IA pensar.
3. Ler a resposta.
4. Copiar e colá-la.
- A Analogia: Imagine que você precisa caminhar até a caixa de correio na casa ao lado. Você decide dirigir seu carro em vez disso. Você tem que caminhar até o carro, ligar o motor, dirigir um quarteirão, estacionar e voltar a caminhar. O carro (IA) é poderoso, mas para uma caminhada de 10 segundos, o carro é um desperdício massivo de tempo. No entanto, achamos que o carro é uma ferramenta de "super-velocidade".

Estudo 3: O "Efeito Bola de Neve"

O Cenário: Eles dividiram as pessoas em dois grupos. Um grupo fez os primeiros poucos tarefas usando IA. O outro grupo as fez sozinho. Depois, deram a todos novas tarefas e viram o que escolheram.

A Descoberta: Usar IA uma vez torna você mais propenso a usá-la novamente, mesmo que seja uma má ideia.

O Efeito: As pessoas que usaram IA no início foram muito mais propensas a usá-la novamente nas próximas tarefas simples.
A Armadilha: Não apenas eles a usaram mais, mas também ficaram mais convencidos de que a IA era mais rápida, mesmo quando os dados mostravam que não era.
A Analogia: É como tentar um novo controle de videogame. Se você o usar para o primeiro nível, acostuma-se a segurá-lo. Mesmo que o controle antigo fosse realmente melhor para o próximo nível, você continua usando o novo porque já o está segurando. Você se convence: "Este novo controle deve ser mais rápido", mesmo que você esteja apenas mais lento. Isso cria um ciclo onde ficamos presos dependendo da IA, acreditando que ela ajuda, enquanto na verdade ela nos torna menos eficientes.

Os Dois Principais Erros Que Cometemos

O artigo identifica duas maneiras específicas pelas quais nossos cérebros são enganados:

O Ponto Cego "Eu Não Vou Usar": Achamos que somos racionais e usaremos IA apenas para coisas difíceis. Mas, na realidade, usamos para coisas fáceis também, muitas vezes sem percebermos com que frequência o fazemos.
A Alucinação "Velocidade Mágica": Imaginamos que a IA é um turbo que resolve problemas instantaneamente. Na realidade, para tarefas simples, o tempo que leva para falar com a IA (digitar, esperar, ler) é maior do que apenas fazer a conta ou escrever a frase nós mesmos.

A Conclusão

O artigo conclui que estamos presos em um ciclo de feedback de superdependência.

Usamos IA demais em tarefas simples.
Achamos que ela nos economiza tempo (não economiza).
Porque achamos que ela economiza tempo, usamos novamente.
Isso nos torna piores em fazer as coisas sozinhos e nos mantém presos na ilusão de que a IA é um atalho mágico, mesmo quando é apenas um desvio.

Os pesquisadores sugerem que, para corrigir isso, precisamos perceber que fazer as coisas nós mesmos nem sempre é a opção "difícil". Às vezes, o botão "fácil" (IA) é na verdade o caminho difícil para trabalhos simples.

Resumo Técnico: A Ilusão de Ganho de Eficiência em Tarefas Simples Assistidas por IA

Declaração do Problema

À medida que os Modelos de Linguagem de Grande Escala (LLMs) se tornam ubíquos para tarefas que vão desde a programação até conselhos pessoais, uma narrativa predominante sugere que eles aumentam dramaticamente a produtividade. No entanto, evidências emergentes indicam que a assistência por IA nem sempre economiza tempo ou esforço. Este artigo investiga os mecanismos de tomada de decisão por trás da dependência humana da IA para tarefas cognitivamente simples (por exemplo, aritmética, verificação ortográfica, recuperação de fatos). Especificamente, aborda se os usuários calibram com precisão sua dependência da IA e se seus padrões de uso estão alinhados com o princípio da racionalidade de recursos — delegar tarefas apenas quando os custos cognitivos internos excedem os custos de suporte externo. O problema central é a existência potencial de miscalibrações sistemáticas onde os usuários superestimam os ganhos de eficiência da IA, levando a um uso ineficiente mesmo em tarefas que podem ser concluídas rapidamente sem assistência.

Metodologia

Os autores conduziram três estudos com usuários em grande escala, pré-registrados, com um tamanho total de amostra de $N = 2.691$ participantes recrutados via Prolific. Os estudos utilizaram um desenho entre sujeitos para evitar dissonância cognitiva e vieses de arrasto que afetam preferências autorrelatadas.

Construção de Tarefas: Os pesquisadores construíram 24 tarefas derivadas da Taxonomia de Necessidades e Ações do Usuário (TUNA), cobrindo quatro categorias: Busca de Informação, Processamento de Informação, Orientação Procedimental e Criação de Conteúdo. Cada tarefa tinha variantes "fáceis" e "difíceis", todas projetadas para serem concluídas em menos de cinco minutos de forma independente.
Estudo 1 (Miscalibração de Autoestimativa): Os participantes completaram quatro tarefas com a opção de usar um chatbot de IA (GPT-4o). Sua escolha comportamental real de usar IA foi comparada a uma "taxa prevista" derivada de uma amostra separada de participantes que declararam sua preferência por conclusão independente versus assistida por IA.
Estudo 2 (Ilusões de Ganho de Eficiência): Este estudo comparou tempo e esforço previstos versus reais.
- Amostra de Previsão ( $N=600$ ): Os participantes previram o tempo e o esforço mental (medidos via escala NASA-TLX) necessários para conclusão independente versus conclusão com IA ou outro participante humano.
- Amostra de Conclusão ( $N=1.001$ ): Os participantes foram aleatoriamente designados para completar tarefas independentemente ou com IA. Tempos reais de conclusão foram registrados por meio de cronômetros ocultos, e o esforço foi autorrelatado.
Estudo 3 (Efeitos de Arrasto): Os participantes passaram por uma "fase de exposição" onde completaram duas tarefas, seja independentemente ou com IA (variando por dificuldade). Em seguida, entraram em uma "fase de teste" para medir as taxas subsequentes de adoção de IA e sua calibração em relação a economias de tempo/esforço.

Principais Contribuições e Resultados

1. Miscalibração de Autoestimativa

O estudo identificou uma lacuna significativa entre o uso previsto e real de IA.

Descoberta: A taxa real de uso de IA ao nível da população foi de 47%, significativamente maior que a taxa prevista de 33%.
Nuance: Esta miscalibração foi mais pronunciada para variantes de tarefas fáceis. Os participantes previram uma taxa de uso de 20% para tarefas fáceis, mas na verdade usaram IA 38% das vezes. Para tarefas difíceis, a lacuna foi menor (46% previsto vs. 57% real).
Implicação: As pessoas subestimam sistematicamente sua própria propensão a depender da IA para tarefas simples, mesmo quando afirmam que prefeririam trabalhar de forma independente.

2. Ilusões de Ganho de Eficiência

Os participantes mantiveram crenças distorcidas sobre os benefícios da IA, denominadas "ilusões de ganho de eficiência".

Ilusão de Aceleração: Os participantes previram que a IA economizaria uma média de 55,7 segundos por tarefa. Na realidade, a assistência por IA economizou apenas 7,5 segundos em média. Para tarefas fáceis, a IA na verdade desacelerou a conclusão em 10 segundos em comparação com o trabalho independente devido ao atrito da interface (solicitação, geração de resposta e processamento).
Ilusão de Terceirização: Os participantes superestimaram o esforço mental necessário para completar tarefas independentemente (previsto 2,66 vs. real 2,36 em uma escala NASA-TLX de 7 pontos), enquanto estimaram com precisão o baixo esforço de usar IA. Isso levou a uma superestimação das economias de esforço.
Especificidade da IA: Essas ilusões foram específicas da IA. Quando os participantes previram assistência de outro humano, as economias de tempo esperadas foram significativamente menores do que as previstas para a IA, indicando um viés único em direção à eficiência da IA.

3. O Ciclo de Retroalimentação de Superdependência

O Estudo 3 demonstrou que a exposição prévia à IA exacerba a miscalibração e aumenta a dependência futura.

Efeito de Arrasto: Os participantes que usaram IA durante a fase de exposição foram significativamente mais propensos a usar IA na fase de teste subsequente (44,5%) em comparação com aqueles que completaram tarefas independentemente (27,7%).
Reforço do Viés: A exposição à IA não corrigiu as crenças dos usuários; em vez disso, aumentou seu acordo com a "ilusão de aceleração" (a crença de que as tarefas são mais rápidas com IA).
Ineficiência Persiste: Mesmo após a exposição, aqueles que escolheram IA na fase de teste gastaram mais tempo (7,06 segundos a mais) e relataram maior esforço do que aqueles que trabalharam independentemente.

Significado e Alegações

O artigo alega fornecer evidências de vieses cognitivos específicos na interação humano-IA que desafiam a narrativa de eficiência impulsionada por IA.

Mecanismo de Superdependência: Os autores argumentam que a "ilusão de ganho de eficiência" cria um ciclo de retroalimentação. Os usuários se habituam ao uso de IA porque acreditam que economiza tempo, mesmo quando não economiza. Como não estão cientes dessa miscalibração, carecem de incentivo para mudar seu comportamento.
Riscos Cognitivos: O estudo destaca riscos associados a essa superdependência, incluindo desqualificação cognitiva, redução da confiança no desempenho independente e habilidades de aprendizado prejudicadas.
Ponto de Intervenção: Os autores sugerem que abordar essas miscalibrações é um ponto de intervenção crítico. Eles postulam que a mera exposição à IA não melhora a calibração; ao contrário, intervenções no nível das crenças são necessárias para encorajar o pensamento independente e promover um uso de IA mais saudável e eficiente.
Racionalidade de Recursos: As descobertas sugerem que as interações atuais humano-IA frequentemente violam a racionalidade de recursos, pois os usuários delegam tarefas a ferramentas externas mesmo quando os custos internos de realizá-las são menores do que os custos de usar a ferramenta.

O artigo conclui que, embora a IA tenha potencial como um "parceiro de pensamento", sua implantação atual em tarefas simples é frequentemente contraproducente devido a modelos mentais distorcidos em relação aos ganhos de eficiência.