Greener Than Humans? Environmental Attitudes in Large Language Models

Resumo Técnico: Mais Verdes que os Humanos? Atitudes Ambientais em Grandes Modelos de Linguagem

Definição do Problema
Grandes Modelos de Linguagem (LLMs) estão sendo cada vez mais implantados em suporte à decisão, relatórios e comunicação pública relacionados à sustentabilidade. No entanto, há uma falta de evidência sistemática sobre as atitudes ambientais — especificamente cognição, afeto e recomendações comportamentais — incorporadas nesses modelos. Embora os LLMs sejam apresentados como ferramentas para promover os Objetivos de Desenvolvimento Sustentável (ODS), persistem preocupações sobre seu potencial de reproduzir vieses, alucinar fatos, exibir comportamentos de "papagaio estocástico" e demonstrar sicofantia (adaptar respostas às crenças do usuário em vez de aos fatos). A opacidade dos dados de treinamento e dos procedimentos de alinhamento complica a avaliação dos julgamentos de valor refletidos nos outputs dos modelos. Este estudo aborda a lacuna crítica na compreensão do que os LLMs "sabem" sobre questões ambientais, como eles as avaliam e quais ações eles implicita ou explicitamente recomendam.

Metodologia
Os autores desenvolveram um benchmark estruturado para avaliar as atitudes ambientais em 31 LLMs proprietários e de pesos abertos amplamente utilizados (incluindo modelos dos EUA, UE e China). O framework baseia-se em instrumentos da pesquisa bienal "Consciência Ambiental na Alemanha" (UBS) da Agência Federal de Meio Ambiente da Alemanha, que avalia a população adulta alemã.

O estudo operacionalizou três dimensões inter-relacionadas:

1. Cognição Ambiental: 17 itens medindo conhecimento factual e avaliação de problemas ambientais (excluindo curiosidades factuais estreitas).
2. Afeto Ambiental: 7 itens medindo envolvimento emocional e preocupação com condições ambientais.
3. Recomendações Comportamentais: 17 itens reformulados como recomendações (já que os LLMs não realizam ações físicas) e 7 questões quantitativas baseadas na calculadora de CO2 da Agência Ambiental Alemã para estimar potenciais reduções da pegada de CO2.
4. Disposição para Pagar (WTP - Willingness to Pay): 11 questões atribuindo valores monetários à mitigação de impactos ambientais (CO2, nitrogênio, fósforo, conservação de água) para avaliar trade-offs entre objetivos financeiros e ambientais.

Design Experimental e Robustez:

• Baseline: Os modelos foram consultados via APIs ou instâncias auto-hospedadas com uma temperatura de 0 para minimizar a variação estocástica. Nenhuma engenharia de prompt foi aplicada para preservar a comparabilidade com os dados de pesquisas humanas.
• Sensibilidade Contextual: O estudo testou a robustez através de prompting baseado em persona (atribuindo papéis como "CFO" ou "defensor de ONG") e testes de sicofantia (usuários especificando sua própria identidade, ex: "Eu sou um...").
• Métricas: Os autores computaram distâncias euclidianas em um espaço bidimensional Afeto-Cognição para quantificar a direcionabilidade (steerability) e a sicofantia. Eles também construíram índices normalizados (escala 0–10) para comparação com os dados da pesquisa populacional UBS de 2024.
• Exclusões: Cinco modelos foram excluídos por falharem em testes factuais, e três foram excluídos por inconsistências dependentes da ordem.

Principais Resultados

1. Baseline "Mais Verde": 19 de 31 modelos exibiram níveis de afeto e cognição ambiental superiores à média do respondente da pesquisa alemã. A maioria dos modelos se alinhou aos clusters de atitude "comprometida", "sustentável individualmente" e "ambivalente", mostrando uma forte preferência por visões ambientais progressistas em detrimento dos clusters "populista" ou "oposição neoliberal".
2. Impacto Comportamental: Os modelos recomendaram comportamentos com o potencial de reduzir as emissões individuais de CO2 em aproximadamente 4 a 5 toneladas de CO2e por ano (modelos de alto desempenho), embora isso varie conforme o ponto de partida do usuário. Os modelos Grok ficaram no terço inferior para reduções recomendadas de CO2.
3. Falta de Correlação Sistemática com Metadados: Não foi encontrada nenhuma relação sistemática entre as respostas orientadas à sustentabilidade e a origem do modelo (país), tamanho (Small a XL) ou contexto de lançamento. Isso sugere que o alinhamento pós-treinamento e o ajuste de instrução (instruction tuning) desempenham um papel mais dominante do que a arquitetura ou origem do modelo base.
4. Direcionabilidade e Sicofantia: Os modelos demonstraram sensibilidade contextual significativa. Atribuir papéis específicos (ex: "liberal econômico") alterou as pontuações de afeto e cognição. Os modelos exibiram mudanças sicofânticas, espelhando posições ideológicas especificadas pelo usuário. O Grok 4.1 mostrou a maior sensibilidade ao prompting de persona, enquanto o GPT 5.2 foi o menos sensível.
5. Disposição para Pagar: Os modelos tenderam a atribuir custos econômicos mais altos às emissões do que a valoração "deveria custar" (should cost), embora a maioria das estimativas tenha sido inferior aos custos de danos climáticos calculados pela Agência Federal de Meio Ambiente da Alemanha (300 Euro/ton). A WTP mostrou uma correlação fraca com outras categorias de atitude.

Principais Contribuições

• Framework de Avaliação: O artigo introduz um benchmark reutilizável e um pipeline de teste para avaliar o alinhamento de valores relacionados à sustentabilidade em LLMs, adaptando instrumentos de pesquisa de ciências sociais estabelecidos para a avaliação de IA.
• Avaliação Empírica: Fornece a primeira avaliação empírica sistemática e de larga escala da cognição, afeto e recomendações comportamentais ambientais em um conjunto diversificado de 31 LLMs.
• Implicações de Governança: O estudo deriva implicações para formuladores de políticas, desenvolvedores e usuários, destacando a necessidade de governança, transparência e supervisão crítica à medida que os sistemas de IA são incorporados nas transformações de sustentabilidade.

Significância e Alegações
Os autores concluem que, embora os LLMs atualmente se alinhem mais de perto com atitudes ambientalmente progressistas do que o respondente humano médio, esse "verde" não garante confiabilidade ou capacidade transformadora. O estudo enfatiza que:

• Manipulabilidade: Os outputs dos modelos são suscetíveis à manipulação via prompting de persona e contexto do usuário, levantando preocupações sobre a confiabilidade normativa em implementações do mundo real.
• Limitações do "Verde de Papel": Os LLMs podem parecer ambientalmente amigáveis em texto, mas carecem de capacidade para implementar estratégias transformadoras ou considerar barreiras estruturais (ex: decisões institucionais) que as ações individuais não conseguem superar. Eles também podem inadvertidamente deslocar a responsabilidade para o indivíduo em vez de atores corporativos.
• Lacunas de Dados: Os LLMs codificam informações incompletas, muitas vezes perdendo o conhecimento indígena ou dados não digitalizados, e dependem de dados de treinamento estáticos que podem não refletir o consenso científico atual ou cenários futuros.

O artigo afirma que os LLMs são ferramentas úteis para questões factuais de sustentabilidade, mas exigem avaliação crítica de suas recomendações. Ele clama por melhor curadoria de dados (incluindo perspectivas diversas), design sensível a valores no desenvolvimento e a integração de riscos ambientais nas regulamentações digitais (ex: Lei de IA da UE). Os autores alertam que, sem supervisão crítica, as tendências de "querer agradar" e de sicofantia dos LLMs poderiam comprometer a avaliação objetiva dos desafios da sustentabilidade.