Resumo Técnico: Da Percepção à Ação: Podem as Intervenções de UI Fomentar LLMs Chatbots Sustentáveis?

Definição do Problema

Chatbots de Grandes Modelos de Linguagem (LLM) estão cada vez mais integrados aos fluxos de trabalho diários, levantando preocupações significativas de sustentabilidade devido ao seu consumo de energia e pegada de carbono. Embora a maioria das estratégias de mitigação se concentre em otimizações de backend — como arquiteturas de modelos eficientes, aceleradores de hardware e melhorias em centros de dados — a camada da interface do usuário (UI) permanece subexplorada. A pesquisa atual ignora amplamente como as interações do usuário e as intervenções de UI podem influenciar o consumo de energia cumulativo durante o uso cotidiano. Os autores postulam que, embora os usuários possam expressar preocupação ambiental, frequentemente existe um hiato entre essa atitude e o comportamento real, impulsionado pela invisibilidade dos custos energéticos e pelas fricções na tomada de decisão. O problema central é determinar se intervenções de UI orientadas para a sustentabilidade podem aumentar efetivamente a consciência energética e direcionar os usuários para padrões de interação computacionalmente mais eficientes sem comprometer a usabilidade.

Metodologia

O estudo empregou uma metodologia de três estágios para investigar este problema:

1. Pesquisa de Linha de Base (RQ1): Uma pesquisa online foi realizada com 77 participantes para avaliar a atual consciência do usuário sobre o consumo de energia de LLMs, a receptividade a conceitos de intervenção e a disposição para aceitar compensações de desempenho. A pesquisa utilizou perguntas de estilo de estimativa (ex: comparando consultas de LLM com buscas no Google ou o carregamento de um iPhone) para mensurar modelos mentais e lacunas de conhecimento, em vez de precisão técnica.
2. Implementação de Protótipo: Guiados pelos achados da pesquisa e pelos princípios de tecnologia persuasiva e arquitetura de escolha, os autores implementaram um protótipo de chatbot LLM baseado na web apresentando cinco intervenções de UI específicas:
   • Interruptor de Três Modos: Permite que os usuários selecionem entre os modos "Eficiência Energética", "Equilibrado" e "Desempenho".
   • Nota de Energia: Exibe uma estimativa curta de energia com cada resposta do LLM.
   • Predição de Prompt: Fornece uma estimativa de energia antes do usuário enviar um prompt.
   • Dashboard de Métricas: Resume o uso de energia sobre as atividades recentes.
   • Analogias de Energia: Reenquadra quantidades de energia em unidades cotidianas relacionáveis (ex: carregamento de celular).
   • Nota Técnica: A estimativa de energia foi calculada usando um modelo baseado em tokens ($E = \alpha \cdot T_{in} + \beta \cdot T_{out} + \zeta$), com coeficientes escalonados de acordo com tamanhos de modelos específicos (GPT-4o, GPT-4o-mini, GPT-4.1-nano) para aproximar o consumo relativo.
3. Estudo de Campo (RQ2): Um estudo de campo de cinco dias foi conduzido com 11 usuários frequentes de LLM que utilizaram o protótipo em seus fluxos de trabalho diários. A coleta de dados incluiu verificações diárias de consciência (escala Likert de 5 pontos), um questionário de final de semana e telemetria do sistema (contagem de tokens, seleção de modo, estimativas de energia). O estudo analisou padrões comportamentais, tendências de consciência e impacto energético, comparando o comportamento observado contra um cenário contrafactual onde todas as interações ocorriam no modo "Desempenho".

Principais Contribuições

O artigo apresenta três contribuições primárias para o campo da Interação Humano-Computador (HCI) e Engenharia de Software Verde:

1. Dados de Pesquisa: Uma pesquisa de linha de base sobre a consciência e percepção do usuário final em relação à pegada energética de chatbots de LLM, destacando a discrepância entre o consumo percebido e o real.
2. Evidência Empírica: Dados sobre como intervenções de UI específicas influenciam padrões de interação conscientes da energia em chatbots de LLM, demonstrando que escolhas de design podem alterar comportamentos rotineiros.
3. Pacote de Replicação: Um pacote publicamente disponível contendo respostas detalhadas da pesquisa, scripts de análise e o protótipo funcional de chatbot LLM implementado para apoiar pesquisas futuras.

Resultados

Achados da Pesquisa de Linha de Base:

• Consciência vs. Conhecimento: Embora 94,8% dos respondentes tenham relatado alguma consciência sobre o uso de energia de IA, 88,3% erraram a estimativa do consumo real (ex: superestimando ou subestimando significativamente o custo de energia em relação a uma busca no Google ou carga de celular).
• Lacuna Atitude-Comportamento: Embora a preocupação ambiental fosse alta, apenas 39,0% dos participantes indicaram disposição para aceitar uma compensação de desempenho por menor uso de energia.
• Receptividade à Intervenção: 68,8% favoreceram um "Modo de Eficiência Energética", mas a disposição caiu quando compensações de desempenho explícitas foram introduzidas.

Achados do Estudo de Campo:

• Mudança Comportamental: No estudo de campo, o modo "Eficiência Energética" representou 55,8% dos prompts registrados (155/278). Notavelmente, 90,9% dos participantes relataram ativamente escolher o modo Eco quando a alta precisão não era necessária.
• Economia de Energia: O uso total estimado de energia observado foi de 164,72 Wh. Sob um cenário contrafactual onde todos os prompts seriam executados no modo "Desempenho", o uso de energia seria de 309,44 Wh. Isso implica uma redução de 46,77% na pegada de energia devido às mudanças comportamentais observadas.
• Impacto do Modo: Apesar de ser usado em menos de 25% dos prompts, o modo "Desempenho" foi responsável por aproximadamente 89% da pegada de energia total.
• Mecanismo de Mudança: Os participantes não reduziram significativamente o comprimento dos prompts. Em vez disso, o principal mecanismo comportamental foi a troca de modo em vez do encurtamento de prompts.
• Usabilidade: Todas as intervenções pontuaram acima de 4/5 em usabilidade. O "Interruptor de Três Modos" e a "Nota de Energia" foram avaliados como as intervenções mais influentes.
• Tendência de Consciência: A consciência energética autorrelatada aumentou ao longo do período de cinco dias (de uma média de 3,27 para 4,44), impulsionada por interações repetidas de baixo esforço.

Significância e Alegações

Os autores alegam que intervenções de UI orientadas para a sustentabilidade podem ter sucesso em melhorar a consciência do usuário e apoiar padrões de interação mais responsáveis energeticamente em chatbots de LLM. No entanto, o artigo mantém uma postura modesta sobre o escopo desses achados:

• Papel Complementar: Os autores afirmam explicitamente que as intervenções de UI devem ser interpretadas como complementares às otimizações de backend e de nível de modelo, não como um substituto. O design de UI pode mudar comportamentos rotineiros de baixo risco, mas interações de alto custo (que frequentemente exigem alta precisão) ainda necessitam de eficiência de backend.
• Comportamental vs. Causal: As economias de energia relatadas são estimativas comportamentais baseadas em modelos (contrafactuais), e não efeitos causais medidos por hardware.
• Abordagem da Fricção de Decisão: O estudo sugere que o uso insustentável é frequentemente impulsionado por fricções de tomada de decisão cotidiana, e não por falta de preocupação ambiental. Ao tornar as compensações visíveis e fáceis de revisar (ex: via um Interruptor de Três Modos), as interfaces podem apoiar decisões informadas sem impor restrições.
• Limitações: Os autores reconhecem limitações quanto ao pequeno tamanho da amostra (n=11 para o estudo de campo), o potencial de efeitos rebote (usuários compensando respostas mais lentas com mais prompts) e a generalização dos achados dado o background técnico dos participantes. Eles concluem que estes resultados são "indicações promissoras" que merecem replicação em estudos maiores e mais diversos.