What Types of Human-AI Teams Exist?

Resumo Técnico: "Que Tipos de Equipes Humano-IA Existem?"

Definição do Problema
O campo da Colaboração Humano-IA (Human-AI Teaming) experimentou um crescimento exponencial, mas uma ambiguidade de definição crítica persiste. Embora o termo se refira amplamente a humanos e IA trabalhando interdependentemente em direção a objetivos compartilhados, revisões de literatura existentes indicam que os estudos focam pesadamente nos aspectos técnicos da IA, em vez das dinâmicas de "equipe". Consequentemente, é difícil distinguir quando uma IA transita de uma "mera ferramenta" para um "membro de equipe", e permanece incerto quais tipos específicos de equipes estão sendo estudados sob a mesma definição abrangente. Essa falta de especificidade dificina a transferibilidade de insights entre artigos, pois configurações de equipe díspares (ex.: variando em interdependência de tarefas, estruturas de papéis e padrões de liderança) são frequentemente confundidas. Os autores argumentam que, sem uma taxonomia clara de tipos de equipe, a síntese da pesquisa e a aplicação de achados em domínios de segurança crítica ou estruturas regulatórias ficam comprometidas.

Metodologia
Para abordar isso, os autores realizaram uma revisão de escopo de estudos experimentais sobre Colaboração Humano-IA, aderindo às orientações da extensão PRISMA.

• Coleta de Dados: Uma busca na ACM Digital Library, IEEE e Web of Science rendeu 552 artigos iniciais. Após a triagem pela frase específica "human-AI team" em títulos/palavras-chave, exclusão de trabalhos não experimentais e remoção de artigos onde a frase era usada apenas como palavra-chave sem descrição substantiva, o conjunto de dados final compreendeu 53 artigos experimentais (analisando 54 estudos distintos).
• Estrutura Analítica: Os autores aplicaram uma análise de conteúdo dedutiva usando uma taxonomia psicológica de equipe fornecida por [7]. Esta estrutura categoriza as equipes com base em:
  • Características ao nível da tarefa: Os tipos de trabalho realizados (ex.: gerenciar, aconselhar, resolução de problemas, ação psicomotora).
  • Características ao nível da equipe: Variáveis estruturais holísticas incluindo interdependência de tarefas (agrupada, sequencial, recíproca, intensiva), estrutura de papéis (funcional vs. divisional), estrutura de liderança, estrutura de comunicação, distribuição física e tempo de vida da equipe.
• Adaptação: Os autores observaram que a aplicação dessas taxonomias centradas no humano à IA exigiu reinterpretações menores, particularmente em relação à distribuição física (interpretando-a como se o humano e a IA compartilham o mesmo ambiente) e tempo de vida da equipe (interpretando-o como se a tarefa é um evento único ou parte de um arranjo de longo prazo).
• Agrupamento (Clustering): Os 53 artigos foram agrupados com base em suas características de nível de equipe. Sete clusters foram identificados, mas apenas os cinco maiores (contendo pelo menos três estudos cada) foram relatados como os principais achados.

Principais Contribuições

1. Uma Taxonomia Preliminar: O artigo propõe um sistema de classificação inicial que identifica cinco subtipos distintos de equipes Humano-IA atualmente estudados na literatura.
2. Identificação de Lacunas Definitórias: A análise revela que estudos agrupados sob o termo único "Human-AI Teaming" representam, na verdade, configurações de equipe dísparas com combinações únicas de características, desafiando a suposição de que os insights são diretamente transferíveis entre esses tipos.
3. Orientação de Relato: Os autores fornecem um checklist para pesquisas futuras visando melhorar a especificidade e a clareza do relato de estudos de equipe Humano-IA, incentivando autores a definir explicitamente as características de nível de equipe.

Resultados
A análise de 54 estudos experimentais revelou uma forte preferência por configurações de 1 humano e 1 IA (34 artigos), primariamente em domínios de jogos, classificação de objetos e aviação/militar/espacial. Os cinco clusters de equipe identificados são:

1. Assistente de IA (18 estudos, 34%):

   • Estrutura: Interdependência de tarefa sequencial, papéis funcionais, liderança designada, comunicação em cadeia.
   • Dinâmica: Um humano e uma IA trabalham em turnos; a IA aconselha ou prevê, e o humano gerencia a decisão final. Os papéis não são intercambiáveis.
   • Contexto: Frequentemente de longo prazo ou ad-hoc, tipicamente colocados no mesmo local. Comum em tarefas de classificação e cibersegurança.

2. Dependência Ad-hoc (11 estudos, 20%):

   • Estrutura: Interdependência de tarefa intensiva, papéis funcionais, liderança distribuída, comunicação em estrela (star).
   • Dinâmica: Um grupo de pelo menos três membros (mistura de humanos e IA) trabalha como uma unidade com papéis não intercambiáveis. A liderança é compartilhada simultaneamente.
   • Contexto: Tipicamente ad-hoc (dissolvendo-se após uma tarefa específica). Comum em aviação, resposta a desastres e quebra-cabeças.

3. Dependência Forçada Ad-hoc (6 estudos, 11%):

   • Estrutura: Interdependência de tarefa recíproca, papéis funcionais, liderança designada, comunicação em cadeia.
   • Dinâmica: Um humano e uma IA engajam-se em interação de ida e volta onde são "forçados" a interagir porque nenhum dos dois pode completar a tarefa sozinho (ex.: acesso complementar à informação).
   • Contexto: Tempo de vida ad-hoc. Comum em jogos e simulações de resposta a desastres.

4. Equanimidade Pareada (4 estudos, 7%):

   • Estrutura: Interdependência de tarefa recíproca, papéis divisionais, liderança distribuída, comunicação em estrela (star).
   • Dinâmica: Um humano e uma IA desempenham o mesmo papel juntos (intercambiáveis), compartilhando liderança e comunicando-se livremente.
   • Contexto: Ad-hoc. Comum em jogos de equipe (ex.: Rocket League).

5. Equanimidade de Grupo (3 estudos, 6%):

   • Estrutura: Interdependência de tarefa intensiva, papéis divisionais, liderança distribuída, comunicação em estrela (star).
   • Dinâmica: Um grupo de pelo menos três membros (mistura de humanos e IA) todos desempenhando o mesmo papel juntos, compartilhando liderança.
   • Contexto: Ad-hoc. Comum em quebra-cabeças e educação.

O estudo também observou que 25% dos artigos não formaram um cluster, representando combinações únicas de características ainda não amplamente estudadas. Além disso, a análise destacou que muitos estudos (particularmente o Cluster 1) podem não se encaixar estritamente na definição de "colaboração" (teaming) se a IA for percebida meramente como uma ferramenta, e não como um membro de equipe, levantando questões sobre a aplicação atual do termo.

Significância e Alegações
O artigo afirma que o campo atual sofre de uma falta de linguagem taxonômica para distinguir diferentes tipos de equipes Humano-IA. Os autores argumentam que:

• Os insights não são inerentemente transferíveis: Achados de um estudo de "Cluster 1" (Assistente de IA) não podem ser aplicados com confiança a um estudo de "Cluster 4" (Equanimidade Pareada) devido a diferenças fundamentais em liderança, comunicação e interdependência.
• Ambiguidade Definitória: A definição atual de Colaboração Humano-IA é muito ampla, podendo abranger o uso simples de ferramentas ou estudos onde a IA não possui "capacidades únicas e complementares" da forma que a definição implica.
• Segurança e Regulação: Taxonomias mais claras são essenciais para análise de segurança, estruturas regulatórias e alocação de responsabilidade moral, particularmente conforme sistemas de IA agênticos se tornam mais prevalentes.
• Direção Futura: O campo deve ir além de definições amplas para especificar as exatas características de nível de equipe que estão sendo estudadas. Os autores não alegam ter resolvido a definição de Colaboração Humano-IA, mas sim fornecem um framework para categorizar o trabalho existente e identificar lacunas (ex.: interdependência agrupada ou estruturas de liderança de gestor externo são atualmente sub-representadas).

O artigo conclui instando os pesquisadores a usar o checklist proposto para relatar explicitamente as características da equipe, permitindo assim uma melhor síntese da literatura e uma pesquisa futura mais precisa.