IA agente vira colega de trabalho, e você trabalha pior

Imagine que a sua ferramenta de IA passasse a se chamar Alex e ganhasse um título de “assistente de pesquisa” no seu fluxo de trabalho. Você continuaria revisando cada linha que ela produz com o mesmo rigor? Uma pesquisa recente da Boston University sugere que não, e o motivo não tem nada a ver com a qualidade da ferramenta.

Emma Wiles, professora de administração na Boston University, estudou 1.261 gestores e mediu o que acontece quando o mesmo resultado de trabalho é apresentado de duas formas: como saída de um chatbot, ou como saída de uma “funcionária de IA agente” chamada Alex. Um agente de IA é uma ferramenta programada para operar em ciclo até atingir um objetivo, sem depender de um comando por etapa. A forma como você a chama, porém, muda o quanto você confia nela, e isso importa direto para quem usa IA na escrita acadêmica, na análise de dados ou na revisão de literatura.

O que aconteceu

Wiles descobriu que os gestores identificaram 18% menos erros quando o trabalho era atribuído a uma “funcionária de IA” em vez de a um chatbot comum. O software era o mesmo. Só a etiqueta mudou.

O efeito não parou na detecção de erro. Quando a IA era enquadrada como funcionária, os participantes se sentiam menos responsáveis pelo resultado dela, e ficaram 44% mais propensos a escalar um trabalho questionável para um superior em vez de simplesmente corrigi-lo. Ou seja: a ferramenta que devia poupar tempo acabou gerando mais uma etapa de revisão, exatamente pela forma como foi apresentada.

Isso não é um detalhe de marketing sem consequência. Quase um terço dos 1.261 gestores da pesquisa disse que a própria empresa já trata agentes de IA como funcionários, e 23% deles afirmaram que essas ferramentas aparecem no organograma da empresa, ao lado de nomes de pessoas reais.

Por que isso importa pra você

Se você usa IA no seu processo de pesquisa, seja para revisar literatura, organizar dados ou dar uma primeira lida em um argumento, o jeito como você se relaciona com a ferramenta na sua cabeça influencia diretamente o quanto você confere o que ela entrega.

Isso se desdobra de forma diferente conforme o momento da sua pesquisa:

1. Se você está escrevendo o projeto ou a qualificação: vale perguntar se você tem personificado a ferramenta de IA que usa. Quanto mais isso acontece, maior o risco de revisar com menos rigor o que ela sugeriu.
2. Se você está analisando dados com apoio de IA: o mesmo cuidado se aplica. Chamar a ferramenta pelo que é, e não por um nome que sugira autonomia, ajuda a manter a checagem da lógica por trás do resultado.
3. Se você orienta outros pesquisadores: vale conversar sobre como o time nomeia as ferramentas de IA que usa. Um “Alex” no grupo de WhatsApp da orientação pode reduzir, sem ninguém perceber, o quanto as pessoas revisam o que ele produz.

Daron Acemoglu, economista do MIT que ganhou o Nobel de Economia em 2024 e estuda o impacto da IA no mercado de trabalho, resume o problema: “agentes de IA estão sendo vendidos como coisas que podem substituir humanos, e essa é uma proposta perdedora.” Para ele, o design certo é o oposto: ferramentas otimizadas para ampliar a capacidade humana, não para ocupar o lugar dela.

O ponto que essa pesquisa expõe sobre responsabilidade

Tem algo desconfortável nessa descoberta: a linguagem que usamos para descrever uma ferramenta muda quem carrega a responsabilidade quando algo dá errado. Se a IA “é uma colega”, o erro dela parece menos seu. Faz sentido, mas é exatamente esse deslocamento que preocupa quando a ferramenta entra em áreas como saúde, educação ou avaliação de processos, incluindo os processos acadêmicos que envolvem você.

Um exemplo citado no material que embasa essa análise ilustra o risco: um ataque aéreo no Irã, contra uma escola, foi popularmente atribuído a uma IA (a Claude, da Anthropic), quando as evidências apontavam para uma sequência de decisões humanas erradas. Quando a ferramenta tem nome e cargo, ela vira um lugar conveniente para depositar culpa que, na prática, é de escolha, incentivo e supervisão humana.

Na pesquisa acadêmica, o mecanismo pode ser o mesmo: você assina o trabalho, não a ferramenta. Não significa abandonar a IA no processo de pesquisa. Significa não deixar o nome que você dá a ela substituir o julgamento que só você pode exercer sobre o que ela produziu.

Próximos passos

1. Reveja como você (ou o seu grupo de pesquisa) se refere às ferramentas de IA que usa no dia a dia. Se você já deu um nome próprio a um assistente de IA, vale perguntar se isso mudou seu nível de checagem.
2. Ao receber um resultado de uma ferramenta de IA, revise como se fosse a saída de um software, não a contribuição de uma colega que “já sabe o que está fazendo”.
3. Se você orienta outras pessoas, converse sobre esse viés de confiança antes que ele apareça num erro na qualificação ou na defesa.
4. Para entender melhor onde a IA pode e não pode assumir tarefas na escrita acadêmica sem comprometer sua autoria, veja Como Usar IA para Formatar Trabalho Acadêmico em ABNT.

Fonte: AI agents are not your coworkers, MIT Technology Review