Pesquisadores do MIT acompanharam 67 pessoas durante um mês conversando com uma inteligência artificial sobre notícias falsas. Com a IA por perto, elas acertaram 21% mais. Sozinhas, quatro semanas depois, acertaram 15,3% menos do que antes de começar. O mais perturbador é o motivo: a IA não fez nada errado.
Nota de transparência: este artigo trata de uma limitação que atinge diretamente as ferramentas que uso, recomendo e cubro aqui no IAtivei. Não tenho vínculo comercial com nenhuma das empresas citadas, e todos os estudos mencionados estão listados ao final, com links para as fontes originais.
⏱️ Resumo em 1 minuto
- O achado. Um estudo do MIT Media Lab, apresentado na CHI 2026 — a principal conferência mundial de interação humano-computador —, acompanhou 67 pessoas por um mês avaliando notícias verdadeiras e falsas com ajuda de uma IA.
- Os números. Com a IA, o desempenho subiu 21%. Sem ela, ao avaliar notícias novas na quarta semana, o desempenho caiu 15,3% em relação ao ponto de partida.
- O paradoxo. A IA acertava, explicava bem e convencia. O problema não foi a qualidade das respostas — foi justamente ela. Respostas boas e confiantes desestimulam o esforço mental que produz aprendizado.
- Não é um caso isolado. Outros quatro estudos independentes, incluindo um com eletroencefalograma, apontam na mesma direção: melhores resultados imediatos, pior desenvolvimento de habilidade.
- Existe uma saída, e ela é surpreendente. Não é usar menos IA. É mudar quando você a usa dentro do seu processo de pensamento — e há um experimento que mostra exatamente isso. Está no final.
O experimento
A pergunta que os pesquisadores do MIT Media Lab queriam responder era simples de enunciar e difícil de testar: quando você conversa com uma inteligência artificial sobre uma notícia suspeita, você fica mais bem informado ou fica mais capaz de se informar?
São coisas diferentes. A primeira é sobre o conteúdo daquela conversa específica; a segunda é sobre o que sobra de você depois que a conversa acaba.
Para separar as duas, a equipe liderada por Anku Rani e Valdemar Danry, com Paul Pu Liang, Andrew Lippman e Pattie Maes, montou um estudo de um mês com 67 participantes. O desenho é elegante justamente por ser simples. Cada participante recebia pares de manchete e imagem e precisava classificá-los como reais ou falsos. Primeiro fazia isso sozinho. Depois discutia sua avaliação com um chatbot construído pelos pesquisadores, que apresentava evidências e argumentos persuasivos. E então — este é o ponto crucial do experimento — avaliava notícias novas, que nunca tinha visto, sem nenhuma ajuda da IA.
Essa terceira etapa é o que transforma o estudo em algo diferente de tudo que já se tinha feito sobre o tema. Ela mede exatamente o que interessa: não se a pessoa foi convencida naquele momento, mas se ela aprendeu alguma coisa que consegue usar depois, quando estiver de novo sozinha diante de uma informação duvidosa. Que é, afinal, a situação em que quase todos nós estamos na maior parte do tempo.
O trabalho foi publicado nos anais da CHI 2026, a conferência mais importante do mundo em fatores humanos na computação, o que significa que passou por revisão por pares rigorosa antes de vir a público.
Os números
Durante as sessões com a IA, o desempenho dos participantes melhorou em média 21%. A ferramenta funcionava: apresentava evidências, contextualizava, corrigia impressões equivocadas, e as pessoas passavam a classificar as notícias corretamente com muito mais frequência. Se o estudo tivesse parado aí, a conclusão seria animadora e a manchete seria outra.
Só que ele não parou aí. Quando os participantes avaliavam notícias inéditas sem assistência, o desempenho caiu 15,3% na quarta semana em comparação com a semana inicial. Não estagnou, não permaneceu igual: piorou em relação ao ponto de partida, antes de qualquer contato com a IA.
Leia essa combinação com calma, porque ela é o coração do artigo. Durante um mês, essas pessoas foram expostas a dezenas de exemplos de desinformação, receberam explicações corretas sobre por que cada notícia era falsa, tiveram acesso a evidências e argumentos bem construídos — e, ao final, ficaram piores em detectar desinformação sozinhas do que eram antes de começar.
Do ponto de vista pedagógico, isso é quase uma proeza às avessas. É como frequentar um curso intensivo de um mês e sair sabendo menos do que quando entrou.
Os autores deram nome ao fenômeno: paradoxo da dependência. A assistência entrega benefício imediato e, ao mesmo tempo, corrói a capacidade de longo prazo de fazer aquilo sem assistência.
Antes de continuar: os limites deste estudo
Como o IAtivei não trabalha com manchete alarmista, é preciso dizer com clareza o que este estudo não prova.
A própria pesquisadora Anku Rani aponta as limitações. São 67 participantes, uma amostra pequena para generalizações amplas. O conjunto de notícias validadas era de cerca de 50 itens. E os participantes eram dos Estados Unidos e do Reino Unido, o que limita a extrapolação para outros contextos culturais e informacionais — inclusive o brasileiro, com sua dinâmica própria de circulação de desinformação.
Além disso, o estudo mede detecção de notícias falsas, não “capacidade de pensar” em geral. Qualquer tradução do resultado para frases como “a IA está deixando as pessoas burras” é exagero, e exagero é o oposto do que este achado merece.
O que torna esse resultado digno de atenção não é ele sozinho, portanto, mas o fato de ele se encaixar num padrão que já vinha aparecendo em pesquisas independentes, com metodologias completamente diferentes. É a esse padrão que vamos agora.
Por que isso acontece: a explicação incômoda
A hipótese mais natural seria a de que a IA errou. Que ela deu informações imprecisas, confundiu as pessoas, ensinou o método errado. Seria uma explicação confortável, porque apontaria para um defeito corrigível: bastaria fazer modelos melhores.
Não foi o que aconteceu. E a explicação real é bem mais desconfortável.
No próprio artigo, os pesquisadores escrevem que as estratégias que tornam um diálogo persuasivo eficaz — fornecer respostas factuais confiantes e sob medida — podem ser exatamente as mais propensas a induzir dependência e a desencorajar o tipo de engajamento cognitivo que levaria ao aprendizado.
Ou seja: a IA não falhou. Ela funcionou bem demais.
Pense em como é a experiência. Você olha uma manchete e fica na dúvida. Pergunta à IA. Ela responde com clareza, apresenta evidências, explica o contexto e conclui com segurança. Você lê, concorda, segue em frente. A resposta estava certa, você ficou mais bem informado, e nada de errado aconteceu — exceto que você pulou inteiramente a parte difícil.
A parte difícil é aquele momento incômodo em que você precisa formular a própria hipótese, procurar a fonte, notar que a foto parece estranha, perceber que a manchete usa uma palavra emocional demais, comparar com o que você já sabe, errar, e então descobrir por que errou. É desagradável, é lento, e é exatamente aí que a habilidade se constrói.
Aprender exige atrito. Quando a resposta chega pronta, confiante e correta, o atrito desaparece — e junto com ele desaparece o aprendizado. Você recebeu a resposta certa pelos motivos errados: não porque raciocinou até ela, mas porque alguém competente te entregou.
Existe aqui uma inversão que vale gravar, porque ela reorganiza toda a discussão sobre IA e educação. Nós costumamos avaliar uma ferramenta pela qualidade do resultado que ela produz. Este estudo sugere que, quando o objetivo é aprender, a qualidade do resultado pode ser um péssimo indicador da qualidade do processo. Uma resposta excelente pode ser pedagogicamente desastrosa. E uma resposta que te obriga a trabalhar pode ser educacionalmente superior mesmo sendo menos completa.
Não é um achado isolado
Se esse fosse o único estudo apontando nessa direção, caberia esperar por replicação. Mas ele chega depois de uma sequência de pesquisas independentes que, com métodos radicalmente diferentes, encontraram versões do mesmo fenômeno.
Em fevereiro de 2025, pesquisadores da Microsoft Research e da Carnegie Mellon publicaram um levantamento com 319 profissionais do conhecimento, descrevendo 936 usos reais de IA generativa no trabalho. Os números de redução de esforço são expressivos: 72% relataram esforço mental menor em tarefas de conhecimento, 79% em compreensão, 76% em síntese e 55% em avaliação. Até aí, é o efeito prometido — a ferramenta poupa trabalho.
O achado inquietante veio de outro cruzamento. Quanto maior a confiança do profissional na IA, menor o pensamento crítico aplicado. E quanto maior a confiança da pessoa na própria capacidade, maior o pensamento crítico. As duas confianças puxam em direções opostas — e a primeira, que é a que as empresas vêm ativamente cultivando, é a que reduz a verificação. Vale notar o quanto isso contraria a suposição embutida em quase toda política corporativa de uso de IA, que assume que as pessoas vão conferir o resultado. Elas conferem menos justamente quando confiam mais.
Em junho de 2025, a MIT Media Lab foi mais fundo com o estudo Your Brain on ChatGPT, liderado por Nataliya Kosmyna. Cinquenta e quatro participantes escreveram redações em três grupos — usando ChatGPT, usando busca na web, ou sem ferramenta alguma — com a atividade cerebral monitorada por eletroencefalograma de 32 canais. O grupo que usou a IA apresentou a conectividade neural mais fraca, chegando a ser até 55% menor que a do grupo sem ferramentas, e ao longo das sessões passou a recorrer cada vez mais a copiar e colar. Os autores chamaram o acúmulo desse efeito de dívida cognitiva: o esforço mental que você adia hoje cobra juros depois, na forma de menor capacidade de investigação crítica, maior vulnerabilidade à manipulação e menos criatividade.
Há ainda dois resultados menos citados e igualmente reveladores. Um experimento de universidades da China e da Austrália, publicado em 2025 com 117 participantes, encontrou uma dissociação limpa: o grupo que usou ChatGPT produziu redações melhores, mas não teve ganho significativo de conhecimento nem de transferência para novas tarefas. Os pesquisadores batizaram o fenômeno de preguiça metacognitiva — as pessoas terceirizaram não só a escrita, mas o monitoramento do próprio raciocínio. O produto melhorou; o aluno não. E um estudo alemão de 2024, com 91 participantes, mostrou que usuários de modelos de linguagem tiveram carga cognitiva significativamente menor e, ao mesmo tempo, produziram raciocínio e argumentação de qualidade inferior. A tarefa pareceu mais leve porque a parte pesada — pensar — estava sendo feita por outro.
Cinco estudos, cinco metodologias distintas, um mesmo padrão: o desempenho sobe e a capacidade desce.
O que isso significa no seu trabalho
Sai do laboratório e entra no escritório. Se o efeito é real, ele tem consequências práticas que valem para praticamente qualquer trabalho de conhecimento.
A mais direta é sobre habilidades que você acha que já domina. Se você é advogado e passou a usar IA para revisar contratos, o que acontece com a sua capacidade de farejar uma cláusula problemática quando não houver IA? Se é analista e delega a leitura de relatórios, o que acontece com sua intuição para números que não fecham? Se é jornalista e usa IA para checar informação, o que acontece com o seu faro? A resposta destes estudos não é “nada” — é que a habilidade não usada não permanece parada, ela regride.
A segunda consequência é sobre quem está começando. Profissionais experientes têm um repertório construído antes da IA existir; eles delegam a partir de uma base. Alguém que entra no mercado hoje delegando desde o primeiro dia pode nunca construir essa base — e a diferença entre os dois grupos tende a aparecer exatamente nos momentos em que a ferramenta falha, que são os momentos em que o julgamento humano mais vale.
A terceira é a mais traiçoeira, porque é invisível: você não sente que está perdendo. Os participantes do estudo do MIT não perceberam a queda. No estudo da Microsoft, quem mais confiava na IA foi quem menos verificou — sem se dar conta disso. A degradação de habilidade não vem acompanhada de nenhum alarme. Pelo contrário: como os resultados do trabalho continuam bons ou até melhoram, a sensação é de progresso. É por isso que esse risco é diferente de todos os outros que discutimos por aqui. Alucinação você percebe quando confere. Viés você percebe quando compara. Dependência cognitiva você só percebe no dia em que precisa fazer sozinho — e descobre que não consegue mais.
E há um agravante que conecta este estudo a algo que já tratamos aqui no IAtivei. Se a IA foi otimizada para ser agradável e concordante, como mostrou o estudo publicado na Science sobre bajulação em modelos de linguagem, então ela é duplamente ruim como professora: além de entregar a resposta pronta, ela evita o desconforto de te dizer que você errou. Um bom professor faz as duas coisas que a IA comercial não faz — obriga você a trabalhar e não tem medo de te contrariar.
A saída não é usar menos IA
Chegamos à parte útil, e ela não é o conselho previsível de reduzir o uso.
Os próprios pesquisadores do MIT apontam a direção. Segundo Valdemar Danry, IAs que “contam”, fornecendo respostas diretas, têm mais chance de gerar dependência, enquanto as que “perguntam”, por meio de questionamento socrático, são melhores para engajar alguém a de fato aprender a discernir a verdade por conta própria. Ele acrescenta uma ressalva honesta: é uma troca entre velocidade e esforço.
Isso não é palpite. Um trabalho anterior do mesmo grupo, apresentado na CHI 2023, já havia mostrado que sistemas que enquadram explicações como perguntas melhoram a precisão do discernimento lógico humano em comparação com explicações causais diretas. A diferença entre uma IA que ensina e uma que apenas informa está menos no modelo e mais no formato da interação.
E aqui está a boa notícia prática: esse formato você controla. Não depende de nenhuma empresa lançar um produto novo. Depende de como você escreve o pedido.
📋 Prompt: a IA socrática
Não me dê a resposta ainda. Sobre [tema/documento/decisão], quero chegar à conclusão sozinho. Faça o seguinte: 1. Me faça de 2 a 3 perguntas que me ajudem a examinar esse assunto por conta própria. 2. Espere minha resposta antes de continuar. 3. Se meu raciocínio tiver uma falha, aponte a falha com uma pergunta — não me entregue a correção pronta. 4. Só ao final, depois que eu concluir, me diga onde eu acertei, onde errei e o que deixei passar.
E uma versão para verificar informação, que é o caso específico do estudo:
📋 Prompt: verificar sem terceirizar
Vou te mostrar uma informação que quero avaliar. Antes de me dizer se é verdadeira ou falsa, liste quais sinais eu deveria examinar para julgar isso sozinho — o tipo de fonte, a linguagem usada, o que checar na imagem, o que buscar para confirmar. Depois pergunte o que eu encontrei. Só então me diga sua conclusão e compare com a minha. [cole a informação]
A diferença entre esses dois pedidos e o “isso é verdade?” que todos nós digitamos é a diferença entre um tutor e um oráculo. Custa mais tempo, exige mais esforço — e é exatamente por isso que funciona.
Vale também um princípio geral, que resume tudo em uma frase: use a IA para verificar seu raciocínio, não para substituí-lo. Formule sua hipótese antes de perguntar. Escreva sua versão antes de pedir a dela. Decida primeiro, confira depois. Nos dois casos você chega ao mesmo destino, mas só em um deles você chega tendo caminhado.
A descoberta que muda tudo: a ordem importa
Guardei para o final o detalhe mais surpreendente de toda essa literatura, e é o que me fez querer escrever este artigo.
No estudo do eletroencefalograma, os pesquisadores fizeram algo que quase ninguém comentou. Depois de três sessões, eles trocaram os grupos. Quem tinha escrito com ChatGPT passou a escrever sozinho, e quem tinha escrito sozinho passou a usar o ChatGPT.
O primeiro grupo confirmou o esperado: mesmo escrevendo sem a ferramenta, a atividade cerebral continuou suprimida. A dívida cognitiva não some quando você fecha o aplicativo; ela permanece.
Mas o segundo grupo fez algo que ninguém previu. As pessoas que tinham passado três sessões pensando sozinhas, ao receberem o ChatGPT na quarta, apresentaram aumento da conectividade cerebral. Não queda: aumento. Para elas, a mesma ferramenta que havia atrofiado o outro grupo funcionou como amplificador.
Pare um instante nisso, porque é a descoberta mais importante deste artigo.
Não existe uma resposta única para “a IA prejudica ou ajuda o pensamento”. A mesma ferramenta, com as mesmas capacidades, produziu resultados opostos dependendo apenas de uma coisa: se ela veio antes ou depois do esforço próprio.
A IA que substitui o seu pensamento te enfraquece. A IA que encontra um pensamento já formado o multiplica. É a diferença entre uma muleta e um peso de academia — objetos igualmente pesados, com efeitos opostos sobre a mesma perna, decididos inteiramente pelo momento em que você os pega.
Isso reformula toda a pergunta que vínhamos fazendo. Passamos três anos discutindo se devemos usar inteligência artificial, e quanto. Os dados sugerem que estávamos discutindo a variável errada. A pergunta decisiva não é quanto você usa. É em que momento do seu raciocínio você recorre a ela — e essa é uma escolha que ninguém pode fazer por você, que não aparece em nenhuma política corporativa e que se decide, silenciosamente, dezenas de vezes por dia.
Toda tecnologia que nos tornou melhores em alguma coisa nos tornou piores em outra. O GPS nos deu o mundo inteiro mapeado e levou embora nossa capacidade de nos orientar. A calculadora nos deu precisão e levou o cálculo mental. Sempre foi uma troca, e quase sempre valeu a pena, porque o que perdíamos era uma habilidade específica e o que ganhávamos era tempo para outras.
O que torna esta troca diferente é o que está do outro lado da balança. Desta vez, o que se oferece em pagamento não é uma habilidade específica — é o julgamento. E julgamento é a única coisa que você não pode terceirizar e continuar tendo, porque ele não é um serviço que se contrata: é um músculo que só existe enquanto está sendo usado.
Os 67 participantes daquele estudo passaram um mês recebendo respostas certas. Terminaram sabendo mais sobre aquelas notícias e menos sobre como reconhecer as próximas.
Não deixe que essa seja a descrição da sua carreira.
Fontes
O estudo central é “Dialogues with AI Reduce Beliefs in Misinformation but Build No Lasting Discernment Skills”, de Anku Rani, Valdemar Danry, Paul Pu Liang, Andrew Lippman e Pattie Maes (MIT Media Lab), publicado nos anais da CHI 2026 (Artigo 792, DOI: 10.1145/3772318.3790656), com versão aberta em arxiv.org/abs/2510.01537. As declarações dos pesquisadores foram dadas ao MIT News.
Os estudos complementares citados são: “The Impact of Generative AI on Critical Thinking”, de Hao-Ping Lee e colegas (Microsoft Research e Carnegie Mellon, CHI 2025); “Your Brain on ChatGPT: Accumulation of Cognitive Debt”, de Nataliya Kosmyna e colegas (MIT Media Lab, arXiv:2506.08872); “Beware of Metacognitive Laziness”, de Fan e colegas (British Journal of Educational Technology, 2025); e o trabalho de Stadler, Bannert e Sailer (Computers in Human Behavior, 2024). O estudo sobre IA socrática é “Don’t Just Tell Me, Ask Me”, de Danry e colegas (CHI 2023). A referência à bajulação em modelos de linguagem vem do estudo de Cheng e colegas publicado na Science, já abordado neste artigo.
© IAtivei — Aprenda, adapte-se e evolua com IA iativei.com.br
