Não é segredo que os últimos anos testemunharam uma explosão no uso da inteligência artificial para a coleta geral de informações. Uma tendência ainda mais recente, porém, é o uso crescente de grandes modelos de linguagem (LLMs, na sigla em inglês), como ChatGPT, Claude e Gemini, para verificar e consumir notícias. Relatórios do Pew Research Center do ano passado revelaram que  um em cada cinco adolescentes nos EUA usa LLMs regularmente para se informar, enquanto  um em cada quatro jovens adultos relatou tê-los usado para esse fim pelo menos uma vez. 

Um novo estudo de acesso aberto do MIT Media Lab deveria fazer alguns desses usuários refletirem: os pesquisadores descobriram que, ao longo de um mês, os participantes que dependiam de sistemas de IA para verificar fatos, na verdade, pioraram na detecção de desinformação por conta própria quando seus chatbots foram desativados.

Esse fenômeno, frequentemente chamado de “paradoxo da dependência da IA”, tem sido observado em uma ampla gama de domínios do conhecimento, como no estudo de 2025 que constatou que médicos que usavam IA  apresentavam pior desempenho na detecção de câncer por conta própria . Essa dinâmica reflete tendências tecnológicas mais amplas em torno da chamada “desqualificação” (ou “descarregamento cognitivo”), bem documentadas há décadas, desde calculadoras que enfraquecem nossas habilidades matemáticas até tecnologias de Sistema de Posicionamento Global (GPS) que impactam nosso senso natural de direção.

No novo estudo do Media Lab, que acompanhou 67 pessoas durante quatro semanas enquanto avaliavam pares de manchetes e imagens de notícias, os participantes foram 21% mais precisos na detecção de notícias falsas quando auxiliados por um chatbot de IA durante a sessão — confirmando  pesquisas anteriores da MIT Sloan School of Management que demonstram que a IA pode ser uma ferramenta eficaz para reduzir a crença das pessoas em informações falsas.

No entanto, o estudo mostrou que um novo problema surgiu quando a IA deixou de estar presente: na quarta semana, o desempenho dos participantes sem auxílio na detecção de novas notícias diminuiu 15 pontos percentuais em comparação com o período anterior ao início do estudo. (Aproximadamente um quarto de todos os participantes relatou sentir que estava melhorando na detecção, mesmo com a queda no desempenho.)

“Os usuários ficam entusiasmados com esses LLMs 'mágicos', mas esquecem que são apenas modelos estatísticos que preveem o próximo 'token' em uma sequência [de letras/palavras]”, diz Anku Rani, estudante de doutorado em artes e ciências da mídia (MAS) do MIT e coautora principal de um novo artigo sobre a pesquisa, juntamente com seu colega de doutorado em MAS, Valdemar Danry. “Muitos comportamentos impressionantes emergem da escalabilidade disso, mas isso traz limitações reais, tanto no que o modelo pode gerar de forma confiável quanto em seu impacto mais amplo sobre as pessoas que o utilizam.”

A análise qualitativa identificou padrões comportamentais distintos, com a equipe classificando um quinto de todos os participantes como "Desenvolvedores de Dependência", que gradualmente passaram da autossuficiência ativa para a aceitação passiva da orientação da IA.

Na pesquisa pós-experimento, um participante reconheceu explicitamente essa transição, observando seu papel passivo no processo. "Embora [os chatbots] tenham enfatizado que é preciso verificar várias fontes para garantir a veracidade de uma história, eles não me ensinaram muito sobre como explorar o contexto das próprias imagens", disse o participante.

A equipe de pesquisa afirmou que esses modelos de IA são particularmente vulneráveis a erros em meio a notícias de última hora carregadas de emoção, como demonstrado pela desinformação generalizada que acompanhou a recente tentativa de assassinato do presidente Trump e os principais eventos durante a guerra com o Irã. (Os autores também apontam que o conteúdo original das notícias, criado por humanos e usado para treinar os modelos de IA, é cada vez mais não confiável e/ou tendencioso, agravando ainda mais o problema.)

O artigo , apresentado por Danry e Rani na  Conferência CHI de 2026 sobre Fatores Humanos em Sistemas de Computação , teve como coautores o Professor Assistente Paul Pu Liang, o Cientista de Pesquisa Sênior Andrew Lippman e a autora sênior Pattie Maes, Professora Germeshausen de Artes e Ciências da Mídia. 

Os pesquisadores afirmam que os resultados do projeto sugerem que a forma específica como uma IA interage com um usuário determina se seu impacto será "como um treinador ou como uma muleta". O estudo encontrou uma distinção clara entre estratégias conversacionais que simplesmente ajudam no momento e aquelas que de fato apoiam o aprendizado ativo e o desenvolvimento de habilidades.

Para este último caso, a equipe do Media Lab descobriu diversas estratégias associadas a uma detecção independente mais robusta posteriormente, mesmo que essas estratégias inicialmente tenham prejudicado o desempenho durante a interação. Isso incluiu o método socrático, no qual a IA faz perguntas guiadas, bem como a chamada "sondagem profunda", em que o sistema fornece afirmações sutilmente persuasivas caso o usuário pareça estar se desviando da resposta correta.

Rani observou algumas limitações importantes no estudo de um mês, desde o pequeno conjunto de dados de aproximadamente 50 notícias validadas até o foco demográfico nos Estados Unidos e no Reino Unido. No futuro, ela afirma que a equipe espera realizar experimentos semelhantes com grupos geograficamente mais diversos, incluindo comunidades de baixa renda, e também está ansiosa para explorar se outras estratégias de interação multimodal — como interagir com gêmeos digitais culturalmente adaptáveis em vez de chatbots baseados em texto — ajudam as pessoas a aprimorar suas habilidades para detectar desinformação. 

Em um nível mais amplo, os pesquisadores esperam que o projeto seja algo que os educadores possam examinar ao desenvolver planos de ensino que incorporem ferramentas de IA em seus currículos escolares.

“É especialmente importante conscientizar nossas escolas e comunidades acadêmicas sobre as limitações do uso da IA como ferramenta de aprendizado”, afirma Maes. “As pessoas precisam saber que, se ‘delegarem’ seu pensamento, não vão se tornar melhores nesse tipo específico de resolução de problemas. Em última análise, a capacidade de questionar e analisar informações é importante para todos, porque nos capacita a resolver problemas e formar nossas próprias opiniões independentes sobre o mundo.”

Danry acrescenta que o campo da aprendizagem de máquina e da aprendizagem profunda, em rápida evolução, exigirá educação contínua sobre os benefícios e as desvantagens dos LLMs.

“Há muito trabalho a ser feito para garantir que não deleguemos completamente tarefas críticas que queremos continuar realizando a esses modelos”, diz ele. “Precisamos desenvolver um novo tipo de alfabetização em IA.”

O projeto de pesquisa foi apoiado, em parte, pelo Media Lab Consortium, por uma bolsa de estudos do MIT Tata Center Technology and Design Fellowship e  por uma bolsa de doutorado do Google em interação humano-computador .