Um estudo recente do MIT levanta uma questão incómoda: e se as ferramentas que tornam as nossas decisões mais inteligentes estiverem, silenciosamente, a enfraquecer o conhecimento coletivo da sociedade? É precisamente esta tensão que um working paper publicado em fevereiro de 2026 pelo NBER (National Bureau of Economic Research) coloca em cima da mesa.
O estudo que está a dar que falar
Intitulado “AI, Human Cognition and Knowledge Collapse“ (IA, Cognição Humana e Colapso do Conhecimento), o trabalho é assinado por três investigadores do MIT: o economista Daron Acemoglu (Prémio Nobel de Economia em 2024), Dingwen Kong e Asuman Ozdaglar. A sua tese central é tão simples quanto perturbadora: a IA agentique — aquela que vai além de fornecer informação e passa a emitir recomendações personalizadas e a agir autonomamente — pode melhorar a qualidade das decisões individuais a curto prazo, enquanto corrói progressivamente o stock coletivo de conhecimento no qual a sociedade assenta.
O argumento não é tecnofóbico nem ingénuo. É rigoroso. E é por isso que merece atenção.
Dois tipos de conhecimento
Para compreender o risco, os autores estabelecem uma distinção fundamental entre dois tipos de saber:
- Conhecimento geral: os princípios teóricos, os quadros conceptuais, as leis estruturantes de um domínio — a fisiologia em medicina, os fundamentos macroeconómicos em finanças, os princípios normativos no direito. É cumulativo, transmite-se entre gerações e beneficia toda a comunidade.
- Conhecimento contextual: a informação específica de uma situação — o perfil de um paciente, a configuração de uma empresa, o caso concreto de um aluno.
Estas duas formas de saber são complementares. A informação contextual só é útil se quem a recebe tiver um quadro geral sólido onde a enquadrar. Aqui reside o problema: a IA agentique melhora dramaticamente o acesso ao conhecimento contextual — mas pode estar a desincentivar o investimento no conhecimento geral.
A lógica do desincentivo
O mecanismo é racional e subtil. Aprender exige esforço cognitivo. Esse esforço tem um custo individual e produz um benefício — não apenas privado, mas também coletivo, porque o que cada pessoa aprende alimenta o stock partilhado de conhecimento geral da comunidade.
Quando a IA fornece recomendações cada vez mais precisas e personalizadas, a utilidade marginal do esforço humano diminui. A pergunta que qualquer pessoa racional acaba por fazer é: para quê estudar em profundidade se a máquina já me dá a resposta certa para a minha situação concreta?
Individualmente, faz sentido. Coletivamente, é problemático. Se toda a gente reduz o investimento cognitivo, o stock de conhecimento geral contrai-se. E como esse stock é cumulativo, cada geração herda uma base ligeiramente mais fraca do que a anterior.
O “Colapso do Conhecimento”
O modelo teórico dos investigadores do MIT mostra que o sistema pode convergir para dois equilíbrios distintos:
- Equilíbrio de alto conhecimento: a IA complementa o esforço humano, o stock geral mantém-se robusto, as decisões são boas porque assentam em fundamentos sólidos.
- Estado estacionário de colapso: quando as recomendações da IA atingem um limiar de precisão suficientemente alto, o esforço humano reduz-se tanto que o conhecimento geral tende para zero — apesar da qualidade das recomendações individuais.
O colapso não é espetacular. É um deslize progressivo, quase invisível geração após geração.
Um resultado contraintuitivo do estudo merece destaque especial: mais preciso não é necessariamente melhor. O bem-estar coletivo pode ser não-monotónico em relação à precisão da IA. Abaixo de um certo limiar, a IA melhora as decisões sem destruir o incentivo de aprender. Acima desse limiar, a redução do esforço humano é tão marcada que a perda de conhecimento coletivo supera o ganho imediato.
O que isto significa para a educação
Esta investigação tem implicações diretas para quem trabalha em contexto educativo — e que não se podem ignorar. A OCDE já alertou que “delegar tarefas cognitivas em chatbots cria riscos de preguiça metacognitiva” e que a vantagem dos alunos que usam IA desaparece nos exames quando o acesso é removido. O estudo do MIT oferece agora um quadro teórico robusto para explicar porquê.
As implicações práticas para a escola e para a universidade são claras:
- Não proibir, mas redesenhar as práticas pedagógicas para que a IA apoie a apropriação do conhecimento, em vez de se substituir a ela.
- Exigir explicitação do raciocínio por trás de qualquer resposta gerada por IA — o processo de compreensão continua a ser insubstituível.
- Valorizar a compreensão dos modelos subjacentes, não apenas a utilização dos resultados.
- Investir em literacia de IA que inclua a dimensão crítica: saber quando confiar, quando questionar e quando aprofundar.
Como sublinha a FNE, “a inteligência artificial pode ser uma aliada — mas só será verdadeiramente educativa se for integrada por professores confiantes, formados e críticos”. Caso contrário, corremos o risco de ter alunos mais rápidos a obter respostas, mas cada vez menos capazes de pensar por si próprios.
A resiliência está na agregação do saber
O modelo identifica também um fator-chave de resiliência: a capacidade de agregação do conhecimento geral. Quanto mais uma sociedade consegue partilhar e consolidar contribuições individuais de forma eficaz — através de instituições científicas, universidades, comunidades profissionais, publicações estruturadas —, mais robusto é o stock coletivo e menor o risco de colapso.
Isto significa que a mesma tecnologia pode ter efeitos muito diferentes consoante o contexto institucional e cultural. Uma sociedade com capital cognitivo elevado e instituições fortes resiste melhor ao efeito de substituição. Uma sociedade mais frágil pode deslizar mais depressa para o equilíbrio de baixo conhecimento.
Uma questão de governança, não de tecnologia
O estudo não pede o rejeição da IA. Pede inteligência na forma como a integramos. Os autores evocam a possibilidade de um design informacional — uma arquitetura dos sistemas que preserve os incentivos ao aprendizado, mesmo que isso implique, paradoxalmente, limitar nalguns contextos a precisão das recomendações.
A pergunta que fica não é tecnológica. É reflexiva: como continuar a investir no saber comum quando a máquina torna o esforço individual menos indispensável?
É esta tensão silenciosa — entre conforto cognitivo e vitalidade intelectual — que Acemoglu e os seus coautores nos obrigam a encarar. E é a ela que as escolas, as universidades e as organizações terão de responder. Não os algoritmos.
Fontes: Acemoglu, D., Kong, D. & Ozdaglar, A. (2026). “AI, Human Cognition and Knowledge Collapse”. NBER Working Paper 34910. Fevereiro de 2026.
Elaborado em coautoria com Claude Sonnet 4.6
