Um estudo do MIT alerta: a mesma IA que nos ajuda hoje pode estar a destruir o conhecimento de amanhã.
Download | Daron Acemoglu, Dingwen Kong & Asuman Ozdaglar
Há uma pergunta que quase ninguém faz quando abre o ChatGPT para resolver um problema: “O que é que eu deixo de aprender ao fazer isto?” A pergunta parece absurda — afinal, estamos a obter uma resposta melhor, mais rápida, mais completa. Mas um grupo de investigadores do MIT acaba de demonstrar, com rigor matemático, que essa pergunta não é apenas pertinente. É urgente.
Em fevereiro de 2026, Daron Acemoglu, Dingwen Kong e Asuman Ozdaglar publicaram um working paper no National Bureau of Economic Research (NBER) com um título que merece ser lido devagar: AI, Human Cognition and Knowledge Collapse. O artigo constrói um modelo formal — não uma opinião, não uma especulação — que mostra como a inteligência artificial generativa, e em particular a IA agêntica, pode levar ao desaparecimento progressivo do conhecimento coletivo de uma sociedade. Mesmo quando, paradoxalmente, cada indivíduo toma decisões melhores no curto prazo.
O que sabemos e o que achamos que sabemos
Para compreender o argumento, é preciso aceitar uma distinção que parece simples mas tem consequências profundas: a diferença entre conhecimento geral e conhecimento específico do contexto.
O conhecimento geral é o que uma comunidade partilha — os fundamentos de uma área, os princípios que orientam a prática, a compreensão acumulada ao longo de gerações. Um médico precisa de saber anatomia, farmacologia, os mecanismos das doenças. Um investidor precisa de compreender instrumentos financeiros, dinâmicas de mercado, risco macroeconómico. Esse conhecimento não pertence a ninguém em particular; pertence à comunidade.
O conhecimento específico do contexto, por outro lado, é individual. Qual é a tolerância ao risco deste investidor concreto? Quais são os sintomas específicos deste doente? Que particularidades tem este projeto, esta turma, esta organização?
A tese central do artigo é que estes dois tipos de conhecimento são complementares: um sem o outro vale pouco. Um médico que conhece os sintomas do doente mas não percebe nada de medicina não serve de muito. E o inverso também é verdade — o conhecimento geral, sozinho, não resolve problemas concretos.
A armadilha da conveniência
Quando aprendemos, geramos os dois tipos de conhecimento em simultâneo. Um programador que resolve um bug raro aprende algo sobre o seu sistema específico (conhecimento contextual), mas também gera, potencialmente, conhecimento útil para outros — uma solução que pode ser documentada no Stack Overflow, por exemplo.
É aqui que a IA agêntica entra em cena. Os sistemas de IA mais avançados prometem exatamente aquilo que os autores modelam: recomendações personalizadas, ajustadas ao contexto individual. O equivalente a um consultor financeiro que já conhece o teu perfil, ou a um assistente médico que já analisou os teus exames. Esse tipo de informação é um substituto direto do esforço humano — reduz a necessidade de investigar, de estudar, de procurar.
E é precisamente esse o problema. Porque quando o esforço individual diminui, não é apenas o conhecimento específico que se perde. O conhecimento geral — aquele subproduto coletivo da aprendizagem individual — também deixa de ser produzido. E como ninguém internaliza essa externalidade (o benefício que o meu esforço tem para os outros), ninguém sente, individualmente, a perda.
O modelo de Acemoglu e colegas captura esta dinâmica com precisão. Cada agente, ao reduzir o seu esforço porque já recebe boas recomendações da IA, contribui menos para o stock de conhecimento geral. Esse stock diminui. Com menos conhecimento geral disponível, o retorno do esforço individual baixa ainda mais — porque os dois tipos de conhecimento são complementares. E assim se instala um ciclo vicioso que os autores designam por colapso do conhecimento.
O ponto sem retorno
Uma das conclusões mais perturbadoras do artigo é que este colapso pode ser irreversível. Quando a precisão da IA agêntica ultrapassa um determinado limiar, o sistema pode “tombar” para um estado estacionário em que o conhecimento geral desaparece por completo — e de onde não consegue sair. Os autores chamam-lhe o knowledge-collapse steady state.
Mais: existe uma descontinuidade nessa transição. O conhecimento geral pode baixar gradualmente durante algum tempo e depois cair abruptamente para zero quando a precisão da IA cruza o limiar crítico. Não é uma degradação suave — é um colapso.
E isto acontece mesmo quando cada pessoa está, do seu ponto de vista individual, a tomar decisões perfeitamente racionais. A tragédia é coletiva, não individual.
Já estamos a ver os primeiros sinais?
Os autores não se limitam à teoria. Na introdução, reúnem evidência empírica que aponta exatamente na direção que o modelo prevê.
O Stack Overflow — durante anos a maior plataforma de partilha de conhecimento entre programadores — registou uma queda significativa na atividade e no envolvimento humano desde a disseminação do ChatGPT. Menos perguntas respondidas por humanos, menos conhecimento novo gerado por programadores experientes a debaterem problemas difíceis. A Wikipédia mostra padrões semelhantes: menos leitura e menos criação de artigos nas áreas em que a IA generativa é um substituto eficaz.
A nível cognitivo, estudos recentes indicam que o uso de assistentes de IA para escrita reduz a capacidade dos utilizadores de memorizar e reproduzir os seus próprios argumentos — e que este efeito se manifesta ao nível da conectividade neural. A criatividade individual parece diminuir, especialmente entre os mais jovens. E os textos produzidos com assistência de IA tornam-se mais semelhantes entre si, erodindo a diversidade de perspetivas que alimenta a inovação.
O que pode ser feito?
O artigo não é apenas um diagnóstico pessimista. Propõe também caminhos. Dois deles merecem destaque.
O primeiro é aumentar a capacidade de agregação do conhecimento geral. No modelo, isto corresponde a tornar mais eficazes os mecanismos pelos quais o conhecimento gerado por uns é partilhado e utilizado por outros. Plataformas colaborativas, comunidades de prática, formação entre pares, redes profissionais que incentivem a documentação e a partilha — tudo isto funciona como um contrapeso ao efeito erosivo da IA. E ao contrário do aumento da precisão da IA, que tem efeitos ambíguos, o aumento da capacidade de agregação melhora o bem-estar de forma inequívoca.
O segundo é mais surpreendente: regulação por design de informação. Os autores demonstram que pode ser óptimo limitar deliberadamente a precisão das recomendações da IA — uma espécie de “ruído controlado” — para preservar os incentivos à aprendizagem humana. Propõem uma política ótima em duas fases: primeiro, uma moratória temporária (supressão total das recomendações agênticas) para reconstruir o stock de conhecimento geral; depois, um teto permanente de precisão, calibrado para maximizar o bem-estar de longo prazo.
A ideia de que menos IA pode significar mais bem-estar contraria a narrativa dominante, mas é a consequência lógica do modelo.
E os dados sintéticos?
Uma objeção natural é: “Mas a IA não pode gerar o seu próprio conhecimento?” Os autores analisam também esta possibilidade. Quando a IA pode produzir dados sintéticos — conhecimento gerado sem intervenção humana —, o colapso total é evitado: o estado estacionário de colapso passa a ter algum conhecimento residual, em vez de zero. Mas o mecanismo fundamental persiste. Desde que os dados sintéticos não sejam um substituto perfeito do conhecimento gerado por humanos (e há boas razões para acreditar que não são, especialmente em domínios onde a verificação é difícil), o esforço humano continua a ser insubstituível — e continua a ser desincentivado pela IA.
O que isto significa, na prática
Este artigo não diz que a IA é má. Diz algo mais subtil e mais importante: que a IA pode ser individualmente benéfica e coletivamente destrutiva. Que a mesma ferramenta que melhora as minhas decisões hoje pode estar a minar as condições para que a sociedade tome boas decisões amanhã.
Para quem trabalha em educação, em formação, em bibliotecas, em qualquer área ligada à produção e disseminação de conhecimento, a mensagem é clara: o esforço humano de aprender não é um custo a eliminar — é uma infraestrutura a proteger. E as instituições que promovem esse esforço — escolas, universidades, comunidades de prática, plataformas de partilha — não são relíquias de um mundo pré-IA. São, possivelmente, a nossa melhor defesa contra o colapso do conhecimento que este artigo descreve.
A questão já não é se devemos usar IA. É como a usamos sem deixar de pensar.
Fonte
Acemoglu, D., Kong, D., & Ozdaglar, A. (2026). AI, human cognition and knowledge collapse (NBER Working Paper No. 34910). National Bureau of Economic Research. http://www.nber.org/papers/w34910
