Uma tecnologia pode tornar nossas decisões melhores hoje e, ao mesmo tempo, tornar nossa sociedade menos capaz de tomar boas decisões amanhã.
Parece contraditório.
Mas é exatamente essa possibilidade que Daron Acemoglu, Dingwen Kong e Asuman Ozdaglar exploram em um working paper do NBER publicado em 2026.
O título é provocativo: “AI, Human Cognition and Knowledge Collapse”.
O argumento não é que a inteligência artificial necessariamente produzirá um colapso do conhecimento. É mais interessante do que isso.
Os autores mostram, em um modelo teórico, que sistemas de IA capazes de oferecer recomendações personalizadas podem reduzir o incentivo das pessoas para adquirir conhecimento por conta própria. Se esse processo for suficientemente intenso, a sociedade pode entrar em uma dinâmica na qual as decisões individuais continuam parecendo boas enquanto o estoque coletivo de conhecimento se deteriora.
É uma espécie de paradoxo do progresso.
Saber menos pode parecer racional
Imagine um médico jovem que precisa tomar uma decisão difícil.
No passado, ele precisava estudar profundamente para desenvolver repertório suficiente para reconhecer padrões, formular hipóteses e decidir entre alternativas.
Agora ele pode consultar um sistema de IA extremamente competente.
A decisão individual pode melhorar.
Isso é ótimo.
Mas existe uma segunda consequência.
Se o sistema fizer isso repetidamente, o médico pode ter menos incentivo para desenvolver determinadas capacidades cognitivas.
No curto prazo:
IA → melhor recomendação → melhor decisão.
No longo prazo, pode surgir:
IA → menor esforço de aprendizagem → menor acumulação de conhecimento → menor capacidade humana independente.
O resultado final não é necessariamente melhor ou pior.
Depende da dinâmica.
Conhecimento individual e conhecimento coletivo
O modelo de Acemoglu, Kong e Ozdaglar parte de uma ideia econômica particularmente interessante.
As pessoas precisam combinar dois tipos de conhecimento.
O primeiro é o conhecimento específico do contexto.
É aquilo que uma pessoa sabe sobre sua situação particular.
O segundo é o conhecimento geral compartilhado pela sociedade.
Uma sociedade funciona porque essas duas coisas se complementam.
Um engenheiro conhece as características específicas do projeto em que trabalha, mas também depende de um estoque coletivo de conhecimento sobre engenharia.
Um médico conhece seu paciente, mas depende do conhecimento acumulado pela medicina.
Um economista conhece determinado mercado, mas utiliza conceitos e evidências construídos por milhares de pesquisadores.
O conhecimento individual não existe isoladamente.
Existe uma externalidade no aprendizado
Aqui aparece um conceito econômico clássico.
Quando uma pessoa aprende, ela não necessariamente gera valor apenas para si.
Ela também pode contribuir para o estoque de conhecimento disponível para outras pessoas.
Isso é uma externalidade positiva.
Um pesquisador que descobre um novo método estatístico não beneficia apenas sua própria carreira.
Outros pesquisadores podem utilizar aquele método.
Um funcionário que aprende a resolver determinado problema pode ensinar sua equipe.
Um professor que desenvolve uma explicação melhor pode influenciar centenas de alunos.
Existe, portanto, um mecanismo coletivo de acumulação.
O problema é que a IA pode alterar os incentivos individuais que alimentam esse processo.
A IA pode substituir justamente o esforço que produz conhecimento
Imagine que uma tarefa exija 100 unidades de esforço humano.
Esse esforço produz duas coisas.
Primeiro, uma solução para o problema imediato.
Segundo, uma pequena quantidade de conhecimento novo que a pessoa incorpora e que pode ser compartilhado posteriormente.
Se uma IA resolve o problema diretamente, o primeiro benefício permanece.
O segundo pode desaparecer.
Essa diferença é crucial.
A tecnologia pode ser excelente em substituir esforço e, justamente por isso, reduzir a quantidade de aprendizado produzido pela sociedade.
É um problema parecido com aquilo que os economistas chamam de externalidade de conhecimento.
A decisão racional do indivíduo pode não coincidir com o que maximiza o conhecimento coletivo.
O paradoxo fica mais forte quando a IA é muito boa
Esse é um dos aspectos mais interessantes do modelo.
Uma IA ruim não cria um problema muito grande.
Se suas recomendações são ruins, as pessoas continuam precisando aprender.
Mas, à medida que a IA melhora, o incentivo para aprender pode diminuir.
Existe então um ponto crítico.
Se a recomendação automática se torna suficientemente precisa e o esforço humano é suficientemente substituível, a economia pode caminhar para um estado em que as pessoas dependem cada vez mais da máquina enquanto produzem cada vez menos conhecimento independente.
O sistema pode continuar funcionando por algum tempo.
Até porque a IA ainda está utilizando o estoque de conhecimento acumulado no passado.
Mas esse estoque não é infinito.
É por isso que o problema não é simplesmente “IA boa” ou “IA ruim”
Essa conclusão é mais sofisticada do que boa parte do debate público sobre inteligência artificial.
Normalmente discutimos:
“Quanto mais inteligente a IA, melhor?”
O modelo sugere que a resposta pode ser não necessariamente.
Se a IA melhorar a capacidade das pessoas sem destruir os incentivos para aprender, o resultado pode ser extremamente positivo.
Mas se ela substituir justamente os processos que produzem conhecimento novo, existe uma tensão.
A qualidade da recomendação de hoje pode aumentar.
A capacidade coletiva de produzir conhecimento amanhã pode cair.
Os autores encontram, inclusive, uma relação não monotônica entre precisão da IA e bem-estar.
Ou seja, mais precisão não significa automaticamente mais bem-estar em todos os cenários.
A solução pode estar no desenho das instituições
Isso leva a uma conclusão importante para empresas, universidades e governos.
O objetivo não deveria ser simplesmente maximizar o uso de IA.
Deveria ser maximizar o valor da combinação entre IA + capacidade humana.
Uma empresa que utiliza IA para responder automaticamente a todas as perguntas dos funcionários pode ganhar eficiência no curto prazo.
Mas talvez esteja destruindo a aprendizagem organizacional.
Uma universidade que permite que uma IA produza respostas completas pode economizar tempo.
Mas talvez esteja reduzindo o processo cognitivo que deveria formar o estudante.
Uma organização pública que automatiza completamente decisões administrativas pode reduzir custos.
Mas pode também perder conhecimento institucional acumulado pelos servidores.
A pergunta correta passa a ser:
Quais tarefas devemos automatizar e quais devemos preservar justamente porque executá-las nos ensina alguma coisa?
Essa talvez seja uma das perguntas econômicas mais importantes da era da IA.
O verdadeiro ativo pode ser aquilo que a máquina não deveria substituir
Existe uma diferença entre fazer uma tarefa e aprender a fazer uma tarefa.
A primeira pode ser automatizada.
A segunda tem valor de longo prazo.
Essa distinção é particularmente importante para profissionais em início de carreira.
Se um jovem economista entrega todas as análises para uma IA, pode produzir relatórios melhores hoje.
Mas isso não significa que estará se tornando um economista melhor.
Se, ao contrário, utiliza a IA para testar hipóteses, comparar métodos, encontrar inconsistências e acelerar tarefas mecânicas, pode aprender mais rapidamente.
A diferença está no desenho do processo.
A tecnologia não determina sozinha o resultado.
Os incentivos determinam parte dele.
O futuro do trabalho pode depender dessa distinção
A questão mais profunda não é se a IA substituirá trabalhadores.
É o que acontecerá com as capacidades humanas que deixam de ser exercitadas porque foram substituídas.
Algumas habilidades podem realmente se tornar menos necessárias.
Outras podem se tornar ainda mais valiosas.
E algumas podem desaparecer silenciosamente porque ninguém percebe que eram importantes até que deixem de ser praticadas.
Esse é o risco que o conceito de “knowledge collapse” ajuda a enxergar.
Uma sociedade pode se tornar extraordinariamente boa em obter respostas e, simultaneamente, perder parte da capacidade de formular perguntas.
Essa seria uma das formas mais sutis de fracasso tecnológico.
Fontes: Acemoglu, Kong e Ozdaglar, NBER Working Paper 34910, AI, Human Cognition and Knowledge Collapse.
Acemoglu, Autor e Johnson, NBER Working Paper 34854, Building Pro-Worker Artificial Intelligence.