O Custo Invisível da Inteligência Artificial: A Dívida Cognitiva que Está Se Acumulando

Delegar carga cognitiva para ferramentas externas não é fraqueza nem novidade. É um dos mecanismos centrais pelo qual a civilização avança. A escrita liberou a memória de manter registros para que o cérebro pudesse raciocinar sobre eles. A calculadora liberou a atenção da aritmética para que o engenheiro pudesse modelar o problema de verdade. O GPS liberou a memória de rotas sem comprometer a capacidade de navegação em nenhum sentido relevante. Os pesquisadores Evan Risko e Sam Gilbert formalizaram isso em 2016 sob o nome de cognitive offloading: o uso de recursos externos para reduzir a demanda cognitiva interna.

O que esses casos têm em comum é uma divisão de trabalho clara. A ferramenta resolve uma parte do problema, geralmente a parte mecânica, repetitiva, que não gera insight. O humano formula, interpreta, decide. O offloading clássico externaliza execução.

Os LLMs são uma categoria diferente

Os grandes modelos de linguagem não se encaixam nessa divisão, porque apagam a fronteira entre execução e raciocínio.

Uma calculadora resolve um subproblema específico dentro de um processo maior. Um LLM pode assumir o processo inteiro: formular a pergunta, analisar o contexto, sintetizar informação, avaliar argumentos, produzir o texto final. Não existe subproblema cognitivo estruturado que ele não consiga absorver. Em 2024, um estudo da Université de Montréal com mais de 100 mil participantes mostrou que modelos como o GPT-4 superam a performance média humana em criatividade divergente, o tipo de tarefa que antes se considerava a mais resistente à automação.

Isso coloca uma questão incômoda: se a ferramenta faz tudo isso, e faz com resultado comparável ou superior, qual é a razão concreta para o humano ainda exercer o esforço cognitivo? A resposta óbvia é "nenhuma", e é exatamente esse raciocínio que começa a se tornar perigoso.

O que os dados medem

Em 2025, pesquisadores do MIT Media Lab publicaram um estudo que tornou esse problema mensurável. Cinquenta e quatro estudantes foram divididos em três grupos para escrever ensaios ao longo de quatro meses. Um grupo usou o ChatGPT, outro usou mecanismos de busca, o terceiro escreveu sem nenhuma ferramenta. Durante o processo, os cérebros dos participantes foram monitorados com eletroencefalografia.

O grupo que usou o ChatGPT apresentou a menor conectividade neural entre os três. Esse dado, por si só, poderia ser descartado como correlação irrelevante. O que não descarta com facilidade é o seguinte: 83% dos participantes desse grupo não conseguiram recordar pontos-chave dos próprios ensaios que acabavam de "escrever". Não estamos falando de memória de longo prazo. Estamos falando de incapacidade de recuperar o conteúdo de um trabalho produzido na mesma sessão.

O resultado mais revelador veio depois: quando o acesso à IA foi removido, a atividade cerebral não se recuperou de imediato. O déficit havia se instalado. Os pesquisadores nomearam esse fenômeno de dívida cognitiva. Dívida pressupõe passivo acumulado, juros diferidos, e um vencimento que chega independentemente de quando o credor é lembrado. O extrato mostrava produtividade. O passivo crescia fora do frame.

A mecânica do passivo

Conexões sinápticas se fortalecem com uso e enfraquecem com negligência, como processo fisiológico mensurável. É o mesmo mecanismo pelo qual aprendemos uma língua, desenvolvemos uma habilidade técnica ou perdemos proficiência depois de anos sem praticar. Cada capacidade não exercida amortiza silenciosamente.

O que muda com os LLMs é a invisibilidade desse amortecimento. Quando uma habilidade motora enfraquece por desuso, o declínio é observável: você percebe que está com dificuldade. Quando circuitos associados ao raciocínio crítico, à formulação de problemas ou à avaliação de argumentos enfraquecem, o sinal de alerta não dispara da mesma forma, porque o output imediato continua parecendo bom.

Há uma tensão estrutural no centro disso.

A qualidade do uso de um LLM depende, em grande parte, da capacidade cognitiva de quem o usa. Saber quando perguntar, como formular a pergunta, como avaliar se a resposta faz sentido, quando descartá-la, essas são competências que a IA não possui e não pode desenvolver no usuário. O modelo produz o resultado, mas não treina o processo.

O uso passivo corrói exatamente essas competências. Os circuitos responsáveis por formular, avaliar e decidir precisam de uso para se manter funcionais, e o uso passivo os mantém ociosos de forma sistemática. O passivo cresce a cada transação em que o raciocínio foi delegado sem ter sido exercido antes.

O ciclo que isso produz é claro: dependência passiva deteriora a capacidade de julgamento; menor capacidade de julgamento reduz a habilidade de usar a IA de forma crítica e seletiva; essa redução aumenta a dependência passiva. É uma consequência direta dos mecanismos descritos pelo MIT.

E o que torna esse ciclo especialmente estável é que ele não tem resolução automática. A ferramenta não detecta o declínio e não oferece resistência. O modelo continua respondendo com a mesma fluência, independentemente de o usuário estar formulando com precisão ou transferindo um problema mal compreendido. O extrato continua limpo enquanto os juros vencem.

A distinção que importa

Esse argumento não é contra o uso de IA. O uso bem calibrado de ferramentas cognitivas expande capacidade, isso também está nos dados, inclusive no mesmo estudo do MIT, cujos grupos que usaram mecanismos de busca apresentaram conectividade neural e retenção substancialmente diferentes do grupo que usou IA generativa.

A distinção relevante não é usar ou não usar. É como usar.

Quem formula o problema antes de perguntar, quem passa algum tempo com o incômodo de não saber, tenta uma estrutura, identifica onde o raciocínio falha, e depois usa a IA para acelerar partes específicas, está executando um movimento que mantém a cognição ativa. A ferramenta opera dentro de um processo que o humano conduz; a dívida não se acumula porque o trabalho cognitivo foi feito antes de ser delegado.

Quem entrega o problema sem formulação prévia e aceita a resposta sem avaliação crítica está executando o movimento exato que o estudo documentou: o output existe, mas o processo que produziria capacidade acumulada foi pulado.

A diferença entre esses dois modos não está no resultado imediato, os dois produzem texto, resolvem problemas, concluem tarefas. Está no que permanece depois que a sessão fecha. Em um caso, a cognição foi exercitada. No outro, foi consumida sem reposição.

O que o extrato não mostra

O que vai diferenciar usuários de IA no médio prazo é a preservação do capital de julgamento sobre elas.

É a habilidade de perceber quando uma resposta coerente está errada, de formular uma pergunta que o modelo não pode formular sozinho, de reconhecer quando o problema real não é o problema que foi descrito. São competências que a IA não replica porque dependem de quem está do lado de fora do modelo, com contexto que o modelo não tem acesso, com a capacidade de reconhecer o que não faz sentido apesar de parecer bem escrito.

A dívida cognitiva não é inevitável. Mas ela é silenciosa, se acumula em cada delegação sem trabalho anterior, e não aparece no extrato até que o julgamento seja necessário e já não esteja disponível na mesma proporção. Nesse ponto, a ferramenta que parecia ampliar capacidade revela que estava, em paralelo, amortizando a base sobre a qual essa amplificação dependia. São dois movimentos simultâneos, um visível no output imediato, o outro registrado apenas quando o credor aparece.

Disclaimer: Foi utilizada IA para: correção ortográfica, revisão de gramática e sugestão de melhorias.

Modelo: Claude

Referências

HUBERT, K. F. et al. The Current State of Artificial Intelligence Generative Language Models Is More Creative Than Humans on Divergent Thinking Tasks. Scientific Reports, v. 14, n. 3440, 2024.

KOSMYNA, N. et al. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab, 2025. Preprint.

RISKO, E. F.; GILBERT, S. J. Cognitive Offloading. Trends in Cognitive Sciences, v. 20, n. 9, p. 676–688, 2016.