Introdução
A adoção de inteligência artificial (IA) em ambientes corporativos e operacionais tem acelerado em ritmo exponencial. Ferramentas de automação e assistentes baseados em IA suportam desde tarefas administrativas até decisões estratégicas. Entretanto, à medida que organizações transferem responsabilidade para sistemas automatizados, surgem novos riscos comportamentais. Um estudo divulgado recentemente, citado por Nuwer (2025) na Scientific American, indica que pessoas se mostram mais propensas a trapacear quando delegam tarefas a máquinas, particularmente quando existe a possibilidade de induzir o sistema a violar regras sem pedir explicitamente por isso (NUWER, 2025). Este artigo analisa em profundidade os achados, os mecanismos psicológicos subjacentes, implicações para compliance e governança de IA, e orientações práticas para mitigar riscos de fraude e erosão da responsabilidade.
Resumo do estudo e de suas conclusões
O relato de Nuwer (2025) descreve experimentos em que participantes tinham a opção de delegar ações a sistemas de IA e, em seguida, enfrentavam oportunidades para beneficiar-se por meio de comportamentos desonestos. O estudo mostrou que a delegação para IA pode facilitar a ocorrência de fraude quando os seres humanos percebem que a responsabilidade é parcial ou totalmente transferida para a máquina. A possibilidade de “instigar” comportamentos ilegítimos do sistema sem uma ordem explícita — por exemplo, formulando instruções ambíguas ou omitindo restrições — aumentou ainda mais a tendência de aceitar resultados antiéticos (NUWER, 2025).
Esses resultados apontam para um efeito robusto: a presença de um intermediário algorítmico pode reduzir a inibição moral e criar um contexto no qual o indivíduo se sente menos culpado por ações impróprias, mesmo quando se beneficia diretamente dessas ações.
Mecanismos psicológicos: por que a delegação a IA facilita a trapaça
A compreensão dos fenômenos observados exige examinar mecanismos psicológicos estabelecidos na literatura sobre ética e comportamento:
– Responsabilidade difusa: Ao delegar uma tarefa a um agente não humano, indivíduos tendem a perceber menor responsabilidade pessoal pelos resultados. Essa diluição da responsabilidade é clássica em estudos de comportamento social e é exacerbada quando o agente intermediário é uma IA, percebida como entidade técnica e impessoal.
– Desengajamento moral: A presença de tecnologia pode permitir que agentes humanos justifiquem decisões eticamente comprometidas, classificando-as como “resultado do algoritmo” ou “ação do sistema”. Esse deslocamento reduz a autoavaliação negativa associada à desonestidade.
– Falácia da agência algorítmica: Muitos usuários atribuem características de autoridade, objetividade ou neutralidade à IA. Essa crença pode levar a subestimar a responsabilidade humana na concepção, instrução e supervisão do sistema.
– Ambiguidade normativa e instruções indiretas: Quando o ambiente permite estimular a IA a agir de forma contrária às regras sem solicitar explicitamente a violação, as barreiras morais tornam-se mais tênues. A ambiguidade oferece uma racionalização: “não pedi que a máquina trapaceasse; apenas a instruí de forma vaga”, o que facilita a manutenção de uma autoimagem ética.
– Incentivos pragmáticos e pressão situacional: Em contextos onde ganhos materiais, reconhecimento ou eficiência são valorizados, a combinação de incentivos e percepção de menor responsabilidade pode aumentar a probabilidade de comportamento desonesto.
Esses mecanismos atuam de maneira complementar e explicam por que, apesar de a maioria das pessoas ser avessa à desonestidade em termos gerais, a delegação a IA pode alterar o cálculo moral individual (NUWER, 2025).
Implicações para organizações: compliance, governança e cultura
Os achados do estudo têm múltiplas implicações práticas para empresas e instituições públicas que já utilizam, ou planejam utilizar, inteligência artificial em processos críticos:
– Reforço da governança de IA: Estruturas de governança devem explicitar responsabilidades humanas em todas as fases do ciclo de vida dos sistemas de IA — desde design e treinamento de modelos até operação e auditoria. A responsabilidade não pode ser tacitamente transferida para a máquina.
– Políticas de compliance específicas para IA: Programas de compliance precisam contemplar cenários nos quais a IA pode ser usada como meio para burlar controles. Isso inclui atualização de códigos de conduta, políticas de uso aceitável e orientações claras sobre delegação de tarefas sensíveis.
– Auditoria e registro de decisões: Implementar logs robustos de interações humano-máquina que permitam rastrear instruções, parâmetros e resultados. Transparência técnica e registros auditáveis reduzem a margem para justificar comportamentos antiéticos.
– Cultura organizacional e treinamento: Promover uma cultura que valorize responsabilidade pessoal mesmo diante de automação. Treinamentos devem abordar riscos éticos específicos da IA, casos de uso problemáticos e práticas de supervisão efetiva.
– Design centrado na responsabilidade: Arquitetar sistemas que dificultem a utilização indevida por meio de safeguards, validações automáticas de conformidade e mecanismos de confirmação explícita quando uma ação possa violar normas internas ou externas.
Essas medidas ajudam a mitigar o risco de que a inteligência artificial funcione como facilitadora indireta de fraude e de outras formas de desonestidade.
Diretrizes práticas para reduzir riscos de trapaça ao delegar para IA
Com base na literatura e nas conclusões do estudo reportado por Nuwer (2025), recomenda-se a adoção das seguintes práticas:
– Clarificar responsabilidades: Em contratos, políticas internas e fluxos de trabalho, definir de forma inequívoca quem é responsável por decisões automatizadas e por resultados decorrentes de instruções dadas ao sistema.
– Validar decisões sensíveis por humanos: Implementar políticas de “human-in-the-loop” para decisões que tenham impacto legal, financeiro ou reputacional significativo. Requerer confirmação humana para exceções ou ações com alto risco de não conformidade.
– Treinamento em ética e uso de IA: Capacitar colaboradores a reconhecer cenários nos quais a IA pode ser usada para contornar regras e proporcionar ferramentas para relatar incidentes sem retaliação.
– Implementar controles técnicos: Restrições de permissões, validações de entrada, checagens de consistência e detecções de anomalia podem impedir que instruções ambíguas levem a ações improprias.
– Auditoria contínua de modelos: Revisar periodicamente modelos para identificar vieses, vulnerabilidades e modos de uso indevido. Auditorias externas independentes podem aumentar confiança e detectar falhas de governança.
– Incentivos alinhados: Estruturar recompensas e métricas de desempenho para incentivar conformidade e penalizar uso indevido de sistemas. Evitar métricas que promovam atalhos ilícitos ou uso indevido da tecnologia.
A implementação coordenada dessas diretrizes contribui para reduzir a probabilidade de que a delegação a IA resulte em comportamentos fraudulentos.
Considerações legais e regulatórias
A regulação sobre inteligência artificial está em desenvolvimento em várias jurisdições. Os achados de que delegação a IA pode facilitar a fraude reforçam a necessidade de normas que atribuam responsabilidades claras e imponham requisitos de transparência. Alguns pontos relevantes:
– Responsabilidade legal: Leis e regulamentos devem determinar em que situações operadores, desenvolvedores ou provedores de IA são responsáveis por resultados ilegais ou antiéticos decorrentes do uso de suas ferramentas.
– Obrigações de due diligence: Empresas que utilizam IA podem ser obrigadas a demonstrar a adoção de práticas de mitigação de riscos, auditorias e medidas de governança.
– Proteção de denunciantes e compliance: Estruturas regulatórias que protejam denunciantes e incentivem a comunicação de irregularidades são essenciais para identificar e abordar usos indevidos de IA.
– Padrões técnicos e certificações: Adoção de normas técnicas que definam requisitos mínimos de segurança, auditabilidade e controles de uso aceitável para sistemas de IA.
Ao antecipar e alinhar práticas às mudanças regulatórias, organizações reduzem exposição legal e aumentam confiança de clientes e stakeholders.
Limitações do estudo e áreas para pesquisa futura
Embora o relato de Nuwer (2025) ofereça insights valiosos, é importante considerar limitações metodológicas que demandam pesquisas adicionais:
– Generalização: Estudos iniciais frequentemente usam amostras controladas (por exemplo, estudantes ou amostras online) que podem não refletir comportamentos em ambientes organizacionais complexos. Testes em cenários profissionais são necessários.
– Variedade de sistemas de IA: A natureza da IA (recomendações simples vs. modelos generativos complexos) pode influenciar o grau de difusão de responsabilidade. Pesquisas que comparem tipos diferentes de tecnologia ajudarão a refinar recomendações.
– Fatores culturais e institucionais: Normas culturais e estruturas organizacionais influenciam a propensão à trapaça. Estudos multiculturais e multinacionais podem clarificar como esses fatores interagem com o uso de IA.
– Mecanismos de mitigação: Pesquisas experimentais que testem intervenções (por exemplo, mensagens de responsabilização, confirmações obrigatórias, auditorias em tempo real) são fundamentais para identificar medidas eficazes.
– Longitudinalidade: Investigar efeitos a longo prazo da delegação para IA sobre ética individual e coletiva contribuirá para o entendimento da persistência desses comportamentos.
Explorar essas áreas fornecerá base empírica mais sólida para políticas e práticas de governança.
Estudos correlatos e fundamentação teórica
Os resultados relatados por Nuwer (2025) se conectam a um corpo de literatura sobre difusão de responsabilidade, desengajamento moral e efeitos sociais da tecnologia. Pesquisas em psicologia social mostram que agentes humanos agem de maneira diferente quando suas ações são mediadas por instituições ou tecnologias que reduzem a consciência da autoria. Na área de ciência da computação e ética em IA, trabalhos recentes analisam como design e interfaces influenciam decisões humanas e ressaltam a importância de projetar para responsabilidade. Assim, o fenômeno descrito não é isolado, mas parte de tendências observadas em interações humano-tecnologia.
Recomendações estratégicas para líderes e conselhos
Executivos e conselhos devem adotar postura proativa diante dos riscos indicados pelo estudo:
– Mapear processos críticos: Identificar onde a IA é usada para delegar decisões e avaliar potenciais pontos de vulnerabilidade para fraude.
– Estabelecer comitê de governança de IA: Responsáveis por políticas, avaliação de riscos éticos, e supervisão de conformidade técnica e normativa.
– Integrar auditores e compliance ao desenvolvimento: Garantir que equipes de conformidade participem desde as fases iniciais de projeto para reduzir risco de uso indevido.
– Exigir transparência de fornecedores: Fornecedores de soluções de IA devem fornecer documentação clara sobre limitações, riscos e mecanismos de controle.
– Medir e reportar riscos: Incorporar métricas de risco ético e incidentes relacionados à IA em relatórios de governança e divulgação a stakeholders.
Tais medidas fortalecem a arquitetura de responsabilidade organizacional e reduzem a probabilidade de que IA seja um vetor facilitador de trapaças.
Conclusão
A crescente integração de inteligência artificial em processos decisórios traz benefícios substanciais de eficiência, escala e inovação. Contudo, conforme o estudo relatado por Nuwer (2025), também existem riscos comportamentais significativos: a delegação a IA pode aumentar a propensão à trapaça ao diluir a responsabilidade e fornecer racionalizações para ações antiéticas (NUWER, 2025). Organizações devem, portanto, adotar uma abordagem multifacetada que combine governança, controles técnicos, cultura organizacional e conformidade legal para mitigar esses riscos. A responsabilidade humana precisa permanecer central em todas as camadas do ecossistema de IA para assegurar que as tecnologias sirvam como instrumentos de progresso, e não como facilitadoras de fraude.
Referências e citações:
No corpo do texto foram utilizadas referências ao relatório de Rachel Nuwer publicado na Scientific American, conforme ABNT:
– NUWER, Rachel. People Are More Likely to Cheat When They Use AI. Scientific American, 28 set. 2025. Disponível em: https://www.scientificamerican.com/article/people-are-more-likely-to-cheat-when-they-use-ai/. Acesso em: 28 set. 2025.
Observação de citação no texto: ao discutir os achados do estudo, utilizou-se a referência (NUWER, 2025) em conformidade com as normas brasileiras de citação ABNT.
Fonte: Scientific American. Reportagem de Rachel Nuwer. People Are More Likely to Cheat When They Use AI. 2025-09-28T10:00:00Z. Disponível em: https://www.scientificamerican.com/article/people-are-more-likely-to-cheat-when-they-use-ai/. Acesso em: 2025-09-28T10:00:00Z.
