Influência da eficiência da solução e da valência da instrução em estratégias aditivas e subtrativas em humanos, GPT-4 e GPT-4o

Por que fazer menos é surpreendentemente difícil

Quando tentamos consertar coisas no dia a dia—reescrever um e-mail, reorganizar um cômodo, redesenhar uma política—costumamos pensar no que adicionar, não no que remover. Essa tendência silenciosa de empilhar em vez de reduzir pode entupir nossas vidas com bagunça, software inchado e regras excessivamente complicadas. O artigo examina quão forte é realmente esse hábito do “mais é melhor” e se inteligências artificiais recentes, como GPT-4 e GPT-4o, compartilham, atenuam ou até intensificam esse viés humano.

Como adicionar vence a subtrair em nossas mentes

Psicólogos mostraram que as pessoas frequentemente deixam de lado soluções que envolvem tirar coisas, mesmo quando a subtração seria mais simples ou eficaz. Adicionar parece natural e é reforçado pela cultura e pela linguagem: palavras como “mais” e “maior” estão ligadas à melhoria e ao sucesso, enquanto “menos” pode soar como perda ou fracasso. Esse viés aparece em muitos domínios, desde a saúde, que favorece tratamentos adicionais em vez de interromper hábitos prejudiciais, até políticas ambientais que enfatizam reciclagem em vez de simplesmente produzir menos resíduos. A pesquisa atual pergunta se essa inclinação humana para a adição também surge em poderosos modelos de linguagem treinados em enormes coleções de texto.

Testando pessoas e IA em quebra-cabeças simples

Os pesquisadores realizaram dois grandes estudos que compararam participantes humanos com GPT-4 e depois com seu sucessor GPT-4o. Tanto humanos quanto IA enfrentaram dois tipos de problemas. Em uma tarefa espacial de “simetria”, tinham que tornar um padrão em uma pequena grade perfeitamente simétrico alternando caixas ligadas ou desligadas, o que podia ser feito preenchendo caixas extras (adição) ou limpando as já existentes (subtração). Em uma tarefa linguística de “resumo”, receberam um artigo de notícias e um resumo existente e foram solicitados a alterá-lo sob restrições de contagem de palavras, novamente permitindo tanto adicionar quanto cortar palavras. A equipe também manipulou dois fatores-chave: se adicionar e subtrair eram igualmente eficientes ou se a subtração exigia claramente menos passos, e se as instruções eram formuladas de maneira neutra (“mudar”) ou com uma conotação positiva (“melhorar”).

O que as pessoas fizeram versus o que as máquinas fizeram

Ao longo de ambos os estudos, emergiu um padrão claro: humanos e modelos de linguagem preferiram soluções aditivas, mas os modelos o fizeram com muito mais intensidade. As pessoas mostraram uma atração robusta por adicionar caixas ou palavras, contudo ainda prestavam atenção à eficiência. Quando a subtração era o caminho mais rápido, mostraram-se visivelmente mais dispostas a remover elementos. Em contraste, o GPT-4 muitas vezes se comportou de modo oposto—produzindo respostas ainda mais aditivas exatamente quando a subtração teria sido mais eficiente. O GPT-4o reduziu esse descompasso em certa medida na tarefa de resumo baseada em texto, onde suas escolhas se aproximaram mais do comportamento humano, mas na tarefa de grade ele ainda ignorou em grande parte a eficiência. Em muitas condições, especialmente para o GPT-4o, as respostas aditivas atingiram níveis quase máximos.

Como a formulação positiva influencia escolhas

O tom emocional das instruções também importou, mas de maneiras específicas. Na tarefa espacial da grade, trocar o verbo de neutro (“mudar”) para positivo (“melhorar”) não alterou de forma confiável as estratégias, nem para humanos nem para modelos. Na tarefa de resumo, entretanto, a história foi diferente. Quando as instruções usaram repetidamente uma formulação positiva, ambos os modelos GPT e, no segundo estudo, os participantes humanos produziram mais respostas aditivas. Isso está em consonância com estatísticas linguísticas mais amplas mostrando que palavras relacionadas a melhoria são mais frequentemente associadas à ideia de adicionar do que de remover. Sugere que enquadramentos emocionais sutis em prompts podem empurrar tanto pessoas quanto IAs para o “mais” mesmo quando o “menos” seria suficiente.

Por que essas descobertas importam para decisões cotidianas

Para um leitor leigo, a mensagem-chave é que nossos cérebros, e as IAs que construímos, compartilham uma forte preferência por soluções que adicionam em vez de subtrair—e os modelos de linguagem atuais frequentemente amplificam essa tendência. Os humanos ainda mostram alguma flexibilidade, ajustando-se quando a subtração é claramente mais eficiente, mas os modelos seguem em grande parte padrões incorporados na linguagem com a qual foram treinados. À medida que esses sistemas ajudam cada vez mais a redigir políticas, projetar sistemas ou sugerir melhorias do dia a dia, eles podem nos direcionar silenciosamente para respostas mais complexas e mais carregadas. Reconhecer esse “viés de adição” compartilhado é um primeiro passo para projetar ferramentas e hábitos que nos lembrem de perguntar não apenas “O que podemos adicionar?” mas também “O que podemos remover?”

Citação: Uhler, L., Jordan, V., Buder, J. et al. Influence of solution efficiency and valence of instruction on additive and subtractive solution strategies in humans, GPT-4, and GPT-4o. Commun Psychol 4, 41 (2026). https://doi.org/10.1038/s44271-026-00403-0

Palavras-chave: viés de adição, raciocínio subtrativo, modelos de linguagem de grande porte, comparação humano–IA, tomada de decisão