Inundação por Agentes de IA no Governo Está Transformando Melhor Acesso em uma Crise de Capacidade

Chris Schmitz documentou 84 casos potenciais de inundação por agentes de IA no governo, revelando um conflito oculto dentro do acesso facilitado aos serviços públicos. Ferramentas de IA estão ajudando pessoas a preparar reclamações, recursos, petições e pedidos de benefícios que antes exigiam horas de trabalho especializado. Agora, os órgãos públicos precisam processar essa demanda adicional, muitas vezes sem mais pessoal ou financiamento.

A tentação imediata é classificar o novo material como spam automatizado. Essa explicação se aplica a algumas submissões, sobretudo mensagens repetitivas ou documentos extensos com pouca informação relevante. No entanto, Schmitz argumenta que a maioria dos casos observados envolve pessoas buscando algo que têm o direito legítimo de solicitar.

Essa distinção muda o problema de política pública. Os governos não estão apenas defendendo seus sistemas contra bots. Estão descobrindo quanta demanda era reprimida por instruções confusas, linguagem jurídica pouco familiar, evidências fragmentadas e o custo psicológico de enfrentar a burocracia.

A tensão resultante vai além de um único estudo. Se um assistente de IA torna mais fácil apresentar uma reivindicação válida, um volume maior de pedidos representa melhor acesso. Porém, essa mesma melhoria pode sobrecarregar instituições cujos orçamentos dependiam discretamente de que pessoas elegíveis desistissem.

O Que a Inundação por Agentes de IA no Governo Realmente Mudou

A IA reduziu o custo de pedir que o governo aja, enquanto o custo de responder permanece praticamente inalterado.

Schmitz, Lewis Hammond e Alan Chan definem a inundação agêntica como um aumento, viabilizado por IA, no volume ou na complexidade de solicitações que pressiona um serviço público. Seu estudo de 84 casos abrange 11 jurisdições e vários tipos de administração pública.

Os casos incluem pedidos de benefícios, denúncias regulatórias, solicitações de acesso à informação, petições judiciais, objeções de planejamento urbano e petições parlamentares. Esses sistemas diferem juridicamente, mas muitos compartilham uma interface vulnerável: aceitam texto aberto enviado por membros do público.

A inundação atual normalmente não envolve um agente totalmente autônomo navegando por todos os portais governamentais. Em vez disso, uma pessoa fornece documentos ou informações de contexto a um modelo de linguagem de grande porte, que produz uma submissão estruturada. Em seguida, a pessoa revisa, copia ou protocola esse material.

Esse fluxo de trabalho relativamente simples pode eliminar diversas barreiras de uma só vez. O modelo pode resumir uma carta oficial, identificar uma possível via de recurso, organizar evidências e redigir uma linguagem semelhante à correspondência profissional. Uma foto tirada com um smartphone pode substituir horas dedicadas a decifrar instruções desconhecidas.

A pesquisa separa duas formas de pressão. A inundação quantitativa significa que um órgão recebe mais solicitações. A inundação qualitativa significa que cada solicitação se torna mais longa, detalhada ou complexa de avaliar.

Um órgão pode enfrentar qualquer uma dessas formas sem um aumento dramático no número de requerentes. Dez reclamações curtas podem se transformar em dez submissões extensas com dezenas de alegações. Cada alegação pode exigir classificação, verificação de evidências, consulta interna e uma resposta por escrito.

Os pesquisadores descrevem seu conjunto de dados como evidência de casos potenciais, e não como prova de que a IA causou todos os aumentos registrados. Essa ressalva é importante porque várias forças podem alterar a demanda por serviços públicos. Mudanças de política, condições econômicas, conscientização pública, falhas institucionais e novos canais de denúncia podem elevar o volume.

O momento continua sendo notável. Muitos dos serviços observados apresentavam padrões de submissão relativamente estáveis antes da chegada da IA generativa amplamente disponível. Sua carga de trabalho aumentou depois que as ferramentas de geração de texto se tornaram mais fáceis de usar.

Segundo as conclusões divulgadas, as reclamações ao Housing Ombudsman do Reino Unido subiram de cerca de 2.600 em 2022 para pouco mais de 7.000 em 2025. As reclamações enviadas ao Consumer Financial Protection Bureau dos Estados Unidos também aumentaram acentuadamente nesse período.

Esses números não conseguem isolar a IA como causa. Eles mostram por que os órgãos estão prestando atenção. Mesmo o envolvimento parcial da IA pode se tornar operacionalmente significativo quando cada submissão válida cria um dever legal ou processual de resposta.

A mudança mais marcante, portanto, não é um software autônomo atacando sites governamentais. É que pessoas comuns passaram a ter assistência barata para um trabalho que as instituições antes esperavam que realizassem sozinhas.

A IA Não Criou as Reivindicações Subjacentes

A inversão central é que muitas solicitações supostamente excessivas revelam demanda não atendida, e não demanda inventada.

Processos administrativos impõem custos de aprendizagem, conformidade e ordem psicológica. Um requerente precisa descobrir um programa, interpretar regras de elegibilidade, reunir documentos, cumprir prazos e comunicar-se no formato preferido da instituição.

Cada exigência adicional pode filtrar fraudes ou casos incompletos. Também pode desencorajar pessoas elegíveis que não têm tempo, confiança, conhecimento jurídico, fluência no idioma ou ajuda profissional.

Há muito tempo os órgãos públicos tratam a adesão incompleta como um problema de desenho de serviços. A pesquisa da OCDE sobre acesso afirma que regras complexas, lacunas de informação e processos de candidatura burocráticos impedem famílias elegíveis de receber apoio social.

Um assistente de IA altera essa equação ao absorver parte do esforço da candidatura. Ele não cria o direito legal. Torna mais fácil seguir o caminho para reivindicar esse direito.

Schmitz resumiu o ponto de forma direta: “A grande maioria dos casos que encontramos envolve pessoas que têm direito de reivindicar algo e o reivindicam.”

Essa afirmação não estabelece que toda submissão esteja correta. O direito ainda depende de evidências, critérios jurídicos e circunstâncias individuais. Mas ela questiona a suposição de que o aumento de volume reflita principalmente abuso.

Considere um inquilino que recebe uma resposta inadequada a uma reclamação sobre reparos. Antes da IA generativa, essa pessoa poderia precisar localizar a política aplicável, reconstruir meses de mensagens e explicar a falha de maneira coerente. O ônus pode ser especialmente severo durante uma doença, deslocamento ou estresse financeiro.

Com um assistente, o inquilino pode organizar a cronologia e produzir uma reclamação mais clara. Essa solicitação ainda exige investigação. Contudo, o órgão já não pode contar com o cansaço ou a confusão para mantê-la fora da fila.

O mesmo mecanismo se aplica a reclamações financeiras. O relatório sobre reclamações do CFPB documenta a escala e a composição das submissões de consumidores, embora não atribua seu crescimento exclusivamente à IA.

Um consumidor que contesta informações de crédito incorretas pode ter uma queixa válida, mas dificuldade para descrevê-la usando as categorias adequadas. A IA pode transformar registros e correspondências em uma narrativa mais estruturada. Também pode ajudar o consumidor a persistir após uma rejeição inicial.

Isso cria um problema de medição desconfortável. Uma fila maior pode indicar um serviço em deterioração, uma tentativa de manipulação, maior conscientização pública, menor carga administrativa ou todos os quatro fatores ao mesmo tempo.

Portanto, chamar todo aumento de inundação corre o risco de inserir um julgamento de política pública em uma descrição de carga de trabalho. Da perspectiva do órgão, um pico representa uma ameaça à capacidade. Da perspectiva do requerente, o mesmo pico pode representar um acesso a um direito que se tornou finalmente viável.

A inundação por agentes de IA no governo é importante porque expõe essa diferença de perspectiva. Sistemas públicos frequentemente medem o sucesso pela velocidade de processamento e por cargas de casos administráveis. Os cidadãos se importam em saber se necessidades válidas recebem decisões justas.

Uma instituição pode preservar excelentes estatísticas de processamento tornando as candidaturas difíceis. Esse resultado parece eficiente internamente, enquanto produz exclusão externamente.

Agentes de IA tornam esse arranjo menos estável. Eles revelam uma demanda que a burocracia antes ocultava, levando autoridades a decidir se a fricção administrativa era uma salvaguarda ou um mecanismo informal de racionamento.

O Ganho de Acesso Se Transforma em uma Crise de Capacidade

Remover a fricção na entrada do serviço público pode deslocar o gargalo diretamente para investigadores, assistentes de caso e julgadores.

A maioria dos serviços públicos não foi dimensionada para que todas as pessoas elegíveis apresentassem uma reivindicação completa e persistente. Suas previsões de carga de trabalho refletem o comportamento histórico, incluindo desistências, prazos perdidos e candidaturas que nunca chegam a começar.

A assistência por IA pode invalidar essas previsões rapidamente. Mais pessoas podem protocolar pedidos, enquanto cada uma consegue apresentar material mais detalhado e avançar por mais etapas de revisão.

O Housing Ombudsman oferece um retrato concreto da pressão operacional. Seu plano de negócios para 2025 descreveu um volume de casos sem precedentes, um contato a cada 25 segundos e mais de 7.000 investigações concluídas durante o ano.

Uma investigação não pode ser ampliada como a geração de texto. A equipe precisa estabelecer a jurisdição, examinar evidências, contatar as partes relevantes, aplicar a política e documentar uma decisão defensável. Casos sensíveis também exigem discernimento que não pode ser reduzido com segurança à correspondência de padrões.

Essa assimetria impulsiona a crise. Um requerente pode gerar um longo recurso em minutos. A autoridade que o recebe pode passar horas determinando quais trechos importam e se cada alegação é sustentada.

Submissões mais longas também podem criar trabalho defensivo. Funcionários precisam procurar fatos relevantes em meio a argumentos repetidos, citações inventadas ou linguagem que soa juridicamente precisa sem identificar uma questão válida.

Esse problema se assemelha à pressão criada por relatórios de segurança de IA de baixa qualidade. Gerar um relatório de vulnerabilidade plausível é barato, mas decidir se o problema é real ainda consome a atenção de especialistas. Os órgãos públicos enfrentam uma restrição adicional, pois leis ou regras de serviço podem exigir que respondam.

Ainda assim, a analogia com segurança tem limites. Um relatório de bug fabricado oferece pouco benefício social. Uma reclamação de moradia ou um recurso de benefício assistido por IA pode partir de uma pessoa que o sistema foi criado para atender.

O adversário central, portanto, é o acesso mais amplo em confronto com uma capacidade administrativa fixa. Não se trata de cidadãos contra servidores públicos, nem de humanos contra máquinas.

Assistentes de caso podem acolher candidaturas mais claras e, ainda assim, ser sobrecarregados por seu número. Requerentes podem apresentar reivindicações legítimas enquanto contribuem involuntariamente para filas mais longas. Ambos os lados vivenciam um sistema concebido para um nível anterior de participação.

A inundação por agentes de IA no governo também redistribui conhecimento especializado. Antes da IA generativa, defensores profissionais e advogados ajudavam clientes a transformar problemas vividos em linguagem institucional. Agora, um modelo de uso geral pode aproximar parte desse trabalho de redação.

Essa aproximação é inconsistente. Os modelos podem esclarecer argumentos, mas também podem inventar regras ou incentivar usuários a exagerar pontos fracos. Os órgãos precisam distinguir assistência útil de erro confiante depois que a submissão chega.

Essa avaliação se torna mais difícil quando a linguagem gerada por IA faz reivindicações fracas e fortes parecerem igualmente bem redigidas. A qualidade da escrita já não oferece um sinal confiável de mérito jurídico ou esforço pessoal.

Os governos podem responder adicionando sua própria automação. Classificadores podem encaminhar casos, extrair questões, detectar duplicidades ou resumir documentos para revisores humanos. Essas ferramentas podem reduzir o trabalho administrativo, mas introduzem questões sobre precisão, viés, privacidade e direitos de recurso.

A triagem automatizada também cria uma disputa entre dois sistemas probabilísticos. Um modelo expande a reclamação de um cidadão em linguagem formal. Outro comprime essa linguagem em categorias usadas pelo órgão público.

Contextos importantes podem desaparecer entre essas etapas. O requerente talvez nunca saiba qual alegação o segundo sistema ignorou, enquanto o responsável pelo caso talvez nunca veja a ênfase original.

O fortalecimento de capacidade, portanto, deve incluir mais do que a compra de software. Os órgãos precisam de estruturas claras de envio, triagem auditável, revisão humana suficiente e procedimentos para corrigir erros de automação.

Sem esses investimentos, o acesso mais rápido apenas desloca o tempo de espera para mais dentro da instituição. O formulário se torna mais fácil, mas a decisão demora mais.

Mais Burocracia Não Significa Mais Verdade

A IA pode revelar reivindicações válidas e, ainda assim, degradar o ambiente de informação usado para decidi-las.

O argumento mais forte a favor da assistência por IA baseia-se no acesso legítimo. O argumento cético mais forte diz respeito à confiabilidade, à duplicação e ao uso estratégico.

Modelos de linguagem de grande porte preveem textos plausíveis. Eles não estabelecem de forma independente que uma regra jurídica se aplica, que um documento é autêntico ou que a lembrança de um requerente é precisa. Uma solicitação bem redigida pode conter citações falsas ou argumentos irrelevantes sem sinais evidentes de alerta.

Usuários também podem pedir a um modelo que fortaleça sua posição. O texto resultante pode transformar incerteza em confiança, tratar inferência como evidência ou gerar várias alegações sobrepostas a partir de um único evento.

Essas falhas importam porque decisões públicas afetam moradia, renda, status migratório, licenciamento, dívidas e outros interesses relevantes. Revisores não podem presumir que uma linguagem profissional reflita uma verificação profissional.

Fraude é outra incerteza. Custos menores de solicitação beneficiam requerentes elegíveis, mas também reduzem o custo de testar histórias falsas em diversos programas. Controles de identidade melhores podem limitar a falsificação de identidade sem estabelecer se os fatos contidos em uma reivindicação são verdadeiros.

A participação política coordenada levanta uma questão diferente. A IA pode ajudar moradores a compreender uma proposta de planejamento e expressar objeções fundamentadas. Também pode produzir milhares de comentários quase idênticos que exageram a aparente amplitude do engajamento público.

Um órgão governamental precisa decidir se a participação deve ser medida por pessoas, envios, argumentos distintos ou interesse local demonstrado. O texto generativo torna essas categorias mais fáceis de manipular.

A pesquisa não estabelece uma taxa universal de fraude, nem prova que a IA gerou cada aumento em seu conjunto de dados. Seu valor vem da identificação de um padrão recorrente e de um mecanismo plausível.

A incerteza causal deve limitar previsões dramáticas. Ela não deve se tornar uma desculpa para a inação. Os órgãos podem medir extensão dos documentos, linguagem duplicada, tempo de processamento, abandono, resultados das decisões e recursos bem-sucedidos sem especular sobre as ferramentas de cada usuário.

Essas medições devem separar carga de trabalho de mérito. Um serviço pode receber o dobro de reivindicações enquanto aprova uma proporção semelhante. Esse padrão seria diferente de um aumento dominado por solicitações rejeitadas ou duplicadas.

Os órgãos também devem distinguir assistência por IA de automação em escala. Uma pessoa que usa um modelo para organizar um recurso cria riscos diferentes de um serviço comercial que apresenta milhares de reivindicações por meio de um fluxo de trabalho automatizado.

O primeiro se assemelha a um acesso ampliado a aconselhamento. O segundo se assemelha à intermediação industrializada, especialmente quando uma empresa lucra com reivindicações bem-sucedidas ou controla a comunicação com os requerentes.

Ambas as atividades podem ser legais. Elas não devem ser reguladas por meio de uma única categoria ampla chamada conteúdo gerado por IA.

Requisitos de divulgação parecem atraentes, mas criam problemas de fiscalização. Os requerentes podem não saber quais recursos de uma ferramenta de escrita envolvem IA. Um rótulo de divulgação também não diz nada sobre precisão, autorização ou elegibilidade.

Softwares de detecção oferecem ainda menos certeza. Detectores de texto gerado por IA podem classificar erroneamente a escrita humana e não oferecem base confiável para negar um serviço público. Seu uso poderia prejudicar particularmente pessoas que escrevem em uma segunda língua.

As melhores perguntas dizem respeito à procedência e à responsabilidade. O requerente autorizou o envio? O órgão pode verificar a identidade? Os documentos de apoio estão disponíveis? O requerente pode corrigir erros e compreender a decisão?

Esses controles se concentram na integridade do processo, e não no estilo da prosa. Eles continuam úteis, quer uma reivindicação tenha sido escrita por um advogado, um defensor, um modelo ou somente pelo requerente.

A inundação de órgãos públicos por agentes de IA deve, portanto, ser tratada como um problema de concepção de serviços com casos de abuso, e não apenas como um problema de abuso com usuários legítimos ocasionais.

Adicionar Atrito Puniria Requerentes Legítimos

As defesas mais rápidas podem restaurar filas administráveis ao recriar as barreiras que a IA ajudou as pessoas a superar.

Os órgãos têm várias ferramentas conhecidas para suprimir a demanda. Podem introduzir taxas, exigir comparecimento presencial, restringir janelas de envio, impor limites rígidos de palavras ou adicionar verificações de identidade difíceis.

Cada medida pode reduzir o volume. Cada uma também pode excluir pessoas com pouco dinheiro, mobilidade, tempo, proficiência linguística ou acesso a documentos.

Essa troca é especialmente severa para serviços financeiramente valiosos e administrativamente complexos. Esses programas dão às pessoas um forte motivo para buscar assistência, enquanto suas regras tornam difícil a navegação sem apoio.

Taxas podem desestimular solicitações especulativas, mas também precificam o acesso de acordo com a renda. Exigências presenciais podem frustrar envios automatizados em massa, mas sobrecarregam requerentes com deficiência, moradores rurais, cuidadores e trabalhadores pagos por hora.

Modelos rígidos podem melhorar o processamento se solicitarem fatos relevantes com clareza. Tornam-se excludentes quando um erro técnico invalida automaticamente uma reivindicação que, de outra forma, seria válida.

Limites de taxa também exigem um desenho cuidadoso. Limitar os envios por pessoa verificada pode desacelerar apresentações em massa. Isso pode prejudicar pessoas que enfrentam vários problemas distintos ou defensores autorizados a representar muitos clientes.

A identidade digital oferece outra opção. Uma autenticação robusta pode estabelecer quem autorizou uma interação e apoiar controles de taxa justos. Ela também cria desafios de privacidade, acessibilidade e implementação.

A alternativa é o fortalecimento de capacidade. Os governos podem simplificar regras de elegibilidade, preencher previamente dados conhecidos, fornecer interfaces estruturadas de solicitação e inscrever proativamente pessoas quando o direito puder ser estabelecido a partir de registros existentes.

Essas medidas abordam a carga administrativa subjacente. Também reduzem o incentivo para produzir narrativas extensas, porque o sistema solicita evidências específicas em um formato previsível.

A OCDE argumentou que dados administrativos vinculados e a inscrição automática podem melhorar a adesão a benefícios. Essa abordagem remove trabalho dos cidadãos e dos órgãos receptores em vez de automatizar uma disputa por burocracia.

Órgãos públicos também podem publicar regras legíveis por máquina e interfaces oficiais para agentes. Uma interface de programação de aplicações, ou API, é um canal estruturado por meio do qual softwares aprovados podem trocar informações definidas.

Uma interface cuidadosamente projetada pode limitar o tamanho arbitrário dos documentos, solicitar evidências de forma consistente e devolver informações claras sobre o status. Ela pode tornar a assistência automatizada mais responsável sem obrigar usuários a voltar ao papel.

No entanto, uma API não deve se tornar a única porta de entrada. As pessoas precisam de canais humanos acessíveis, especialmente quando suas circunstâncias não se encaixam em campos padrão.

Os órgãos também precisam de segurança jurídica em torno do processamento assistido por IA. Um responsável pelo caso deve saber quais decisões exigem julgamento humano, quais informações um sistema automatizado pode acessar e como um requerente pode contestar um erro.

As regras de contratação devem exigir registros de atividade e avaliação com base em casos reais. Os responsáveis precisam ver por que uma ferramenta encaminhou, resumiu ou sinalizou uma solicitação antes de confiar em sua saída.

Auditorias independentes devem testar se a automação altera as taxas de rejeição entre grupos de idioma, deficiência, renda ou demografia. Ganhos de eficiência não podem justificar discriminação oculta.

Esse redesenho custa mais inicialmente do que adicionar uma taxa ou fechar uma caixa de e-mail. Também alinha a capacidade à promessa de acesso público.

A escolha de política é reveladora. Se autoridades respondem a uma participação legítima maior reconstruindo obstáculos, então a simplicidade anterior da fila dependia da exclusão.

Se redesenharem os serviços em torno da demanda real, a assistência por IA poderá expor fragilidades que os governos precisavam enfrentar de qualquer forma.

Três Sinais Mostrarão Qual Caminho os Governos Escolhem

A próxima fase será definida por respostas mensuráveis dos órgãos, e não por outro salto na capacidade dos modelos.

O primeiro sinal é se os órgãos públicos publicam evidências que vinculam a assistência por IA a resultados operacionais específicos. Contagens brutas de envios são insuficientes.

Relatórios úteis comparariam volume, extensão dos documentos, tempo de processamento, taxas de duplicação, taxas de aprovação, recursos bem-sucedidos e pendências não resolvidas. Eles deveriam separar a assistência individual de envios coordenados ou comerciais em massa.

Se os órgãos divulgarem essas informações, o debate poderá avançar além de anedotas. Taxas elevadas de aprovação fortaleceriam o argumento de que a IA está revelando demanda legítima. Taxas elevadas de duplicação ou rejeição apoiariam controles mais restritos contra envios de baixo valor.

O segundo sinal é se os governos escolhem atrito ou capacidade. Novas taxas, canais fechados, restrições amplas à IA ou visitas físicas obrigatórias mostrariam que as instituições estão protegendo sua carga de trabalho reduzindo o acesso.

Formulários estruturados, equipes mais robustas, inscrição automática, triagem auditável e interfaces oficiais para agentes apontariam na outra direção. Eles mostrariam que os órgãos aceitam uma participação maior como obrigação de serviço.

O terceiro sinal é se a capacidade de processamento acompanha a facilidade maior de apresentação. Pendências de investigação e tempos de decisão revelarão se os governos apenas modernizaram a entrada voltada ao cidadão.

A carga de trabalho do Housing Ombudsman e os volumes de reclamações da CFPB oferecem pontos de referência úteis, mas os relatórios futuros precisam de uma análise causal mais clara. Pesquisadores devem examinar mudanças de política e condições econômicas juntamente com a adoção de IA.

Esse trabalho também deve acompanhar a distribuição. Decisões médias mais rápidas podem ocultar resultados piores para casos que não se encaixam em categorias automatizadas.

Para desenvolvedores, a lição é que a qualidade de um agente não pode ser medida apenas pelo envio bem-sucedido. Um sistema responsável deve preservar evidências, mostrar fontes, solicitar confirmação e evitar transformar uma reclamação em alegações sem suporte.

Compradores empresariais devem perguntar quem continua responsável quando um agente se comunica com um órgão público. Autorização, retenção de dados, registros de auditoria e fluxos de trabalho de correção importam mais do que uma redação fluente.

Trabalhadores do conhecimento devem tratar envios gerados como registros com consequências. A conveniência de produzir uma carta formal não elimina a obrigação de verificar nomes, datas, alegações e regras citadas.

Os órgãos públicos enfrentam a tarefa mais difícil. Devem proteger uma capacidade limitada sem tratar cidadãos recém-capacitados como atacantes.

A inundação de órgãos públicos por agentes de IA testará se o acesso digital era um compromisso genuíno ou apenas um slogan conveniente. Uma fila administrável não é um serviço bem-sucedido quando pessoas elegíveis ficam afastadas porque o processo as derrota.

A questão prática agora é inevitável: quando a IA revelar a demanda oculta por trás da carga administrativa, os governos financiarão o serviço que foi prometido às pessoas ou restaurarão a carga que as mantinha em silêncio?