Estudo da Rutgers sobre uso de substâncias e IA revela uso disseminado, mas segurança segue sem avaliação

Pesquisadores da Rutgers descobriram que 32,3% dos jovens adultos pesquisados haviam usado IA generativa para obter informações relacionadas a substâncias, sem estabelecer se essas interações os ajudaram ou prejudicaram. O estudo da Rutgers sobre uso de substâncias e IA quantifica um comportamento sensível: perguntar a softwares conversacionais sobre drogas, álcool e suas consequências. Sua tensão central está na distância entre a confiança das pessoas em uma resposta e as evidências de que essa resposta merece tal confiança.

As descobertas surgem enquanto os chatbots se tornam mais um lugar para onde as pessoas levam perguntas que talvez hesitassem em fazer cara a cara. A IA generativa, software que produz conteúdo em resposta a comandos, pode fazer essas trocas parecerem diretas e pessoais. Essa conveniência cria uma responsabilidade de saúde pública, mesmo quando o produto começou como um assistente de uso geral.

A busca do Google oferece uma comparação importante. Os pesquisadores identificaram uma sobreposição substancial entre pessoas que usam chatbots e aquelas que pesquisam na web por informações relacionadas a substâncias. A história, portanto, trata de outra camada influente entre uma pergunta e uma decisão. Desenvolvedores, clínicos e comunicadores de saúde agora enfrentam a mesma questão ainda não resolvida: o que acontece depois que alguém aceita uma resposta conversacional?

O que o estudo da Rutgers sobre uso de substâncias e IA realmente mediu

O estudo documenta uso e percepções relatados, e não benefícios ou danos médicos comprovados.

Publicado em 19 de outubro de 2026 na JMIR Formative Research, o levantamento sobre IA relacionada a substâncias analisou respostas de 995 residentes dos EUA entre 18 e 29 anos. Os participantes foram recrutados pela Prolific em abril de 2026. Dessa amostra, 321 relataram já ter usado IA generativa para finalidades relacionadas a substâncias.

Entre esses usuários, 48,2% relataram fazê-lo ao menos mensalmente. Perguntas sobre consequências foram particularmente comuns. O levantamento também constatou que 57,5% de todos os respondentes haviam pesquisado no Google por informações relacionadas a substâncias. Entre os respondentes que relataram uso de IA para esse tema, 92,8% também haviam usado o Google para esse assunto.

Esses públicos sobrepostos complicam qualquer afirmação de que os chatbots substituíram a busca. Uma pessoa pode alternar entre um mecanismo de busca, um chatbot e outras fontes durante o mesmo processo de busca por informações. O levantamento não estabelece qual fonte veio primeiro, qual resposta prevaleceu ou se alguém verificou respostas conflitantes.

Essa distinção altera as implicações para negócios e produtos. Um chatbot não precisa se tornar a fonte exclusiva de informação de alguém para influenciar sua compreensão. Ele pode resumir o que a pessoa encontrou em outro lugar, explicar terminologia desconhecida ou fornecer a resposta final de que ela se lembra. Esses são papéis possíveis, e não comportamentos estabelecidos por este levantamento.

O momento também merece igual cautela. Outubro marca a publicação e a divulgação das descobertas; as respostas descrevem comportamentos relatados em abril. Leitores devem evitar tratar a manchete como uma medição em tempo real da adoção atual. Mudanças nos produtos após a coleta dos dados também não podem explicar as respostas que os pesquisadores já haviam obtido.

A referência da manchete a jovens adultos também precisa de limites. Esta pesquisa diz respeito a adultos dentro de uma faixa etária especificada. Ela não deve se transformar em uma afirmação sobre crianças, todos os estudantes ou todas as pessoas que usam substâncias. Fazer uma pergunta relacionada a substâncias também não estabelece consumo pessoal, dependência ou intenção de experimentar.

Para leitores de tecnologia, a mudança concreta é a visibilidade. A pesquisa da Rutgers sobre chatbots dá a um caso de uso antes pouco examinado um público mensurável dentro desta amostra. A publicação torna esse público mais difícil de ignorar, ao mesmo tempo em que deixa a qualidade e as consequências de suas interações abertas à investigação.

Isso basta para justificar atenção sem extrapolar o resultado. Pesquisas sobre adoção podem identificar onde a avaliação é necessária. No entanto, elas não podem substituir essa avaliação, por mais chamativa que seja a manchete ou por mais familiar que a interface do chatbot tenha se tornado.

Comunicadores de saúde enfrentam um público além de seus próprios sites

As descobertas pressionam organizações cujas informações confiáveis precisam disputar atenção dentro de interfaces conversacionais.

Em suas descobertas sobre chatbots entre jovens adultos de 23 de outubro, a Rutgers descreveu os participantes como buscando principalmente informações sobre riscos e consequências. A autora principal, Mireia Triguero Roura, alertou que a desinformação dessas ferramentas poderia contribuir para comportamentos de risco. Esse alerta identifica um perigo potencial; não estabelece que o levantamento tenha observado tal dano.

A implicação prática vai além de publicar mais uma página web precisa. Organizações de saúde precisam considerar como suas informações se mantêm quando alguém as encontra por meio de uma explicação gerada. Uma resposta pode preservar uma conclusão geral e, ainda assim, omitir ressalvas importantes para um leitor específico.

Considere uma situação ilustrativa: alguém pede a um chatbot que explique um alerta encontrado em um site de saúde. O assistente dá uma resposta mais curta, e a pessoa pergunta se o alerta se aplica às suas circunstâncias. Este exemplo é hipotético, mas mostra como uma troca informativa pode avançar em direção a uma interpretação personalizada.

Essa transição importa para as organizações que fornecem o conhecimento subjacente. Sua página original pode distinguir cuidadosamente a educação geral da avaliação individual. Um resumo conversacional pode obscurecer essa distinção. A questão para os comunicadores passa a ser se esse limite essencial permanece visível quando a informação muda de formato.

Os clínicos enfrentam um desafio de comunicação relacionado. Uma pessoa que chega com uma explicação gerada por IA talvez já tenha uma interpretação confiante do significado de sua pergunta. Como implicação das descobertas, as conversas clínicas devem abrir espaço para examinar essa interpretação sem tratar a busca de informações pela pessoa como má conduta.

Uma resposta desdenhosa deixaria a pergunta subjacente sem resposta. Uma resposta acrítica daria ao chatbot mais autoridade do que as evidências justificam. A abordagem mais útil é identificar quais informações a pessoa recebeu, o que ela entendeu e onde permanece a incerteza.

As equipes de saúde pública também enfrentam um problema de distribuição. Materiais claros precisam ser encontráveis, compreensíveis e adequados para citação ou resumo preciso. Isso não garante que um chatbot preserve seu significado. Mas oferece aos comunicadores um ponto concreto para começar a avaliar como seu trabalho aparece além de seus próprios canais de publicação.

A pressão é imediata e contínua. As organizações podem revisar agora a clareza dos recursos existentes. Determinar se a entrega conversacional melhora a compreensão exige evidências adicionais. São responsabilidades relacionadas, mas operam em cronogramas diferentes e não devem ser apresentadas como a mesma realização.

Portanto, o estudo desafia uma definição estreita de comunicação digital em saúde. Publicar conteúdo preciso continua essencial. Compreender as interfaces pelas quais as pessoas interpretam esse conteúdo passa a ser outra parte do trabalho, especialmente quando essas interfaces convidam a perguntas de acompanhamento que o autor original nunca vê.

Acesso conversacional e orientação verificada atendem a necessidades diferentes

Uma resposta acessível pode melhorar o acesso à informação, mas ainda deixar sua confiabilidade sem resolução.

O apelo de uma interface conversacional é fácil de entender como proposta de produto. Um usuário pode formular uma pergunta constrangedora em linguagem comum, pedir esclarecimentos e continuar sem navegar por uma coleção de páginas. Esses recursos descrevem um estilo de interação. Eles não estabelecem adequação clínica.

Esse é o principal equilíbrio por trás das informações de saúde fornecidas por IA. Reduzir o atrito pode tornar uma pergunta mais fácil de fazer. A mesma redução pode tornar mais fácil aceitar uma resposta sem examinar seu fundamento. Se isso ocorre na prática, e com quais consequências, exige estudo direto.

A busca do Google oferece uma referência útil porque costuma apresentar vários destinos e editores visíveis. Os usuários ainda precisam avaliar essas fontes, e os resultados de busca não garantem precisão. Um chatbot pode condensar esse trabalho em uma única resposta, tornando especialmente importante a base de sua síntese.

ChatGPT, Google Gemini, Meta AI e My AI da Snap apareceram como exemplos na descrição de IA generativa do levantamento da Rutgers. Sua inclusão não estabelece desempenho comparativo. A pesquisa não fornece base para declarar um vencedor ou atribuir uma vantagem de segurança mensurada a um produto.

Uma comparação significativa precisaria examinar as mesmas perguntas em condições comparáveis. Os avaliadores precisariam registrar o que cada sistema respondeu, quais evidências forneceu e como lidou com contexto ausente. Uma resposta bem elaborada, por si só, seria uma base inadequada para classificar produtos nesse contexto.

Pesquisas históricas reforçam a necessidade de distinguir uso de confiança. Em sua pesquisa sobre informações de saúde por IA de agosto de 2024, a KFF constatou que 25% dos adultos com menos de 30 anos usavam chatbots ao menos mensalmente para obter informações de saúde. Entre todos os adultos, 29% disseram confiar que os chatbots fornecessem informações de saúde confiáveis.

Esses números descrevem um levantamento diferente e uma categoria mais ampla de questões de saúde. Eles não podem estabelecer uma tendência de adoção em comparação com as descobertas da Rutgers. As populações, perguntas e métricas diferem. Seu valor aqui é contextual: o uso de chatbots e os julgamentos sobre confiabilidade já eram preocupações públicas separadas antes deste estudo específico.

O desafio do produto é tornar essa separação compreensível durante uma interação. Uma interface útil deve comunicar quando está explicando informações gerais e quando a pergunta do usuário excede o que o sistema pode estabelecer de forma responsável. Esse é um objetivo de design, e não um resultado demonstrado pela pesquisa da Rutgers.

A visibilidade das fontes também importa. Uma citação oferece ao usuário algo para inspecionar, mas sua presença não prova que a resposta represente com precisão o material citado. A avaliação deve examinar a conexão entre uma afirmação e suas evidências, inclusive se as ressalvas sobreviveram ao resumo.

Para leitores que já organizam material técnico por meio de uma base de conhecimento pessoal, a distinção de gestão da informação é familiar. Manter uma fonte original acessível torna possível a verificação posterior. Isso não transforma uma explicação salva em orientação médica verificada.

A implicação mais ampla é que acessibilidade e responsabilização precisam de métricas separadas. Um sistema pode ser fácil de abordar e, ao mesmo tempo, difícil de auditar. As equipes de produto devem ser capazes de explicar como avaliam ambos, em vez de pedir que uma conversa satisfatória sirva como evidência para cada um.

A confiança precisa de uma avaliação que a satisfação não pode fornecer

A impressão positiva de um usuário é uma observação importante, mas não é um teste de precisão.

A Rutgers informou que os participantes perceberam as ferramentas de IA como úteis, confiáveis e dignas de confiança. Essas percepções ajudam a explicar por que esse caso de uso merece atenção. Elas dizem aos pesquisadores algo sobre a relação que os usuários acreditam ter com a tecnologia, sem estabelecer se uma resposta específica estava correta.

Essa diferença é especialmente importante quando o usuário faz uma pergunta porque não tem o conhecimento necessário para avaliar uma resposta. A legibilidade pode tornar uma explicação mais fácil de entender. A confiança pode torná-la mais fácil de aceitar. Nenhuma dessas qualidades, isoladamente, estabelece que a explicação contém os fatos e as ressalvas necessários.

Uma avaliação futura deve, portanto, separar várias questões. A resposta apresentou informações precisas? Omitiu algo relevante? O usuário compreendeu sua incerteza? A interação influenciou uma decisão posterior? Reunir essas questões em uma pontuação geral de satisfação ocultaria as distinções que importam.

A orientação sobre IA generativa da Organização Mundial da Saúde aborda aplicações mais amplas de modelos que aceitam e geram diferentes tipos de conteúdo. Ela identifica preocupações que incluem declarações falsas ou incompletas, viés e dependência excessiva de resultados automatizados. Essas preocupações fornecem um marco para avaliação, e não a prova de que toda interação falha.

Uma resposta incompleta é particularmente relevante para testes de produto. Os avaliadores devem examinar o que um sistema deixa de fora, além do que afirma explicitamente. Uma resposta pode conter declarações gerais precisas e, ainda assim, não comunicar os limites de aplicá-las a uma situação individual.

O mesmo princípio se aplica à incerteza. Um aviso no início de uma conversa não estabelece que respostas posteriores mantenham limites apropriados. A avaliação deve acompanhar a interação à medida que o usuário acrescenta detalhes, pede tranquilização ou questiona uma resposta cautelosa.

Essas são prioridades de teste propostas, não conclusões do estudo da Rutgers sobre uso de substâncias e IA. A distinção evita que o artigo atribua capacidades ou falhas a sistemas que os pesquisadores não testaram. Ela também direciona a atenção para evidências que os desenvolvedores poderiam produzir para abordar a lacuna real.

A utilidade percebida ainda faz parte dessa avaliação. Uma explicação tecnicamente precisa que os usuários não conseguem entender apresenta seu próprio problema de comunicação. O objetivo deve ser avaliar compreensão e precisão em conjunto, preservando seus significados distintos.

Isso cria um padrão exigente para alegações sobre produtos. Uma empresa que descreve um assistente como útil para perguntas sensíveis deve explicar o que “útil” significa em suas evidências. Respostas mais rápidas, linguagem mais clara, conteúdo preciso e decisões melhores são conquistas diferentes. Uma demonstração de uma delas não deve se transformar silenciosamente em uma alegação sobre todas.

O debate público se beneficia da mesma disciplina. É possível reconhecer o apelo do acesso conversacional e, ao mesmo tempo, exigir evidências mais robustas sobre confiabilidade. Essa posição decorre diretamente das questões ainda não resolvidas, sem pressupor benefício universal nem dano inevitável.

Diferenças de amostragem e demográficas limitam a manchete

O resultado de “um terço” pertence a esta amostra da pesquisa e não deve se tornar uma estimativa nacional precisa.

Os pesquisadores identificam uma amostra on-line não probabilística como uma limitação. Nesse desenho, os participantes não entram por meio de um processo que dê a cada pessoa elegível uma chance conhecida de seleção. Pessoas especialmente ativas on-line ou familiarizadas com IA podem, portanto, estar super-representadas.

Cotas de recrutamento podem melhorar o equilíbrio demográfico de uma amostra sem eliminar esse problema de seleção. Corresponder a determinadas características da população não estabelece que os participantes se assemelhem a todas as outras pessoas em seus hábitos de informação. A distinção importa porque o comportamento investigado está intimamente ligado à atividade on-line.

Essa ressalva não apaga o comportamento relatado. Ela muda o que o número pode sustentar. O estudo fornece evidências de uso substancial dentro do grupo recrutado e um motivo para investigar mais. Ele não resolve com precisão quão comum esse comportamento é entre todos os jovens adultos americanos.

A pesquisa também depende de os entrevistados lembrarem e descreverem seu próprio comportamento. Os autores observam que suas medidas adaptadas não foram previamente testadas em estudo piloto nem validadas. Portanto, os leitores devem tratar os achados como um esforço inicial de medição, com incerteza reconhecida, e não como um instrumento final para acompanhar toda a população.

Os achados demográficos exigem contenção semelhante. Participantes negros e homens tinham maior probabilidade de relatar uso de IA relacionado a substâncias. A Rutgers discute possíveis explicações envolvendo acesso à saúde, estigma, confiança e hábitos de busca de informação. Essas explicações continuam sendo hipóteses, e não causas estabelecidas pela pesquisa.

Uma associação não estabelece que uma característica demográfica produz um comportamento. Ela também não revela se grupos diferentes receberam respostas diferentes ou vivenciaram consequências diferentes. Essas questões exigem evidências sobre interações e resultados que este estudo não fornece.

Para desenvolvedores, a implicação é examinar se as avaliações representam adequadamente as pessoas que usam o produto. Um público de teste que deixa de fora grupos importantes de usuários pode deixar questões importantes sem resposta. Essa recomendação deve orientar pesquisas inclusivas, e não justificar suposições sobre o julgamento ou a vulnerabilidade de qualquer grupo.

Para jornalistas e leitores, a redação importa. “Jovens adultos pesquisados” preserva o limite em torno do resultado. “Jovens adultos”, sem qualificação, pode sugerir uma certeza mais ampla. A diferença é pequena em uma manchete e substancial na interpretação.

A pesquisa da Rutgers sobre chatbots também não pode estabelecer uma direção de causalidade entre o uso de IA e as necessidades de informação em saúde. Pessoas que buscam mais informações podem recorrer a mais canais. Hábitos informacionais diferentes podem anteceder a adoção de chatbots. Uma única pesquisa não consegue determinar a sequência.

Esses limites tornam pesquisas de acompanhamento mais valiosas. Pesquisas repetidas com métodos comparáveis poderiam examinar mudanças ao longo do tempo. Estudos que acompanhem participantes poderiam investigar o que aconteceu após uma interação. Auditorias diretas de respostas poderiam abordar a precisão. Cada desenho responde a uma pergunta diferente, portanto não se deve esperar que um único acompanhamento resolva tudo.

As próximas evidências devem conectar respostas à compreensão

Os desenvolvimentos seguintes mais úteis mostrarão o que os sistemas dizem, o que os usuários entendem e como os dois aspectos se conectam.

O estudo da Rutgers sobre uso de substâncias e IA estabelece um motivo para observar atentamente uma aplicação sensível de IA para consumidores. Nos próximos meses, os leitores devem buscar evidências específicas, em vez de supor que uma publicação, atualização de produto ou declaração de segurança resolva a incerteza.

O primeiro sinal é uma avaliação independente de respostas de chatbots relacionadas a substâncias. Uma avaliação útil publicaria seu conjunto de perguntas, critérios de avaliação, versões de produtos testadas e abordagem para informações ausentes. A revisão por especialistas deveria examinar precisão, omissões, incerteza e o ponto em que um sistema se aproxima de orientação individualizada.

Respostas consistentemente apropriadas fortaleceriam o argumento de que o acesso conversacional pode atender esse público de maneira responsável. Erros relevantes repetidos reforçariam as preocupações sobre depender de sistemas de uso geral nesse contexto. Qualquer um dos resultados acrescentaria algo que os números de adoção, por si só, não podem fornecer.

O segundo sinal é a pesquisa sobre a interpretação dos usuários. Os investigadores devem examinar o que as pessoas acreditam que uma resposta estabeleceu, quais ressalvas elas lembram e se verificam suas fontes. Uma resposta pode parecer adequadamente cautelosa para um avaliador, ao mesmo tempo que deixa um leitor com uma certeza injustificada.

Evidências de que os usuários compreendem os limites apoiariam a eficácia das abordagens de comunicação existentes. Evidências de que eles rotineiramente deixam de perceber esses limites as questionariam. Isso ajudaria a distinguir um problema no conteúdo gerado de um problema na forma como a interface apresenta esse conteúdo.

O terceiro sinal é uma mudança transparente no produto acompanhada de avaliação mensurável. Observe se os desenvolvedores explicam como lidam com perguntas ambíguas sobre saúde, verificação de fontes e transições para aconselhamento personalizado. Um novo recurso de alerta ou encaminhamento se torna significativo quando as evidências mostram como ele afeta a interação.

Uma melhoria documentada fortaleceria a confiança em uma intervenção específica. Um anúncio sem um teste divulgado deixaria a incerteza central sem solução. A pergunta relevante é o que mudou no comportamento observado, não o quão tranquilizadora parece a linguagem do lançamento.

Nenhum desses sinais exige tratar todas as informações conversacionais sobre saúde como inerentemente inúteis ou inerentemente seguras. Eles exigem evidências compatíveis com a alegação. Adoção, satisfação, qualidade do conteúdo, compreensão e resultados de saúde pertencem à mesma investigação, com suas diferenças mantidas visíveis.

Leia o estudo da Rutgers sobre uso de substâncias e IA com essa distinção em mente e leve-a para a próxima manchete sobre chatbots. Pergunte quem participou, o que os pesquisadores mediram e se um resultado relatado diz respeito a uso, confiança, precisão ou resultados. Quando uma empresa apresentar uma salvaguarda, procure uma avaliação da interação real. Quando uma pesquisa descrever confiança, evite interpretá-la como prova de correção. A próxima pergunta importante é se respostas acessíveis ajudam as pessoas a compreender informações confiáveis e reconhecer seus limites. Acompanhe as evidências que conectam essas etapas e mantenha a pesquisa original ao alcance quando uma manchete prometer mais do que o estudo mediu.