Zespół badaczy z arXiv przedstawił formalne ramy teoretyczne analizujące, jak wspomaganie AI wpływa na zdolność adaptacyjną systemów w długim terminie. Centralna teza pracy: efekt AI zależy krytycznie od tego, czy system posiada już mocne "mięśnie" eksploracyjne. Gdy AI dostarcza łatwe, przewidywalne rozwiązania, może paradoksalnie osłabić naturalną zdolność systemu do poszukiwania nowych ścieżek.
Badacze formalizują ten mechanizm za pomocą dynamicznego modelu, gdzie systemy kognitywne, instytucjonalne i technologiczne ewoluują po skomplikowanych "krajobrazach epistemicznych" z wieloma lokalnie stabilnymi konfiguracjami. Ważny wskaźnik w modelu to "responsywność adaptatywna" – zdolność systemu do eksploracji nieznanych koncepcyjnie i instytucjonalnych możliwości. Problem pojawia się, gdy AI działa w trybie konwergentnym (zmuszając system do szybkiego zbieżenia się w jedno rozwiązanie): systemy stają się wtedy lokalnie efektywne, ale globalnie sztywne. Trafiają w pułapkę efektywności.
Ale nie zawsze tak się dzieje. Praca identyfikuje też warunki, w których AI może wzmacniać eksplorację i mobilność koncepcyjną. Paradoks: podatność na "eksploracyjne podstawienie" zależy od wyjściowego stanu systemu. Organizacje już posiadające wysoką adaptacyjność mogą wykorzystać AI do poszerzenia zakresu poszukiwań. Słabe systemy natomiast ryzykują, że asystencja sztucznej inteligencji je zakotwicy w miejscu.