Sharp et al. (2025) introduzem "desigualdade agêntica" como um framework para analisar disparidades no acesso a agentes de IA nas dimensões de disponibilidade, qualidade e quantidade. Eles propõem a Divisão de Acesso Contextual (CAD) como uma dimensão complementar que opera no nível da interação individual.
- A CAD distingue entre Recuperação Dinâmica de Contexto, onde os sistemas recuperam contexto autonomamente, e Anexação Manual, onde os usuários devem identificar documentos.
- Para trabalhadores intensivos em conhecimento, a curadoria manual impõe uma carga cognitiva que reproduz ineficiências que a IA visa eliminar.
- Um modelo probabilístico demonstra que a anexação manual leva ao colapso combinatório na probabilidade de sucesso da tarefa à medida que o tamanho do corpus cresce.
- As arquiteturas de recuperação dinâmica são estruturalmente isoladas desse colapso em comparação com métodos manuais.
Os autores formalizam a contextualidade como uma dimensão da desigualdade mediada por IA e analisam suas implicações para a estratificação do trabalho do conhecimento e a governança de plataformas de IA.