Faço a pergunta sem ironia porque me incluí. Ensino IA para pesquisadores desde a oferta de uma disciplina com essa temática no projeto UFG Doutoral desde 2023 em instituições nacionais, internacionais, particulares, estaduais e federais, e ainda, diferentes associações. Montava uma aula sobre ferramenta, sobre caso de uso, sobre limites éticos. E percebo agora que boa parte daquele conteúdo tinha prazo de validade impresso na embalagem, só que ninguém leu. Com grande velocidaidade, troca o produto no slide e chamamos aquilo de atualização. Não é. Atualização de produto não é acúmulo de competência; é reposição de estoque.

Escrevi sobre isso no SciELO em Perspectiva em fevereiro, e na época formulei a questão assim: ensinamos o prompt ou o processo científico? Volto a ela seis meses depois porque a pergunta envelheceu e não do jeito que eu esperava. Não é que a resposta tenha ficado mais clara. É que o prompt, que era a unidade de ensino, deixou de ser a unidade de qualquer coisa neste avanço desenfreado da IA generativa.

Subscribe now

Proponho um teste. Peça a alguém que se apresente como especialista em IA que explique, sem citar nenhuma marca e sem abrir nenhuma interface, por que um modelo de linguagem produz uma referência bibliográfica que não existe. Não é pegadinha, e a resposta não exige matemática: exige entender que o sistema foi treinado para completar sequências plausíveis, não para recuperar fatos, e que uma citação inventada é o comportamento normal do mecanismo, não uma falha dele. Temos especialistas em produtos e não especialistas, de fato, em IA para pesquisadores, falta base, falta conhecimento técnico.

E é exatamente a diferença que os pesquisadores não estão cobrando.

A ordem está invertida

Não é que falte referência sobre como fazer isso direito. Os quadros conceituais mais citados de letramento em IA dizem a mesma coisa desde antes do ChatGPT: a competência começa por compreender e avaliar criticamente o sistema, e o uso instrumental vem depois. Ng e colegas (2021) organizam isso em quatro dimensões: conhecer e entender, usar e aplicar, avaliar e criar e ética. “Usar” é uma das quatro. Uma.

Nossa formação típica é feita quase inteiramente na segunda dimensão, com a quarta espremida no bloco final do dia, quando a sala já está pela metade. Invertemos a ordem e chamamos o resultado de letramento em IA.

Subscribe now

Não é má-fé de ninguém

Vale dizer com todas as letras, porque essa crítica costuma degringolar para acusação: não há vilão nessa história. Há incentivo.

Desde fevereiro de 2025, o Artigo 4 do AI Act europeu obriga organizações que implantam IA, universidades e institutos de pesquisa incluídos a garantir “nível suficiente de letramento em IA” de quem opera esses sistemas. Obrigação legal gera demanda de conformidade, e demanda de conformidade é atendida da forma mais barata que satisfaça o auditor: treinamento de ocasião única, certificado, lista de presença, próxima pauta.

Ninguém desenhou isso para ser raso. Ficou raso porque o mecanismo que o financia recompensa cobertura, não profundidade. E porque, sejamos honestos, um curso de ferramenta é mais fácil de vender, mais fácil de dar e muito mais fácil de avaliar do que um curso de julgamento científico. Eu dei vários e posso afirmar.

Preciso registrar que há quem vá bem mais longe do que eu. Em setembro do ano passado, dezoito acadêmicos, a maioria em universidades holandesas, publicaram um posicionamento contra a adoção acrítica de IA na academia, cobrando das universidades o papel de “contrapor o marketing, o hype e os danos da indústria de tecnologia” em defesa do pensamento crítico, da expertise e da integridade científica. Não assino tudo: minha crítica é ao desenho da formação, não à adoção em si, e acho que dá para usar bem essas ferramentas desde que se saiba o que são. Mas eles acertam numa: quando a formação é desenhada em torno de um produto, quem define a agenda de competência não é a universidade, e saem todos perdendo.

Enquanto isso, duas camadas abaixo

E vale olhar para onde essa agenda está. Porque o que mais me incomodou nas conversas dos últimos meses não foi o que se ensina, foi a distância entre o que se ensina e onde a tecnologia efetivamente chegou.

Em maio deste ano, a Nature publicou a validação experimental em três frentes do sistema multiagente de geração de hipóteses do DeepMind. Não é demonstração de slide: houve reposicionamento de fármaco em leucemia mieloide aguda; houve recapitulação em dois dias de achados sobre resistência antimicrobiana que ainda não tinham sido publicados. Onze especialistas avaliaram as hipóteses geradas com nota 3,64 em 5 para novidade e 3,09 em 5 para impacto, números respeitáveis e nada milagrosos. Vale registrar o detalhe que quase todo mundo omite: todas as validações foram priorizadas por humanos. Alguém decidiu o que valia a pena testar.

Agora o contraponto, e é ele que resolve a discussão. Em julho, um grupo de pesquisadores deu a agentes de fronteira seis dias e cerca de três mil dólares de orçamento computacional para atacar dois problemas de pesquisa inéditos. Os agentes executaram toda a engenharia sozinhos, sem ajuda humana, e não avançaram nas perguntas de pesquisa. Trabalho preliminar, ainda sem revisão por pares, e mesmo assim o resultado é o mais forte que li no ano.

Leia as duas coisas juntas. A camada operacional da pesquisa já está automatizada ou está a poucos meses disso. O que sobrou intacto é a formulação do problema, o julgamento sobre o que merece ser testado, a crítica de desenho, a decisão sobre relevância. Ou seja: sobrou exatamente aquilo que nossa formação não ensina e nós continuamos treinando pessoas para a camada que a máquina já assumiu.

É uma inversão quase cômica, se não fosse cara.

O melhor argumento do outro lado

Alguns colegas entendem essa minha posição como branda, e há quem me ache errado, e essa posição é defendida por gente séria, num lugar sério. Em abril, um editorial da Science argumentou que o ensino superior precisa entregar “fluência prática em IA a todos os estudantes, incluindo design de prompt e integração a fluxos de trabalho”.

O argumento tem fundamento: não se desenvolve julgamento sobre uma tecnologia sem mão na massa, competência abstrata sem prática costuma virar opinião, e há um custo de exclusão evidente em formar pessoas que sabem teorizar sobre IA e não conseguem usá-la. Concordo com tudo isso.

Onde entendo que a falha é na suposição de que a fluência prática se transfere. Ela não se transfere; foi essa minha lição dos últimos três anos. Quem aprendeu a operar a geração de 2023 não estava melhor preparado para agentes e protocolos autônomos em 2026; estava apenas mais confiante, o que é uma coisa bem diferente e às vezes pior. Prática ancorada em compreensão conceitual se transfere. Prática sozinha vira hábito com data de validade.

O que estou propondo

É um teste severo e elimina a maior parte do que anda por aí, inclusive parte considerável do que eu mesmo ofereci. Também é simples de aplicar: pegue a ementa e risque toda linha que só faz sentido com o nome de uma plataforma dentro. O que resta é a sua formação. Se não restar quase nada, você não tem um curso de IA, tem um manual de instruções com prazo.

Messeri e Crockett resumiram o risco de fundo numa frase que ficou comigo desde 2024: a proliferação dessas ferramentas ameaça inaugurar uma fase da investigação científica em que produzimos mais e entendemos menos. Reparem que a frase não fala de fraude, de plágio, de má conduta; fala de compreensão. É um problema de formação, não de integridade. E problemas de formação só se resolvem no lugar onde a formação acontece, que é onde estamos nós.

Termino este texto com o pedido para vocês, que é o motivo de eu ter escrito isto. Se você forma pesquisadores, faça o exercício da ementa esta semana e me conte o que sobrou. Não é retórica: quero mesmo saber. Estou reescrevendo as minhas e desconfio que vou ter que jogar fora mais do que gostaria.

Fui até lá para dizer que essa infraestrutura funcionou. É que exatamente por isso ela agora tem um problema.

Subscribe now

Uma explicação rápida para quem não convive com a sigla que abordei lá. Os princípios FAIR foram publicados em 2016, na Scientific Data, por Wilkinson e um grupo grande de pesquisadores e financiadores. São quatro exigências para que dados científicos sirvam a alguém além de quem os produziu: que sejam encontráveis, acessíveis, interoperáveis e reutilizáveis. Findable, Accessible, Interoperable, Reusable.

A ideia por trás é simples e boa. Um dado que existe apenas no HD de um pesquisador não é ciência, é anotação. Para virar ciência, precisa ter identificador estável, protocolo aberto de acesso, formato que outras máquinas entendam e licença que permita reuso. Décadas de trabalho técnico e político foram investidas nisso.

O que aconteceu é que os princípios foram escritos para o dado. E o dado deixou de ser o único objeto que circula.

Entre o dado bruto e a descoberta publicada, hoje existe um instrumento. Um modelo de linguagem que resumiu a literatura, que sugeriu a categoria de análise, que reescreveu o parágrafo do método, que apontou a inconsistência na tabela. Esse instrumento entrou na cadeia de produção do conhecimento sem que ninguém tenha aplicado a ele a régua que aplicamos ao dado.

Share

Quando alguém escreve “utilizamos inteligência artificial” na seção de métodos, qual dos dois está sendo declarado? A pergunta não é retórica. Ela decide se o método é auditável ou não.

Feita a distinção, a régua. Peguei os quatro princípios e os apliquei ao instrumento em vez de aplicá-los ao dado.

Subscribe now

Comece pelo F. Encontrável exige identificador persistente e metadados ricos. O output de um produto fechado não tem nenhum dos dois. Um link de conversa compartilhada não é identificador persistente: morre quando a empresa muda a política de compartilhamento, e o modelo por trás dele já não é o mesmo de quando a conversa aconteceu.

Dizer “usamos GPT-4” também não resolve. Não existe um GPT-4 recuperável. Existe uma família de versões que se sucederam em silêncio, sem changelog público, sem data de corte declarada, sem qualquer forma de alguém voltar ao ponto exato onde você estava. O identificador que você cita não aponta para lugar nenhum.

O A é o que mais me incomoda, porque é o princípio mais mal compreendido. Acessível não significa gratuito. Significa recuperável por protocolo aberto e padronizado e, na formulação original, significa que os metadados permanecem acessíveis mesmo quando o dado já não está disponível.

Esse segundo ponto é o que os produtos fechados destroem. Quando um modelo é descontinuado, não sobra metadado. Não sobra registro do que era, de como respondia, do que mudou entre uma versão e outra. Some tudo de uma vez, por decisão comercial, sem aviso e sem obrigação de aviso. O acesso depende de um contrato que pode ser reescrito unilateralmente, e frequentemente é.

O I exige vocabulários formais e referências qualificadas. O que sai de um produto de IA é prosa. Prosa fluente, mas prosa: sem estrutura formal, sem ontologia, sem qualquer marcação que permita à outra máquina saber o que é afirmação, o que é inferência e o que é interpolação.

E não há referência qualificada, no sentido técnico do termo. O modelo não declara sobre o que se apoiou. Produz um texto que se parece com um texto apoiado em fontes, o que é uma coisa bastante diferente.

Sobra o R e é o mais grave. Reutilizável exige licença clara e proveniência detalhada. Os dados de treinamento dos principais produtos são opacos por decisão de negócio. Não sabemos o que entrou, sob que licença entrou, nem se o material do seu próprio grupo de pesquisa está lá dentro.

Isso significa que a pergunta sobre reuso é, na prática, indecidível. Você não pode afirmar que o output é reutilizável porque não pode afirmar nada sobre a origem do que o produziu. E proveniência detalhada é justamente o que o instrumento não oferece.

Quatro princípios. Nenhum atendido.

Não escrevo isso de fora. Uso esses produtos todos os dias, na pesquisa. Me pego aceitando uma sugestão sem registrar qual modelo estava aberto, em que versão, com que instrução. Depois não consigo reconstruir o caminho, e o que eu não consigo reconstruir sobre o meu próprio trabalho, um parecerista também não conseguirá.

Mas há uma diferença entre reconhecer a própria falha e tratá-la como inevitável. A ausência de proveniência do instrumento não é uma característica da tecnologia. É uma escolha de quem a vende e uma omissão de quem a compra sem exigir nada em troca.

Existe uma assimetria aqui que vale nomear com todas as letras. Pesquisamos com dinheiro público, sobre problemas públicos, com obrigação, ao meu ver, de depositar dados em repositórios abertos. E rodamos essa pesquisa em instrumentos que não devem satisfazer ninguém.

Share

Exigimos do dado o que não exigimos do que produz o dado.

Isso não se corrige com proibição, e desconfio de quem propõe proibir. Corrige-se com documentação: nome do produto, versão, data, interface, instrução usada. O mesmo que já exigimos de um reagente, de um equipamento de medição, de um software estatístico. Nada de novo, apenas a extensão de uma norma que já existe a um objeto que escapou dela.

E aqui está o ponto que levei à palestra. Quem estava lá não usa a infraestrutura de ciência aberta. Escreve as regras dela. Um periódico indexado pode transformar a declaração de uso em condição de submissão amanhã, se decidir. Uma agência pode transformar a proveniência do instrumento em item de prestação de contas.

A infraestrutura aberta nunca foi uma ferramenta que se usa. É um conjunto de regras que alguém escreveu, num momento em que ainda dava para escrever. Estamos exatamente nesse momento de novo, e ele não vai durar.

O problema é que sentir não é suficiente para uma qualificação.

Seu orientador pediu o capítulo de resultados para a semana seguinte. Renato tem 47 páginas de transcrição e uma página em branco.

Ele abre o Claude. Cola a primeira transcrição. Digita o prompt com cuidado, metodologia qualitativa, teoria fundamentada, categorias emergentes. Em quatro minutos, a tela se preenche. Temas surgem articulados, com exemplos do texto, com linguagem que soa como ele gostaria de soar. Ele cola a segunda transcrição. Depois a terceira. Ajusta os prompts. Refina. Às duas da manhã, tem um esboço de análise que, relendo, parece melhor do que qualquer coisa que ele teria escrito sozinho.

Na semana seguinte, o orientador lê e diz que está bom. Melhor do que esperava.

Vinte e um dias depois, Renato está na sala de qualificação.

A banca vai bem nos primeiros quarenta minutos. Depois, uma das examinadoras, professora de uma universidade parceira e especialista na área em uma das categorias analíticas, pergunta: “Renato, você pode me dizer mais sobre como chegou a essa distinção entre autonomia delegada e autonomia negociada? O que nos dados te levou a separar essas duas coisas?”

Renato olha para a tela. Vê a categoria. Lembra de tê-la lido. Não lembra de tê-la construído.

Ele responde algo. A professora acena, não completamente satisfeita. A qualificação continua e termina com a aprovação e os ajustes. Ninguém sabe o que aconteceu naquele segundo de silêncio antes da resposta.

Mas Renato sabe.

Share

O problema que não aparece no output

A história do Renato é fictícia :) mas o mecanismo que ela descreve não é.

Em janeiro de 2026, os pesquisadores Shaw e Nave publicaram um preprint no SSRN descrevendo o que chamaram de “cognitive surrender ” — rendição cognitiva. A definição é precisa: a tendência de adotar outputs de inteligência artificial com escrutínio mínimo, contornando o raciocínio deliberativo que as tarefas intelectuais exigem.

A distinção importa porque os resultados externos podem ser indistinguíveis. O capítulo do Renato passou pela leitura do orientador. A análise estava tecnicamente correta. Os temas eram coerentes com os dados. Nenhum detector de plágio teria sinalizado nada. Nenhuma política de disclosure teria sido violada se ele tivesse declarado o uso da ferramenta.

O problema não estava no output. Estava no que Renato não construiu enquanto o output era gerado.

O que se perde no processo

Para entender o que está em jogo, é útil pensar no que o processo de análise qualitativa deveria produzir, mas não produz quando é delegado.

Quando um pesquisador mergulha em transcrições por semanas, algo acontece que vai além da mera identificação de temas. Ele começa a carregar os dados consigo. Acorda pensando em uma frase que não encaixou. Percebe conexões enquanto dirige. Sente a resistência de um caso que contradiz o padrão emergente e essa resistência o força a rever o que pensava saber. É um processo lento, desconfortável e, em grande medida, invisível para qualquer avaliação externa.

Mas há uma dimensão que vai além da metodologia. Michel Foucault, em seus trabalhos sobre ética, descreveu algo que chamou de cuidado de si: a prática contínua de se formar como sujeito por meio das escolhas que fazemos e dos processos pelos quais passamos. Para Foucault, ética não é um conjunto de regras externas a cumprir. É o trabalho de se tornar o tipo de pessoa que você quer ser, por meio de práticas deliberadas e reflexivas.

Aplicado à pesquisa: o processo de análise não é apenas o caminho para um resultado. É uma prática de formação do sujeito pesquisador. Cada decisão sobre como categorizar, cada tensão entre o dado e a teoria, cada momento em que o pesquisador precisa decidir o que importa e o que descarta: esses momentos não são obstáculos a superar. É o próprio trabalho de se tornar um pesquisador.

Quando Renato delegou esse processo, ele não apenas terceirizou uma tarefa. Ele abriu mão de uma série de encontros formativos sobre o próprio objeto de pesquisa.

E quando a professora fez a pergunta na banca, o vazio que surgiu não era ausência de informação. Era ausência de experiência.

Por que isso é diferente de usar uma calculadora

Neste ponto, uma objeção legítima surge: pesquisadores sempre usaram ferramentas. Calculadoras, softwares de análise estatística, processadores de texto, gerenciadores de referência. Nenhuma dessas ferramentas foi considerada uma ameaça à formação do pesquisador. O que torna a IA diferente?

A diferença está em onde a ferramenta opera.

Uma calculadora executa as operações matemáticas especificadas pelo pesquisador. O raciocínio, a decisão sobre qual operação realizar, o que o resultado significa e como se relaciona com a questão de pesquisa permanecem inteiramente no humano. A ferramenta amplia a capacidade de execução sem tocar o processo de pensamento.

Um modelo de linguagem que analisa entrevistas e gera categorias temáticas opera de forma diferente. Ele não executa a operação que o pesquisador especificou. Ele realiza o próprio processo de interpretação, o reconhecimento de padrões, a nomeação de conceitos, a construção de relações entre ideias. É exatamente o processo que, quando realizado pelo pesquisador, o forma tal.

A distinção que Shaw e Nave estabelecem é entre usar IA como ferramenta e usar IA como substituto. No primeiro caso, o pesquisador permanece o agente do processo cognitivo; a IA amplia sua capacidade sem substituir seu julgamento. No segundo, o pesquisador torna-se curador de um processo que não realizou.

Renato não usou o Claude para transcrever suas entrevistas. Usou para pensar por ele. Essa é a diferença que a banca revelou.

Share

O sinal que a banca deu

Há algo importante no momento em que Renato viveu que merece atenção: a pergunta da professora não era uma armadilha. Era uma pergunta normal de qualificação do tipo que qualquer pesquisador que realizou sua própria análise deveria conseguir responder sem hesitar.

Como você chegou a essa distinção?

Para quem construiu a análise, essa pergunta abre uma narrativa. Você lembra do momento em que os dados resistiram. Lembra do caso que não se encaixava na primeira versão da categoria. Lembra de ter voltado ao campo mentalmente, de ter revisado uma decisão, de ter chegado a uma distinção que, no início, não estava lá.

Para quem recebeu a análise pronta, a pergunta abre um silêncio.

Esse silêncio é o sinal mais honesto que o processo produziu. Mais honesto do que o capítulo aprovado pelo orientador. Mais honesto do que qualquer detector de IA. Mais honesto do que o próprio Renato havia percebido que precisava ouvir.

O problema não é que Renato usou IA. O problema é que ele não sabia o que havia perdido ao usá-la daquela forma até que alguém fez a pergunta certa.

Subscribe now

O que está sendo perdido em escala

A história do Renato é individual. Mas o mecanismo que ela ilustra está acontecendo de forma ampla e silenciosa.

Em 2026, um estudo publicado na Organization Science analisou quase sete mil submissões a um dos principais periódicos de ciências organizacionais. O que encontraram não foi apenas queda de qualidade nos manuscritos com alto uso de IA; isso já era esperado. O que surpreendeu foi a natureza específica dessa queda: os textos com mais IA eram mais difíceis de ler, mais nominalizados, mais jargonizados. E os editores os rejeitavam sem saber que havia IA envolvida. Simplesmente percebiam que eram piores.

A pergunta que esse dado levanta não é metodológica. É sobre o que acontece quando uma comunidade inteira de pesquisadores começa a delegar o processo de pensar. A qualidade do output diminui, mas a perda mais profunda pode ser outra: a capacidade coletiva de reconhecer o que é uma boa pergunta, o que é uma interpretação original, o que é um argumento que realmente avança o campo.

Essas capacidades não existem em abstrato. Elas são cultivadas no âmbito da pesquisa. Cada vez que um pesquisador passa horas com dados que resistem, cada vez que uma análise exige uma revisão teórica, cada vez que um argumento precisa ser construído palavra por palavra, essas experiências acumulam uma competência que não está em nenhum output. Está em quem realizou o processo.

Share

Uma pergunta para carregar

Renato terminou a qualificação aprovado. Vai ajustar o capítulo, vai defender e, provavelmente, vai publicar. A banca não saberá. O orientador não saberá. A avaliação da CAPES não saberá.

Mas há uma pergunta que ficou no ar daquela sala e que não vai embora facilmente: se alguém fizer de novo a pergunta certa sobre seu próximo paper, sua tese, seu trabalho, você vai conseguir responder?

Não há pergunta sobre o que o texto diz. A pergunta sobre como você chegou lá. O que nos dados te levou a essa conclusão? Que tensão você precisou resolver para chegar a essa interpretação? O que você descartou e por quê?

Essa pergunta não é uma avaliação de conformidade com as políticas de uso de IA. É uma pergunta sobre presença. Sobre se o pesquisador estava presente no próprio processo de pesquisa.

A discussão sobre IA na ciência está dominada por questões de ferramenta: quais usar, como declarar, o que proibir. Essas questões importam. Mas enquanto estivermos olhando apenas para o instrumento, vamos perder o que está acontecendo com quem o usa.

O desafio não é desenvolver melhores detectores. É desenvolver pesquisadores que saibam responder à pergunta da professora não porque decoraram a resposta, mas porque estiveram presentes quando a análise foi construída.

A inspiração deste texto veio durante a preparação para a palestra intitulada “Quem Pesquisa Quando a IA Pesquisa? Dilemas Éticos da Inteligência Artificial na Ciência” conduzido durante a 4ª Edição do Evento de Ética na Pesquisa Científica da Unesp.

Palestra no YouTube | Slides

Referências

Gartenberg, C., Hasan, S., Murray, A. & Pierce, L. (2026). More versus better: Artificial intelligence, incentives, and the emerging crisis in peer review. Organization Science. https://doi.org/10.1287/orsc.2026.ed.v37.n3

Lee, K. (2026). Becoming ethical qualitative researchers in the era of artificial intelligence: Michel Foucault’s ethics of the self. Qualitative Inquiry. https://doi.org/10.1177/10778004261417661

Shaw, S. D. & Nave, G. (2026). Thinking-fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender. Preprint. https://doi.org/10.2139/ssrn.6097646

Ela não aparece em nenhum compêndio médico porque não existe. Foi inventada em março de 2024 por Almira Osmanovic Thunström, pesquisadora da Universidade de Gotemburgo, como experimento: ela publicou dois preprints sobre a condição em uma rede acadêmica, com erros deliberadamente óbvios: o autor era fictício, a universidade não existia, e os agradecimentos mencionavam o “Professor Sideshow Bob” e a “Universidade da Sociedade do Anel”.

Mesmo assim, em semanas, a bixonimania já era descrita como real pelo ChatGPT, pelo Gemini, pelo Copilot e pelo Perplexity. E, pior: foi citada em um artigo indexado na Cureus, periódico da Springer Nature, como “uma condição ocular emergente associada à exposição à luz azul”. O artigo foi retratado em março de 2026, após a Nature publicar a história.

Conto esse caso não para alarmar, mas porque captura, em forma de fábula, algo que venho observando de perto no meu trabalho como editor-chefe da BAR nos últimos dois anos e que três estudos publicados em 2026 documentam com uma clareza que não dá para ignorar.

Subscribe now

O que os dados mostram

O AI Task Force da Organization Science uma das revistas mais respeitadas em ciências organizacionais, passou meses analisando o corpus completo de submissões e reviews do periódico: quase 7 mil manuscritos e mais de 10 mil pareceres, de 2021 a 2026. O que encontraram é preocupante.

Desde o lançamento do ChatGPT em novembro de 2022, o volume de submissões cresceu em 42%. Para comparação: o pico da pandemia de COVID-19 gerou um salto de 20%, metade disso. E esse crescimento não veio de mais pesquisadores nem de mais ciência. Veio, quase inteiramente, do uso de IA na escrita.

O que me interessa aqui não é o número em si, mas o que vem com ele. A qualidade da escrita caiu. Os manuscritos com alto uso de IA são mais difíceis de ler: mais jargão, mais nominalização, mais palavras multissilábicas que soam sofisticadas e dizem menos. O índice de legibilidade Flesch Reading Ease ficou 1,28 desvios-padrão abaixo do período pré-IA. Isso contradiz a intuição de quem usa IA com a expectativa de que ela vai melhorar o texto. Em muitos casos, melhora.

Os editores percebem. Manuscritos com mais de 70% de conteúdo gerado por IA — tenho minha ressalva quanto à mensuração desses dados — têm taxa de Revise & Resubmit de apenas 3,2%, em comparação com 11,9% dos manuscritos predominantemente humanos. E a parte mais reveladora: os editores não estão rejeitando esses textos porque identificam uso de IA. Estão rejeitando porque percebem que é de qualidade inferior. A detecção é consequência do julgamento, não o contrário.

Share

O paradoxo que ninguém está discutindo

Mas há uma camada mais profunda, e ela vem de um estudo publicado na Nature em janeiro de 2026, com 41 milhões de papers analisados em seis disciplinas das ciências naturais, de 1980 a 2025.

Os pesquisadores que usam IA publicam 3,02 vezes mais artigos, recebem 4,84 vezes mais citações e chegam à liderança de projetos 1,37 anos antes do que os que não usam. Do ponto de vista individual, a IA é uma vantagem competitiva racional e expressiva.

Mas o que acontece no nível coletivo é o oposto.

O escopo temático da ciência e a diversidade de perguntas feitas pelos pesquisadores encolheram em 4,63% com a adoção de IA. O engajamento entre papers caiu 22%. A ciência está convergindo para onde a IA consegue trabalhar: áreas com dados digitais abundantes, problemas bem delimitados, benchmarks estabelecidos. Está se afastando das perguntas sem dados estruturados, das questões de origem, das investigações de longo prazo que não produzem resultados rápidos.

Isso não é abstrato. Para quem edita ou publica em biodiversidade, taxonomia, sistemática ou ecologia de campo, o aviso é direto. São exatamente essas áreas que correm o risco de serem progressivamente deixadas de lado em favor do que a IA consegue processar com eficiência.

Subscribe now

O que vejo chegar na BAR

Esses dados dialogam com o que observo no meu cotidiano editorial. Não tenho o mesmo levantamento da Organization Science para a BAR. Ainda não fizemos esse levantamento sistemático, mas o padrão qualitativo é reconhecível.

Há mais submissões que chegam tecnicamente arrumadas e intelectualmente rasas. Textos que leem bem no abstract e perdem substância na seção de discussão. Revisões de literatura que cobrem muito e aprofundam pouco. Manuscritos cuja contribuição teórica é difícil de localizar porque o texto foi construído para parecer denso, quando não o é.

Há também o lado oposto, que não posso ignorar: pesquisadores do Brasil e da América Latina que usam IA para superar uma barreira que não deveria existir: a do inglês como língua de publicação. Para eles, a ferramenta funciona como um equalizador. Penalizá-los por uso de IA sería injusto e contraproducente.

É essa ambivalência que torna a questão difícil. A resposta simples de proibir, detectar, punir não resolve e, aplicada de forma cega, amplia desigualdades em vez de reduzi-las.

Além da regulação

No início de 2026, publiquei um editorial na BAR que propõe outra forma de enquadrar o problema. O título é “Beyond Regulation” porque acredito que o debate dominante, centrado na proibição e na detecção, é necessário, mas insuficiente.

A questão central não é se os pesquisadores vão usar IA. Vão. A questão é o que fazemos com o sistema de incentivos que está empurrando a ciência para o equilíbrio errado: a pesquisa em geral, não a melhor pesquisa.

No editorial, proponho o framework CRAFT-AI, construído em cinco pilares: Credibilidade (accountability humana não é negociável), Responsabilidade (os guardrails éticos são institucionais, não apenas individuais), Acessibilidade (políticas de IA precisam reconhecer desigualdades estruturais), Equidade (processos de revisão precisam ser auditados para vieses) e Transparência (disclosure estruturado sobre como, quando e para quê a IA foi usada). Atravessando todos: letramento em IA como competência fundamental.

Minha resposta é: a interpretação do significado dos fenômenos em seus contextos vividos. Isso não é sentimentalismo acadêmico. É uma descrição precisa do que a IA atual não consegue fazer e que qualquer revista científica séria precisa proteger.

Subscribe now

O que fazemos agora

Não tenho respostas definitivas e desconfio de quem as tem. Mas tenho algumas convicções.

Políticas de disclosure são necessárias, mas insuficientes. Quem usa IA de forma intensa simplesmente não declara. Detecção automática cria assimetrias injustas. E banir é realista apenas no papel.

O que pode funcionar é uma combinação de coisas: triagem editorial que use sinais de qualidade, não detecção de IA, como critério; políticas revisadas pelo menos anualmente, à medida que a tecnologia evolui; formação de editores e revisores para navegar esse cenário; e, acima de tudo, uma recusa institucional em delegar o julgamento editorial a algoritmos.

Essa última parte é onde me posiciono com mais clareza. Posso usar IA para otimizar o fluxo editorial, para sinalizar submissões que merecem atenção, para acelerar processos. Mas a decisão de aceitar ou rejeitar um manuscrito é um ato de julgamento intelectual. Não terceirizo isso.

Uma nota final

A bixonimania ainda existe nos preprints. Osmanovic Thunström não sabe o que fazer com os dois arquivos: se os retira, fica mais difícil rastrear a desinformação; se os mantém, continuam sendo indexados e reciclados pelos modelos.

É uma metáfora precisa do momento em que estamos. Não há saída limpa. O que há é a obrigação de tomar decisões conscientes sobre o que protegemos e por quê.

A ciência que publicamos hoje é a base sobre a qual a próxima geração vai construir. Vale a pena perguntar se o que estamos construindo é mais ou melhor.

Slides da palestra aqui

Palestra no YouTube aqui

Ricardo Limongi é Editor-Chefe da BAR – Brazilian Administration Review, professor associado da UFG/FACE, coordenador do HI-Lab.

Instagram | LinkedIN

Share

Referências

Gartenberg, C., Hasan, S., Murray, A. & Pierce, L. (2026). More versus better: Artificial intelligence, incentives, and the emerging crisis in peer review. Organization Science. https://doi.org/10.1287/orsc.2026.ed.v37.n3

Hao, Q., Xu, F., Li, Y. & Evans, J. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature, 649, 1237–1243. https://doi.org/10.1038/s41586-025-09922-y

Limongi, R. (2026). Beyond regulation: How AI reshapes what we write, how we review, and why it matters for Business Administration. BAR – Brazilian Administration Review, 23(1), e260056. https://doi.org/10.1590/1807-7692bar2026260056

Stokel-Walker, C. (2026). Scientists invented a fake disease. AI told people it was real. Nature, 652, 559–561. https://doi.org/10.1038/d41586-026-01100-y

Aceitei o convite por um motivo específico: o tema estava fora do que abordava nas palestras, até então. Minha pesquisa opera mais próxima do consumo cognitivo da IA como comportamento, marketing, inteligência híbrida na pesquisa científica. PIs, NITs e transferência tecnológica são vizinhos que conheço, mas que raramente me pedem para falar como protagonista. E foi exatamente essa distância que me interessou.

Durante as semanas de preparação da palestra, descobri algo desconfortável: a primeira versão do argumento que eu tinha em mente era “vamos ver o quanto o Brasil avançou em IA”. Os dados me empurraram para o lado oposto. E foi isso que decidi defender em Maceió. Compartilho aqui a tese que levei ao palco.

A pergunta-paradoxo

Comecei a palestra com quatro números.

Cinquenta milhões. É o número de brasileiros que já usam IA generativa, segundo a TIC Domicílios 2025 do CGI.br, divulgada em dezembro do ano passado. Trinta e dois por cento dos usuários de internet do país. É o salto tecnológico mais rápido da história do Brasil, mais veloz do que a adoção do PC, da internet ou do celular.

Mais cento e quarenta e oito por cento. É o crescimento da adoção de IA pela indústria brasileira entre 2022 e 2024, segundo a PINTEC Semestral do IBGE. De 16,9% para 41,9%, o maior salto entre todas as tecnologias avançadas medidas. Oito em cada dez bancos brasileiros já incorporaram IA generativa.

Três por cento. É a taxa de concessão de patentes em IA pelo INPI entre 2019 e 2024. Foram depositados 264 pedidos. Oito foram concedidos. No relatório global da OMPI sobre IA generativa, que cataloga 54 mil invenções no mundo entre 2014 e 2023, o Brasil não aparece entre os inventores líderes.

Trigésimo. É a posição do Brasil no Tortoise Global AI Index 2024, entre os 83 países avaliados.

E a pergunta que organizei a palestra inteira para responder:

Como pode a quinta maior população do planeta, a nona maior economia, um país com matriz energética 88% renovável, com mais de 6 mil publicações em IA num quinquênio e R$ 23 bilhões comprometidos no Plano Brasileiro de IA, estar simultaneamente entre os maiores adotantes e entre os menores inovadores?

Subscribe now

Minha tese: adoção não é inovação

A resposta que defendi é que estamos medindo a coisa errada.

Adoção não é inovação. Eficiência não é invenção. E enquanto não entendermos a diferença, o Brasil seguirá campeão na adoção e coadjuvante na invenção.

A maior parte da adoção brasileira de IA está num nível específico, que chamei de “IA como ferramenta”. Chatbots que atendem clientes. Classificadores que detectam fraude. Otimizadores de manutenção. RPA com uma camada de LLM por cima. Tudo captura eficiência, e eficiência importa. Porém, eficiência é fazer melhor o que já se fazia. Não é o que produz patentes, ativos transferíveis, novos modelos de negócio, fronteira tecnológica.

Foi aqui que minha leitura do problema mudou durante a preparação da palestra. Eu vinha pensando que a discussão sobre IA no Brasil girava em torno da velocidade: quem adota antes, quem adota melhor. Os dados me levaram a perceber que o eixo correto não é a velocidade, e sim a natureza. A maior parte do que medimos como “adoção de IA” não diz respeito à invenção. Toca a operação.

O salto real dos modelos de linguagem de grande porte (LLMs), a partir de novembro de 2022, foi qualitativamente diferente.

Não é mais sobre delegar tarefas operacionais. É compartilhar tarefas cognitivas. E isso altera a natureza da colaboração possível entre o humano e a máquina.

É o que estudamos no HI-Lab, o Hybrid Intelligence Laboratory da UFG. Inteligência híbrida ocorre quando o humano e a IA produzem, juntos, algo que nenhum dos dois produziria sozinho. Esse “juntos” é onde mora a inovação. E é o que falta no Brasil hoje, em escala.

Os casos brasileiros que funcionam, e mencionei dois na palestra, têm em comum exatamente isso. A Maritaca AI, por exemplo, spin-off da Unicamp, treinou os modelos Sabiá em português brasileiro, com desempenho comparável ao do GPT-4 em exames nacionais. É inteligência híbrida acadêmica: pesquisadores brasileiros, conhecimento em nosso idioma, infraestrutura computacional internacional, resultado que nenhum dos atores produziria isoladamente. O CEIA-UFG/AKCIT é inteligência híbrida institucional: ICT, empresas, governo, pesquisa e formação no mesmo arranjo, com IA como infraestrutura compartilhada.

A combinação é o que produz invenção. A combinação é o que falta no Brasil.

Share Ricardo Limongi

A produção do conhecimento como primeiro território da transformação

Há um lugar específico onde essa transformação está mais avançada e é especialmente importante para quem trabalha com PI, TT e Inovação. Esse lugar é a produção científica.

A ciência foi o primeiro campo em que a IA generativa encontrou ampla adoção. Pesquisadores adotaram ChatGPT antes de quase qualquer outro setor profissional. As grandes editoras — Elsevier, Wiley e Nature — relatam saltos no uso desde 2023. A ciência é também o terreno mais regulado em termos de autoria, integridade e atribuição: existem normas COPE, políticas editoriais, peer review, ORCID, citações. Se a transformação aparece aqui, aparece em qualquer lugar. E a ciência é, no fim, o insumo bruto de toda inovação. Sem produção de conhecimento confiável, não há prospecção robusta, fundamentação para patentes nem base científica para licenciamento.

O dilema não é “usar ou não usar IA na ciência”. Essa pergunta já está respondida pelo comportamento. A pergunta real é como usar de modo que o conhecimento produzido continue sendo verificável, atribuível, replicável e defensável. É um problema metodológico, não moral.

A postura que defendo e venho repetindo nos últimos meses cabe numa frase: Science First, AI Later. A IA é uma parceira cognitiva, não uma substituta do método. Primeiro a pergunta científica, depois a IA. Primeiro o critério metodológico, depois a ferramenta. Primeiro a responsabilidade autoral, depois a assistência computacional. Não é resistência à tecnologia; é exigência de método.

Há uma camada filosófica desse argumento sobre o que acontece com a autoria, a responsabilidade e a titularidade quando a contribuição da máquina se torna invisível, que explorei em outro texto sobre o Anel de Giges. Para o público de PI/TT que ouviu a palestra, as três perguntas têm peso jurídico, não apenas filosófico: autoria importa para a integridade científica; responsabilidade importa para a confiabilidade da prospecção; titularidade importa para a propriedade intelectual.

Subscribe now

Agenda prática para os quatro eixos do PROFNIT

Da tese derivam quatro frentes concretas, uma para cada pilar do Congresso.

Em prospecção tecnológica, a IA generativa não mudou se fazemos prospecção. Mudou quanto custa. Mapeamentos antes feitos ao longo de meses agora se concentram em dias. Isso desvaloriza a prospecção como produto final e a revaloriza como método. NITs e pesquisadores precisam fazer o salto para a prospecção híbrida, com critério, governança e auditoria, antes que o trabalho se torne uma commodity.

Em propriedade intelectual, há três frentes simultâneas e nenhuma delas resolvida no Brasil: a patenteabilidade de invenções assistidas por IA (cujas diretrizes do INPI estão em consulta pública desde agosto de 2025 e ainda não foram publicadas); a autoria de obras geradas por IA (o PL 2338, aprovado no Senado em dezembro de 2024, teve a votação adiada na Câmara, enquanto o EU AI Act entra em vigor em agosto de 2026); e a proteção jurídica de datasets e modelos, cuja classificação no direito brasileiro ainda é confusa. Essa é, na minha leitura, a agenda mais urgente que o PROFNIT pode pautar.

Na transferência de tecnologia, a IA rompe com a lógica clássica do licenciamento em três pontos. O ativo não é mais estático; um modelo treinado em 2024 não é o mesmo em 2026. O ativo depende de dados de inferência permanentes, que exigem um fornecedor responsável. E o ativo carrega responsabilidades regulatórias que se transferem com a licença. O FORTEC, na minha visão, poderia liderar uma revisão dos protocolos de licenciamento de tecnologias baseadas em IA.

Em inovação, o Brasil tem o que falta a muitos países. Tem talento, energia limpa, demanda interna, centros maduros, casos de sucesso. O que falta? Orquestração entre essas peças. Marco regulatório operacional. Cultura de PI em IA nas ICTs. Capital privado em escala, US$ 4,5 bilhões em VC brasileiro total em 2025, comparados a US$ 285 bilhões só em IA nos Estados Unidos no mesmo ano. Falta, no fim, a decisão do Estado e do capital de apostar.

Subscribe now

Três compromissos

Fechei a palestra propondo três compromissos à comunidade do PROFNIT.

Primeiro: rigor metodológico no uso de IA na produção científica. Nem proibição, nem permissividade. Critério. A pergunta científica vem antes da ferramenta.

Segundo: pautar as instituições. As diretrizes do INPI precisam ser publicadas. O PL 2338 precisa ser votado. Os NITs precisam de protocolos atualizados para licenciamento de IA. O Congresso é o fórum em que essa pressão se articula com legitimidade técnica.

Terceiro: investir em inteligência híbrida real, não em IA cosmética. Os casos brasileiros que funcionam combinam o humano, a máquina e a instituição. Não é a IA que produz inovação. É a combinação.

Agradeço ao PROSPECT&I e ao PROFNIT pelo convite, e a quem esteve no auditório, pela atenção. Os slides da palestra estão disponíveis aqui para quem quiser revisitar a argumentação com os dados detalhados.

Se algum desses pontos ressoa com algo que você anda pensando em ciência, em política de inovação ou em estratégia de IA na sua organização, bora conversar.

Decidi levar evidência. E foi essa decisão que deu origem a este texto.

Antes de entrar no que apresentei, um dado que me parou ao começar a pesquisa: um estudo cienciométrico recente mostrou que apenas 28% dos periódicos brasileiros classificados como Qualis A4 ou superior na área da saúde têm diretrizes detalhadas sobre uso de IA. Em Ciência da Informação, o número cai para 12%, três de cada vinte e cinco revistas no estrato A/B1. Isso em um momento em que o CNPq acaba de publicar uma portaria robusta sobre integridade na pesquisa científica, e em que a Europa, os Estados Unidos e a Austrália já consolidaram arquiteturas regulatórias completas sobre o tema.

Onde estamos

A Portaria CNPq nº 2.664, publicada em março deste ano, é um marco. Estabelece a Política de Integridade na Atividade Científica em quatro eixos (educação, prevenção, apuração e sanção) e dedica seu Artigo 9º ao uso de IA generativa. Os pontos são claros e estão alinhados ao que o mundo já consolidou: declaração obrigatória de uso em qualquer fase da pesquisa, vedação de autoria por IA, responsabilização integral dos autores, proibição de inserir projetos de terceiros em ferramentas de IAG para a elaboração de pareceres e sanções graduais que vão da advertência à suspensão do Currículo Lattes.

É um piso ético sólido. E é nosso.

Mas o CNPq garante a integridade na atividade científica. O que acontece dentro das instituições de pós-graduação — o ensino, a orientação, a avaliação de programas — fica em outro território. E é esse território, em grande medida, que pertence à CAPES.

Daí o GT. E daí a importância de olhar com cuidado para o que se consolidou internacionalmente.

Share

Os cinco pilares de consenso

Quando mapeei documentos internacionais publicados entre 2023 e 2026, identifiquei mais de quarenta referências, incluindo regulamentações, declarações de associações científicas, políticas editoriais e frameworks acadêmicos, o que evidencia uma convergência impressionante em torno de cinco pilares.

O primeiro é letramento em IA como obrigação institucional. Não como exortação moral. Como obrigação. O Artigo 4 do AI Act europeu, em vigor desde fevereiro de 2025, transforma isso em lei: provedores e usuários de sistemas de IA, incluindo universidades, precisam assegurar um nível adequado de letramento para discentes e docentes. Russell Group, Go8 australiano e a UNESCO colocam isso como o primeiro princípio em todos os seus documentos. O recado é o mesmo em todos os lugares: capacitação não pode ser delegada ao esforço individual de docentes interessados. É responsabilidade institucional e ponto.

O segundo é a transparência e a declaração de uso. Em qualquer fase da pesquisa. CNPq, ERA Living Guidelines da Comissão Europeia, COPE, ICMJE, NSF e as principais editoras convergem. A lógica é simples: o leitor tem direito de saber. O revisor tem direito de saber. O sistema tem o direito de saber.

O terceiro é autoria humana exclusiva. IA não pode ser autora. Isso parece óbvio hoje, mas há dois anos algumas pessoas defendiam que sim. COPE, WAME, ICMJE, Nature, Science, Cell, Elsevier, Wiley, CNPq convergiram. A razão é técnica e filosófica ao mesmo tempo: a autoria implica responsabilidade, e a IA não pode ser responsabilizada.

O quarto é accountability humana integral. Em qualquer cenário — seja para pesquisa, para escrita ou para análise de dados —, a responsabilidade pelo resultado é dos autores. Sem exceção. Sem terceirização. É o autor humano quem responde por alucinações, plágios, imprecisões. A formulação aparece nos documentos que li, com variações mínimas.

O quinto é a restrição à revisão por pares. Esse foi o que mais me chamou a atenção. NIH, NSF e NEH nos Estados Unidos; ARC na Austrália; Science, The Lancet e agora o CNPq vedam ou restringem fortemente o uso de IA generativa na peer review. A justificativa é unânime: confidencialidade. Você não pode submeter um manuscrito em revisão a uma ferramenta de IA pública, pois expõe o trabalho intelectual de terceiros antes da publicação.

Esses cinco pilares não são teoria. Estão escritos em documentos vigentes, com força regulatória, em vários países. E a melhor notícia da minha pesquisa foi descobrir que a Portaria CNPq 2.664 já incorpora os cinco. Não somos retardatários nesse eixo. Estamos alinhados.

Subscribe now

O paradoxo brasileiro

A história fica mais interessante quando saímos do CNPq e olhamos para o ecossistema mais amplo.

Em pesquisa, temos uma portaria robusta e bem estruturada. Na comunicação científica, temos a SciELO, com um guia consolidado desde 2023, e a ABEC Brasil organizando painéis dedicados em seus encontros anuais, com cursos próprios no Moodle e módulos de IA na certificação de editor científico. Em produção doutrinária, temos um livro escrito com os parceiros Sampaio e Sabbatini que serve de referência prática

Mas quando olhamos para o nível institucional, para as universidades, encontramos um mosaico em formação.

USP, Unicamp e Unesp só começaram a estruturar diretrizes formais em 2026. A USP firmou parceria com o Ministério da Justiça para um guia nacional; a Unicamp tem um protocolo em discussão no Conselho Universitário; a Unesp criou um Instituto de Inovação em IA. A UFMG é uma exceção: mantém uma Comissão de Política de IA desde novembro de 2023, com governança participativa e escuta da comunidade. Outras federais têm laboratórios e produção (UFG, UFPR, UFPE), mas sem uma política formal consolidada.

A maioria das IES brasileiras ainda não possui política institucional de IA na pós-graduação.

Isso não é falha. É o ponto da curva em que estamos. E a CAPES, por sua vez, vem promovendo a chamada InovaEDUCAÇÃO, seminários internos da DAV, treinamentos do Portal de Periódicos, previsão no PDTIC 2025-2028, mas ainda não emitiu uma portaria específica sobre IA na pós-graduação avaliada. E é exatamente nesse ponto da curva que o GT foi convocado.

Cinco espaços de oportunidade

Ao preparar a apresentação, fui me convencendo de que o caminho mais produtivo era não falar em obrigações, e sim em espaços de oportunidade. Para instituições que estão começando ou aprimorando e, eventualmente, para a própria CAPES. Cinco deles me pareceram especialmente relevantes.

O primeiro é letramento sistemático, docente e discente. NTU Singapura, por exemplo, articulou uma certificação conjunta com a Singapore Computer Society, uma universidade e uma associação profissional, caminhando juntas. No Brasil, a ABEC já tem essa estrutura via Moodle, em operação. A oportunidade óbvia é a articulação entre a CAPES, a ABEC e a SciELO para a escalada. Não precisamos construir do zero.

O segundo é uma carta de princípios institucionais não prescriptiva. O modelo Russell Group, no Reino Unido, é exemplar: cinco princípios curtos, escritos em uma página, não prescritivos, mas politicamente vinculantes. Cada universidade contextualiza, mas todas se comprometem com o mesmo conjunto. O Go8 australiano adotou uma estrutura quase idêntica. No Brasil, a obra Intercom de 2024 já oferece, em português, princípios práticos por etapa de pesquisa, prontos para servir de base. Um documento curto, no espírito dessas cartas, que respeitasse a autonomia universitária, mas estabelecesse compromissos compartilhados, seria útil.

O terceiro é a adoção de frameworks graduados para uso na avaliação. O melhor exemplo é a AI Assessment Scale de Perkins, Furze, Roe e MacVaugh, lançada em 2023 e revisada em 2024. São cinco níveis graduados: de “no AI” (avaliação sem qualquer assistência) a “full AI” (uso amplo, declarado), passando por estágios intermediários como “planning” e “edit”. Já está presente em mais de 350 instituições, em 30 idiomas. Em vez da decisão binária permite/não permite, cada docente, cada disciplina, cada programa escolhem o nível adequado ao objetivo de aprendizagem. Traduzir e adaptar oficialmente para o português do Brasil seria um ganho substancial.

O quarto é destinado a TCCs, dissertações e teses. Aqui está a maior lacuna nacional. NTU Singapura tem um Statement of Originality obrigatório em todas as teses, no qual o autor declara como usou a IA. É um modelo elegante de transparência sem ser punitivo. No Brasil, praticamente ausente nas universidades. Pensar em um padrão de declaração para programas de pós-graduação avaliados não como obrigação prescrita, mas como referência para quem quiser adotar, abriria uma porta importante.

O quinto talvez seja o mais específico, e que só a CAPES pode abordar: governança em IA na revisão por pares. Toda a infraestrutura de avaliação da CAPES — Sucupira, comitês de área — opera por revisão por pares. E aqui há forte convergência internacional, como mencionei: NIH, NSF, NEH e ARC vedam IA generativa no peer review por confidencialidade. O CNPq já incorporou parcialmente. Um movimento possível, e foi o que sugeri no GT, seria seguir o modelo TEQSA da Austrália: antes de regulamentar, consultar as próprias instituições sobre como operam. Gerar dado. Gerar aprendizado coletivo. Respeitar a diversidade do sistema.

Em junho de 2024, o TEQSA fez um Request for Information a todos os 203 provedores de educação superior australianos, solicitando um plano institucional sobre IA. Cem por cento responderam. Dos 203 planos, a agência produziu dois toolkits públicos, um para educação superior em geral e outro para formação em pesquisa, baseados em evidências empíricas das próprias instituições. É um método que respeita a autonomia e gera uma política pública fundamentada. E é diretamente operacionalizável pela Plataforma Sucupira.

Share

O que ficou comigo

Saí do GT com três provocações finais que gostaria de apresentar.

Primeiro: o eixo ético está estabilizado. Não precisamos inventar princípios. Eles existem, estão escritos e a Portaria do CNPq já incorpora o consenso internacional. O debate agora não é mais sobre o que defender, mas sobre como operacionalizar institucionalmente, pedagogicamente, avaliativamente.

Segundo: a velocidade da tecnologia é incompatível com regulação tradicional. Daí o formato “living guidelines” adotado pela Comissão Europeia: documentos vivos, atualizados anualmente, com revisão técnica programada. Talvez seja hora de pensarmos em formatos similares no Brasil: documentos com data de validade explícita e ciclo de revisão definido.

Terceiro: há uma tensão real entre a detecção tecnológica e a formação ética. Detectores de IA produzem consistentemente falsos positivos. Criminalizar o uso é um caminho que tende ao fracasso e ao ressentimento. O caminho mais sustentável, e o que os documentos europeus e ingleses defendem com mais força, é redesenhar as avaliações: propor tarefas em que o uso ou não uso de IA fica explícito, em que a pergunta certa já existe antes do prompt. É uma mudança cultural mais profunda do que uma regulatória.

Termino o texto, como terminei a fala no GT, sem recomendações. Com perguntas.

Em que escala faz sentido um piso comum de letramento em IA na pós-graduação brasileira? Vale um documento curto, no modelo Russell Group, complementar ao que o CNPq já fez? Como traduzir o método TEQSA, utilizado antes da regulamentação, para a realidade da Plataforma Sucupira? Qual é o papel da CAPES em articular o ecossistema editorial brasileiro (SciELO + ABEC) para alinhar diretrizes? E talvez a mais delicada: como pensar diretrizes para TCC, dissertações e teses sem ferir a autonomia dos programas?

Não tenho respostas fechadas. Tenho a sensação, depois desse mergulho, de que estamos exatamente no ponto da curva em que essas perguntas precisam ser feitas. Não por atraso nem por urgência tecnológica, mas pela maturidade do debate.

Se você tiver alguma opinião sobre alguma delas, escreva para mim. Pensando junto, esse tipo de discussão avança.

Para quem quiser ir mais fundo

Documentos brasileiros

• Portaria CNPq nº 2.664/2026 — Política de Integridade na Atividade Científica (GOV.BR — comunicado oficial)

• Guia de uso de ferramentas e recursos de IA na comunicação de pesquisas na Rede SciELO (SciELO, 2023)

• Diretrizes para o uso ético e responsável da Inteligência Artificial Generativa: um guia prático para pesquisadores— Sampaio, Sabbatini e Limongi (Intercom, 2024)

Documentos internacionais

• EU AI Act — Artigo 4: AI Literacy (em vigor desde 02/02/2025)

• ERA Living Guidelines on the Responsible Use of Generative AI in Research — Comissão Europeia

• Russell Group Principles on the Use of Generative AI Tools in Education (Reino Unido, 2023)

• UNESCO — Guidance for Generative AI in Education and Research

• TEQSA — Gen AI strategies for Australian higher education: Emerging practice (toolkit baseado em 203 planos institucionais)

• TEQSA — Gen AI strategies for research training: Emerging practice (toolkit complementar para formação em pesquisa)

• NIH — NOT-OD-23-149: Prohibition of Generative AI in Peer Review

Frameworks pedagógicos

• AI Assessment Scale (AIAS) — Perkins, Furze, Roe e MacVaugh

Clique aqui para acessar a apresentação que usei.

Mas algo se perdeu nesse gesto. E o que se perdeu não é trivial.

Um estudo publicado em 2025 na Royal Society Open Science analisou quase cinco mil resumos científicos gerados por dez modelos de linguagem, entre eles ChatGPT-4o, Claude 3.7 Sonnet, DeepSeek e LLaMA 3.3. Os pesquisadores compararam os resumos aos textos originais, em busca de um padrão específico: a generalização indevida. Quando o modelo transforma uma conclusão restrita em uma afirmação mais ampla do que os autores originalmente fizeram.

O achado preocupa. A maior parte dos modelos testados generaliza além do que o texto original permite. Em alguns casos, até 73% das vezes. Modelos mais novos, como o ChatGPT-4o e o LLaMA 3.3 70B, são piores nisso do que as versões anteriores. E quando os pesquisadores pediram explicitamente aos modelos que “não introduzissem imprecisões”, a taxa de generalização indevida dobrou.

Os autores identificam três transições recorrentes. A primeira é a passagem de uma generalização quantificada para uma generalização genérica: o estudo dizia que “pacientes com diabetes tipo 2 que tomaram dulaglutida em doses de 0,75 ou 1,5 mg apresentaram melhora glicêmica”; o resumo afirma que “dulaglutida é eficaz e segura para jovens com diabetes tipo 2”. A segunda é a transição do passado para o presente, o que aconteceu no estudo vira o que acontece no mundo. A terceira é a transição do descritivo para o prescritivo; o resultado vira uma recomendação.

Essas três transições não são aleatórias. Elas apagam, em sequência, exatamente o que torna um achado científico um achado científico: o contexto da amostra, a temporalidade do experimento, a distância entre a evidência e a prescrição.

Share

E é aqui que a questão deixa de ser técnica.

Quando terceirizamos a leitura à IA, não estamos apenas economizando tempo. Estamos abdicando do espaço em que o pensamento científico se forma. A lacuna de pesquisa, aquilo que ainda não foi feito, aquilo que merece ser estudado, não está no resumo. Está na fricção entre o leitor e o abstract. Está no gesto de notar um qualificador estranho, de sentir que uma generalização foi longe demais, de desconfiar da ponte entre o dado e a recomendação.

O sumário apagou exatamente esse material. Ele apresenta o que o estudo encontrou. Não entrega o que o estudo deixou em aberto.

Um ano depois do trabalho de Peters e Chin-Yee, um segundo estudo estendeu a evidência para outro lado da delegação. Pesquisadores da Microsoft Research publicaram, em 2026, o DELEGATE-52, um experimento com dezenove modelos de linguagem em cinquenta e dois domínios profissionais, de codificação a cristalografia, de partituras musicais a documentos contábeis. A pergunta deles era distinta da anterior. Não era sobre resumir. Era sobre o que acontece quando um pesquisador delega ao modelo uma sequência de tarefas sobre um mesmo documento. Edições, reorganizações, conversões de formato.

O resultado segue a mesma lógica. Após vinte interações, mesmo os modelos de fronteira, como Gemini 3.1 Pro, Claude 4.6 Opus, GPT-5.4, corrompem, em média, 25% do conteúdo original. Modelos menos capazes degradam em até 50% ou mais. E o ponto sensível é o caráter dessas falhas. Elas não são graduais. São raras e severas. O documento parece preservado por várias rodadas, até que uma única interação introduz uma distorção de dez, vinte ou trinta pontos de uma só vez. Os autores chamam isso de falha crítica silenciosa. O usuário não percebe quando ela acontece.

Share Ricardo Limongi

Os dois estudos, lidos juntos, desenham um padrão. Peters e Chin-Yee mostram que a distorção aparece já no ato isolado; um único resumo já carrega uma generalização indevida. O DELEGATE-52 mostra que a distorção se acumula quando a delegação se repete. Um captura o erro pontual; o outro, o erro que compõe. Entre eles, um ano. E o problema não diminuiu; se sofisticou.

Há uma camada adicional nesses achados que merece atenção. O fato de pedir mais precisão piora o resultado. No estudo de Peters e Chin-Yee, isso mostra que não estamos diante de uma falha que se resolve com um prompt melhor. Não é falta de habilidade do usuário. É uma propriedade do sistema. Os autores levantam a hipótese de que o ajuste por feedback humano (RLHF) treinou os modelos para parecerem confiantes e amplamente aplicáveis, em vez de cautelosos e específicos. A confiança vende. A nuance custa.

O DELEGATE-52 reforça essa leitura por outro caminho. Os pesquisadores testaram se o uso de ferramentas e ambientes agênticos, com leitura, escrita e execução de código, reduzia a degradação. O resultado: piora. Os modelos apresentaram desempenho pior com ferramentas do que sem elas. A sofisticação do andaime não compensa a fragilidade do gesto.

Isso significa que o problema não é resolvível com letramento instrumental. Saber escrever um prompt elegante ou montar um pipeline agêntico não impede o modelo de generalizar nem de se corromper. O que impede é outra coisa: voltar ao texto. Desconfiar do resumo. Manter o gesto da leitura como parte irredutível da formação científica.

Não estou propondo que abandonemos essas ferramentas. Eu mesmo as uso. Vocês as usam. Elas têm lugar na varredura ampla, no mapeamento inicial, na navegação por volumes que nenhuma vida acadêmica daria conta de ler. O ponto é outro. É reconhecer que existe um momento, no trabalho de pesquisa, em que delegar a leitura é delegar o pensamento. É que esse momento chega mais cedo do que imaginamos.

Os achados de Peters e Chin-Yee, somados aos do DELEGATE-52, não constituem um argumento contra o uso da IA. É um argumento contra o uso desatento dela. Contra a suposição de que ler e ser informado são a mesma coisa.

Subscribe now

A lacuna de pesquisa não aparece no resumo. Aparece quando o leitor desconfia do resumo.

Referências

Laban, P., Schnabel, T., & Neville, J. (2026). LLMs corrupt your documents when you delegate. arXiv preprintarXiv:2604.15597. https://arxiv.org/abs/2604.15597

Peters, U., & Chin-Yee, B. (2025). Generalization bias in large language model summarization of scientific research. Royal Society Open Science, 12(4), 241776. https://doi.org/10.1098/rsos.241776

Os números são duros. Submissões cresceram 42% desde novembro de 2022. A revista precisou quase dobrar o corpo de editores sêniores, de cerca de 30 para 60. Os deputy editors saltaram de seis para onze. Alguns processam mais de 250 manuscritos por ano.

Subscribe now

A frase que encerra a abertura do relatório é direta: “the humans are getting tired”. Os humanos estão cansados.

Não é metáfora. É descrição operacional.

Poderíamos argumentar que se trata de uma anedota de uma única revista. Porém, dois outros estudos publicados em revistas de altíssimo prestígio nos últimos meses sugerem que não.

Em dezembro de 2025, Kusumegi e colegas publicaram na Science uma análise de 2,1 milhões de preprints e de 28 mil pareceres de revisão. Pesquisadores que adotaram modelos de linguagem aumentaram sua produção entre 23,7% e 89,3%, dependendo da área. Em agosto, Liang e colegas haviam publicado na Nature Human Behaviour uma análise de mais de 1,1 milhão de artigos e preprints, na qual encontraram que até 22% dos artigos de ciência da computação apresentavam modificações detectáveis por IA.

Três metodologias diferentes. Três bases de dados gigantescas. Um único padrão.

A IA chegou à ciência com força e vem produzindo cada vez mais. Não necessariamente melhor.

Aqui está o achado mais perturbador e o menos comentado em português.

Por décadas, a prosa elaborada foi um sinal imperfeito, mas funcional de rigor intelectual. Frases mais complexas, vocabulário mais técnico, articulação mais densa: tudo isso era uma proxy do esforço cognitivo investido. Pareceristas e editores liam com fluência como indício de profundidade. A IA quebrou esse sinal.

Kusumegi e colegas mostram, com dados, que a relação histórica entre a complexidade linguística e a qualidade científica se inverteu. Hoje, prosa muito polida pode indicar terceirização da escrita, não rigor. E o estudo da Organization Science confirma: manuscritos com mais de 30% de IA detectada têm índice de legibilidade de Flesch 1,28 desvios-padrão abaixo da média histórica. São textos mais difíceis de ler, com mais nominalizações, mais jargão, mais subordinação.

Mais sofisticados na superfície. Mais opacos no fundo.

Diogo Cortiz tem escrito há tempos sobre como modelos de linguagem produzem fluência sem necessariamente produzir entendimento. Aqui temos uma versão sistêmica desse argumento: o campo científico vinha usando o sintoma da fluência como atalho para inferir sobre o processo de raciocínio. A IA tornou esse atalho não confiável.

Subscribe now

Avaliadores estão lendo manuscritos com proxies que não funcionam mais. E ainda não sabemos por quais proxies substituir.

O ponto mais importante que quero sublinhar, contudo, é outro.

Antes do ChatGPT, editores de revistas científicas já enviavam dezenas de convites para obter dois pareceres. Em um relato publicado na Cureus em 2025, editores de Springer Nature, Frontiers e Wiley relatam ter precisado enviar até 35 convites para obter dois pareceristas para um único manuscrito. Em ciências biomédicas, estima-se que 20% dos pesquisadores ativos respondam por 90% das revisões.

O sistema já estava no limite.

Quando 42% a mais de submissões batem à porta e uma parte significativa delas vem com qualidade duvidosa porque foi escrita por IA sem revisão humana real, o que ocorre? Não é colapso visível. É sobrecarga absorvida silenciosamente por meio de trabalho voluntário não remunerado.

A Organization Science melhorou seu corpo editorial. Outras revistas farão o mesmo ou simplesmente verão o tempo de revisão se estender, a qualidade dos pareceres cair e os pareceristas mais experientes se afastarem. O custo da IA na ciência não está sendo cobrado dos autores. Está aparecendo no tempo não remunerado de quem segura o filtro.

E aqui chegamos ao ponto em que o pesquisador brasileiro precisa parar para pensar.

A Organization Science mostra que equipes de instituições não anglófonas usam IA de forma mais intensiva. Faz sentido. A barreira do inglês é real, e a IA é uma ferramenta evidente para suavizá-la.

Mas o estudo aponta algo desconfortável: o uso de IA não compensa a lacuna. A interação estatística entre o uso de IA e a origem não anglófona é praticamente nula nas decisões editoriais. O pesquisador não-nativo submete mais, com ajuda de IA, e é desk-rejected na mesma proporção aproximada.

Aqui é onde o achado de Kusumegi entra em tensão com o de Gartenberg. Kusumegi sugere que LLMs reduzem as barreiras à produção para não-nativos. Gartenberg sugere que essa redução não se traduz em sucesso editorial. Os dois podem estar corretos ao mesmo tempo: o pesquisador não-nativo produz mais, mas não publica mais. Submete mais. É rejeitado mais.

Adicione a esse retrato um achado de Paul Sebo, publicado em 2024 no JMIR. Análise de 291 pareceres em revistas médicas de alto impacto: artigos de autores da América Latina, da África e do Oriente Médio recebem pareceres com tom significativamente menos cordial e mais negativo do que os de autores da América do Norte e da Europa. Score de cordialidade de 43,5 contra 65 a 67. Não é margem de erro. É padrão.

Junte tudo.

O pesquisador brasileiro está sob pressão crescente para publicar um sistema que conta artigos em revistas, financia bolsas por produtividade e premia o volume mais do que a profundidade. Recorre à IA porque a barreira do inglês é cara e o tempo é curto. Não obtém o benefício esperado nas decisões editoriais. Quando atua como parecerista voluntário, absorve o dilúvio decorrente da mesma lógica que o levou a usar IA. E ainda recebe pareceres mais ásperos devido à origem geográfica.

Isso não é desigualdade futura. É a desigualdade atual sendo amplificada por uma tecnologia que muitos celebram como niveladora.

A Organization Science fez algo raro. Olhou para o próprio pipeline e publicou o que viu sem prescrição fácil, sem moralismo, com dados.

Por enquanto, a resposta é: editores e pareceristas voluntários, fora do horário comercial, sem remuneração, com cada vez menos tempo.

Os humanos estão cansados. E a conta ainda não chegou.

Referências

Emanuele, E., & Minoretti, P. (2025). The Peer Review Crisis Demands Radical Reform. Cureus. https://doi.org/10.7759/cureus.87817

Gartenberg, C., Hasan, S., Murray, A., & Pierce, L. (2026). More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science. https://doi.org/10.1287/orsc.2026.ed.v37.n3

Kusumegi, K., Yang, X., Ginsparg, P., de Vaan, M., Stuart, T., & Yin, Y. (2025). Scientific production in the era of large language models. Science, 390(6779), 1240-1243. https://doi.org/10.1126/science.adw3000

Liang, W., Zhang, Y., Wu, Z., et al. (2025). Quantifying large language model usage in scientific papers. Nature Human Behaviour, 9, 2599-2609. https://doi.org/10.1038/s41562-025-02273-8

Sebo, P. (2024). Use of ChatGPT to Explore Gender and Geographic Disparities in Scientific Peer Review. JMIR. https://doi.org/10.2196/57667

Vale a leitura.

Mas o que me interessa aqui não é o que a portaria proíbe. É o que ela escolheu não fazer.

Em nenhum momento o texto menciona ferramentas de detecção de IA. Nenhuma referência a Turnitin, GPTZero ou qualquer mecanismo de rastreamento tecnológico. A IA generativa aparece no Art. 9 como um item dentro de uma política mais ampla de conduta — não como o problema central.

Essa escolha não é omissão. É posição.

E é a posição correta.

UKRI, DFG e ALLEA — as principais agências de fomento do Reino Unido, Alemanha e União Europeia — chegaram ao mesmo lugar por caminhos diferentes. Nenhuma delas aposta em detecção. Todas exigem transparência, declaração de uso e responsabilidade integral do pesquisador pelo conteúdo produzido. O padrão internacional convergiu para uma ideia simples: o problema não é a ferramenta. É a postura de quem a usa.

Subscribe now

Os números explicam por quê.

Um estudo de pesquisadores de Stanford mostrou que detectores de IA classificaram erroneamente 61% dos textos escritos por falantes não nativos de inglês como gerados por máquina. O mecanismo é estrutural: esses algoritmos usam previsibilidade linguística como métrica, e pesquisadores que escrevem em uma segunda língua tendem a usar vocabulário mais direto, mais regular, mais parecido com o que a IA produziria.

Para o pesquisador brasileiro que publica em inglês, isso não é abstrato. É um risco real de acusação falsa.

E o problema vai além. Estudos publicados entre 2023 e 2025 demonstraram que técnicas simples de paráfrase reduzem a acurácia dos detectores em até 95%. Mais de trinta universidades internacionais — MIT, Berkeley, Cornell, NYU — já desativaram essas ferramentas por considerá-las imprecisas demais para qualquer uso disciplinar.

A corrida armamentista entre geradores e detectores de IA não tem vencedor. Tem, isso sim, um efeito colateral consistente: punir quem escreve de forma honesta e deixar passar quem sabe como burlar o sistema.

A portaria do CNPq recusou esse jogo. E fez bem.

Mas aqui começa a parte incômoda.

Share Ricardo Limongi

A diretora científica do CNPq, Monica Felts, disse em entrevista ao lançar a portaria: “Se não tivermos uma ação de formação em integridade científica, principalmente voltada aos jovens pesquisadores, vamos nos tornar um órgão de policiamento.”

Ela tem razão. E o problema é que o campo ainda não entendeu isso.

A conversa dominante nos programas de pós-graduação ainda gira em torno da detecção. Como identificar IA no texto do aluno. Como calibrar o Turnitin. Como provar que aquele parágrafo não foi escrito por uma pessoa. Enquanto isso, a pergunta que importa fica sem resposta: como formar pesquisadores que não precisem ser detectados?

O Brasil tem um histórico que torna essa formação urgente. Casos emblemáticos de má conduta, fabricação de dados, autoplágio sistemático, manipulação de imagens em publicações científicas, não foram produtos da IA generativa. Eram pesquisadores, com pressão para publicar, com sistemas de incentivo que recompensam volume e não qualidade, com instituições que por décadas não souberam ou não quiseram investigar.

A portaria endereça parte disso. O sistema sancionatório é claro, escalonado e numa inovação importante, cego para prestígio. O Art. 36 estabelece que grau acadêmico, premiações e cargos de relevo “não serão considerados” na dosimetria da sanção. É uma frase pequena com implicações grandes para quem acompanhou casos em que a reputação funcionou como escudo.

Subscribe now

Mas a portaria não resolve o que está antes dela.

Nenhuma política de integridade resolve sozinha um ambiente em que a lógica de sobrevivência acadêmica empurra pesquisadores para comportamentos que a mesma política quer punir. O até então sistema Qualis, as métricas de produtividade, a pressão sobre orientadores e orientandos, tudo isso continua operando no mesmo ecossistema.

O foco da portaria está correto. A responsabilidade é do pesquisador, não do algoritmo de detecção. Mas responsabilizar sem formar é só metade do trabalho.

A outra metade começa nas salas de aula dos programas de pós-graduação. No momento em que um orientador decide se vai ensinar ética como um módulo isolado no primeiro semestre, ou como uma prática contínua que atravessa cada decisão metodológica, cada escolha de autoria, cada declaração de uso de ferramenta.

A portaria abriu uma porta. O que fazemos do outro lado é nossa responsabilidade.

Share

Depois de alguns anos ensinando IA aplicada à pesquisa, uma impressão tem se tornado difícil de ignorar:

Essa frase costuma gerar desconforto quando digo em voz alta numa palestra. Já vi pesquisadores franzir o rosto. Alguns concordam em silêncio. Outros discordam na hora. Mas quase ninguém fica indiferente e isso me diz que talvez o ponto esteja certo.

O ponto não é uma postura contra a tecnologia. Vivo dentro dela. O ponto é a forma como o interesse em IA tem se organizado dentro da academia. Em muitos contextos, esse interesse vem acompanhado de uma busca intensa por prompts prontos, listas de ferramentas, fórmulas de aplicação, comparativos rápidos. Nada disso é ilegítimo. O problema começa quando esse repertório ocupa o lugar da formação intelectual que deveria sustentá-lo.

Porque pesquisa nunca foi apenas uma questão de executar tarefas. Pesquisa exige compreender problemas, sustentar argumentos, escolher métodos, interpretar evidências, escrever com precisão. A IA pode apoiar tudo isso. Mas não pode construir o que ainda não existe.

Share

O que começo a ver com mais frequência é algo diferente da adoção entusiasmada que costumamos celebrar. É uma tentativa de pular etapas. De usar a ferramenta antes de ter o que é necessário para usá-la bem. A pressa por encontrar o prompt “certo” antes de compreender o problema. A expectativa de que a IA entregue uma boa formulação teórica sem que o pesquisador tenha lido o suficiente. A tentativa de acelerar escrita antes de amadurecer argumento.

Esse, para mim, é o risco mais sério da discussão atual. Não é errar uma resposta ou aceitar uma imprecisão. É formar uma relação com a ferramenta em que ela entra cedo demais no lugar de operações intelectuais que ainda precisavam ser construídas pelo pesquisador.

Isso é especialmente delicado na formação de novos pesquisadores. Há uma diferença importante entre usar IA para expandir uma base já existente e usá-la para preencher uma base que ainda não foi construída. No primeiro caso, a ferramenta é poderosa. No segundo, ela gera uma sensação enganosa de domínio.

Subscribe now

E talvez seja justamente por isso que ensinar IA me levou a uma conclusão que parece paradoxal:

Não precisamos apenas de usuários eficientes. Precisamos de pesquisadores capazes de formular boas perguntas, reconhecer limites, avaliar respostas e sustentar argumentos próprios. A IA não reduz a necessidade de formação intelectual. Ela torna essa formação ainda mais indispensável.

No fim, talvez a questão mais importante não seja “como usar IA melhor?”. Talvez seja outra: que tipo de pesquisador estamos nos tornando quando passamos a pensar com essas ferramentas?

Share Ricardo Limongi

Muitos dos manuscritos que não avançam no processo editorial da BAR tratam de temas relevantes, atuais, socialmente urgentes. Às vezes trazem dados interessantes, um contexto empírico promissor, uma motivação prática convincente. Ainda assim, não passam. E quase nunca o motivo é o tema. O que falta, em geral, é outra coisa: contribuição.

Essa distinção merece ser feita com clareza. A relevância do tema não é sinônimo de contribuição científica. Um artigo pode tratar de inteligência artificial, governança, diversidade ou sustentabilidade — todos temas urgentes — e, ainda assim, não oferecer um avanço teórico suficientemente claro para um periódico de alto impacto. O ponto não é o assunto em si. É o modo como o manuscrito transforma esse assunto em um problema de pesquisa, em um enquadramento teórico e em implicações para o campo.

Ao longo de muitas decisões editoriais, aprendi a identificar onde essa ruptura costuma ocorrer. E ela quase sempre pode ser antecipada por cinco perguntas que os autores raramente fazem ao próprio manuscrito antes de submeter.

Share

O artigo identifica um problema teórico ou apenas um tema importante?

Há uma diferença decisiva entre afirmar “há escassez de estudos sobre X” e demonstrar “há uma tensão conceitual em aberto sobre X e este artigo ajuda a resolvê-la”. A primeira formulação aponta ausência. A segunda aponta necessidade intelectual. A primeira abre espaço para mais um estudo. A segunda razão para ler aquele estudo.

Muitos autores aprenderam a construir introduções que enfatizam a relevância prática e o crescente interesse. Mas poucos param para formular, com rigor, a natureza do problema teórico. O resultado é uma introdução funcional, porém fraca: o leitor entende que o tema importa, mas não entende por que aquele artigo precisa existir.

A contribuição é realmente analítica ou está mais próxima de descrição, aplicação ou sistematização?

Esse é, talvez, o equívoco mais recorrente que encontro. O artigo apresenta um estudo localizado, uma revisão descritiva ou uma aplicação contextual de teoria já consolidada e, ao final, afirma ter “ampliado as fronteiras teóricas” do campo. Em geral, essa promessa é maior do que a evidência permite sustentar.

Subscribe now

Aplicar uma teoria em um novo contexto pode ser útil. Organizar a literatura dispersa pode ser valioso. Testar uma relação em um ambiente pouco estudado pode gerar conhecimento incremental relevante. Mas nada disso deve ser automaticamente traduzido como um grande avanço teórico. O artigo fica mais forte quando o autor nomeia, com honestidade, o tipo de contribuição que realmente oferece.

O desenho empírico sustenta o tamanho da ambição declarada?

Quando o texto adota linguagem causal sem que o desenho a sustente, o problema não é apenas técnico. É argumentativo. Associações estatisticamente significativas não autorizam falar em “impacto”, “efeito determinante” ou “influência direta” sem qualificação. A linguagem da contribuição precisa respeitar o alcance do que foi feito. Quando isso não acontece, a credibilidade do artigo diminui — independentemente da qualidade dos dados.

Share Ricardo Limongi

A literatura usada representa de fato o estado da arte?

Um referencial teórico desatualizado, seletivo demais ou baseado em fontes periféricas fragiliza rapidamente a originalidade alegada. Já li manuscritos que abordavam temas novos com uma base bibliográfica que parecia ter parado no tempo. O recado editorial, nesses casos, é quase imediato.

Atualizar referências não significa apenas acrescentar estudos recentes. Significa demonstrar domínio da conversa contemporânea. Saber quem está moldando o debate hoje, quais tensões permanecem abertas, quais conceitos estão sendo refinados. Sem isso, o artigo corre o risco de parecer intelectualmente atrasado, mesmo ao abordar um tema novo.

O que exatamente muda na compreensão do leitor depois que ele termina o artigo?

Essa é a pergunta mais simples e a mais exigente. Porque ela obriga o autor a ir além da justificativa temática e enfrentar o núcleo do manuscrito. E é quase sempre no núcleo — não na superfície — que as decisões editoriais se definem.

Os artigos mais fortes costumam ser mais precisos e mais modestos na aparência. Não prometem revolucionar o campo. Fazem algo mais difícil: constroem, com clareza, uma peça de avanço intelectual proporcional à evidência que possuem.

Escrever para um periódico como a BAR não exige prometer tudo. Exige saber, com precisão, o que se está entregando.

Porém, esconde uma assimetria brutal.

Em países de alta renda, 2 em cada 3 pessoas já usam ferramentas de IA. Em países de baixa renda, esse número fica próximo de 5%. E quando olhamos especificamente para pesquisadores, o padrão se repete: países de renda média usam IA quatro vezes menos do que países ricos.

Não é uma questão de disposição. É uma questão de acesso.

O pesquisador de Harvard e o da UFG têm acesso à mesma ferramenta. Mas não ao mesmo resultado.

Enquanto isso, 118 países — a maioria do Sul Global — estão completamente ausentes das discussões que decidem como a IA na ciência vai funcionar. Quem define os critérios de qualidade, as políticas de uso, os limites éticos? Não somos nem convidados para a conversa.

Subscribe now

O PNUD chama esse cenário de “A Próxima Grande Divergência”. A ideia é direta: a IA pode reverter décadas de convergência entre países ricos e pobres. Não porque a tecnologia seja intrinsecamente excludente. Mas por que amplifica o que já existe? Infraestrutura, talento, financiamento, poder computacional, tudo concentrado nos mesmos lugares de sempre.

E aqui mora o paradoxo que me incomoda como pesquisador.

A IA é apresentada como solução para a sobrecarga do cientista. Revisão de literatura mais rápida. Análise de dados mais eficiente. Escrita mais fluida. E é verdade para quem tem acesso pleno às ferramentas: o ganho de produtividade é real.

Mas se essa produtividade é quatro vezes maior nos países que já publicam mais, já têm mais recursos, já dominam os periódicos de maior impacto, o que a IA está fazendo, na prática, é aumentar a distância.

Não estou dizendo que não devemos usar IA. Uso. E recomendo.

Estou dizendo que precisamos parar de tratar adoção como sinônimo de equidade. Ter acesso a uma ferramenta não significa competir em igualdade de condições com quem a desenvolveu, que fala a língua nativa do modelo e que dispõe de poder computacional para rodar versões que nem chegaram ao plano gratuito.

A pergunta que a pesquisa latino-americana precisa fazer não é “como usar melhor a IA”. É “para quem essa IA foi feita — e o que fazemos com isso”.

Seu orientador nunca foi preparado para ser orientador. E isso muda tudo.

Há um critério claro para se tornar orientador em um programa de pós-graduação. Publicações suficientes. Índice H adequado. Projetos aprovados. Bolsas captadas.

Nenhum desses critérios exige que a pessoa saiba orientar.

E isso raramente é dito em voz alta.

O orientador não passou por nenhuma formação sistemática sobre como conduzir uma relação de orientação. Não aprendeu sobre feedback construtivo, sobre escuta ativa, sobre como acompanhar alguém em colapso criativo às três da tarde de uma quarta-feira de doutorado.

Ele aprendeu a pesquisar. E assumiu que isso era suficiente para ensinar outros a pesquisar.

Não é. Existe algo mais silencioso acontecendo nessa equação.

Share

O orientador não herda apenas o conhecimento da sua área. Ele herda o modelo de orientação em que viveu. A lógica, o ritmo, as expectativas implícitas, a forma como o sofrimento foi tratado — ou ignorado — durante a sua própria formação.

Se o doutorado foi difícil para ele, será difícil para os orientandos. Não porque ele quer isso. Mas porque é o único modelo que conhece internamente.

Se o orientador foi formado na crença de que pressão gera excelência, ele vai pressionar. Se aprendeu que distância é profissionalismo, vai se distanciar. Se nunca teve espaço para questionar a abordagem metodológica, vai tratar o método como dogma. E aqui chegamos num ponto que poucos querem nomear.

O orientador quanti vai querer um orientando quanti.

Não necessariamente por convicção epistemológica. Às vezes por conforto. Por familiaridade. Porque é o que sabe avaliar, o que sabe defender em banca, o que sabe encaixar na literatura que domina.

O aluno que chega com uma questão de pesquisa que requer outra abordagem enfrenta uma escolha não anunciada: adaptar a pergunta ao método do orientador ou enfrentar resistência.

A pergunta de pesquisa deveria orientar a escolha metodológica. Na prática, muitas vezes é o contrário — o método disponível molda a pergunta possível. E o aluno perde algo que nunca vai conseguir nomear direito: a experiência de escolher o caminho com base no problema que quer resolver.

Eu me vejo nessa armadilha.

Tenho minhas preferências. Minha zona de conforto analítica. E sei que isso inevitavelmente aparece nas conversas com orientandos, nas perguntas que faço, nas lacunas que enxergo antes das que não enxergo.

Nenhum orientador é neutro. O problema é quando ele acredita que é.

Share

A cultura da pós-graduação precisa ser revisada em um nível que vá além das normas e dos regulamentos. Ela precisa criar espaços para que o orientador se pergunte: o que eu estou transmitindo que não escolhi?

Não estou falando de terapia. Estou falando de formação. De programas que preparem orientadores não apenas para conduzir pesquisa, mas também para conduzir pessoas que estão aprendendo a conduzir pesquisa.

A diferença é enorme.

Um pesquisador competente e um orientador competente são duas coisas distintas. A academia trata como se fossem a mesma. E enquanto isso não mudar, vamos continuar formando orientadores pelo único método que conhecemos.

A repetição do que foi feito com a gente.

Subscribe now

Trinta pessoas. Cadernos abertos. Celulares filmando a tela.

Eu estava explicando como um modelo de linguagem processa informação. Como a lógica probabilística gera texto. Por que o output precisa ser verificado.

Ninguém anotou nada.

Cinco minutos depois, mostrei um prompt para revisar parágrafos acadêmicos.

Todo mundo anotou.

Não é a primeira vez que isso acontece. E não vai ser a última.

Subscribe now

O padrão é sempre o mesmo. Quando a explicação é conceitual, o olhar se dispersa. Quando o conteúdo vira receita, o engajamento explode.

É compreensível. Ninguém acorda de manhã querendo entender arquitetura de redes neurais. As pessoas querem resolver problemas. Querem o atalho.

O problema é que o professor sabe — ou deveria saber — que o atalho sem fundamento é um caminho curto para lugar nenhum.

Recebi uma mensagem de um colega há algumas semanas. Professor experiente, orientador ativo.

Ele me contou que pediu ao ChatGPT que indicasse um artigo científico a um orientando. Recebeu título, autores, revista, ano. Tudo impecável.

O artigo não existia.

A pergunta dele foi direta: “Se a IA alucina, em que momento posso confiar nela?”

A resposta é simples: em nenhum momento, sem verificação. Mas a pergunta revela algo maior. Um pesquisador com décadas de experiência tratou um modelo generativo como um banco de dados. Não por ignorância. Por falta de letramento sobre o que aquela ferramenta é — e, principalmente, sobre o que ela não é.

Esse é o dilema real de quem está em sala de aula hoje.

Porque há uma diferença enorme entre letramento instrumental e letramento crítico. Walter (2024), num estudo publicado no International Journal of Educational Technology in Higher Education, argumenta que a integração de IA na educação exige não apenas habilidades técnicas, mas também pensamento crítico sobre o funcionamento e os impactos dessas tecnologias. Ou seja: saber usar não é o mesmo que compreender.

Share

Letramento instrumental é ensinar o prompt. É mostrar a ferramenta, o passo a passo, o atalho. Tem valor? Tem. Resolve o problema imediato? Resolve.

Letramento crítico é outra coisa. É entender por que o modelo gera o que gera. É saber que “alucinação” não é um bug — é uma característica de um sistema probabilístico que não foi projetado para produzir verdade, mas para produzir texto estatisticamente plausível. É reconhecer que, no contexto científico, essa distinção não é um detalhe. É fundamento.

E aqui entra a parte que me incomoda como professor.

Eu também sinto a tentação de ensinar só o atalho.

Dá resultado imediato. O feedback é positivo. O engajamento é visível. As pessoas saem da formação com a sensação de terem aprendido algo útil.

Mas é justamente aí que mora a diferença entre formar um operador de ferramenta e formar alguém que pensa com a ferramenta.

Uma pesquisa publicada por Knoth e colegas mostrou que estudantes com maior letramento em IA — não apenas competência técnica, mas também compreensão conceitual — conseguem formular prompts de melhor qualidade e avaliar criticamente os resultados. Em outras palavras: quem entende o que está fazendo usa a ferramenta melhor do que quem só sabe onde apertar.

Agora, a pergunta mais incômoda.

Os novos pesquisadores vão se interessar por isso?

A resposta honesta: muitos não vão. Pelo menos não de imediato.

E é compreensível. O ecossistema inteiro empurra na direção contrária. As redes sociais premiam o hack rápido. Cursos vendem prompts milagrosos. Threads viralizam com listas de “10 comandos que vão mudar sua escrita acadêmica.”

Tudo isso cria uma ilusão: a de que saber usar a ferramenta é suficiente.

Mas já passamos por isso antes. Ninguém achava metodologia de pesquisa empolgante na graduação. Estatística era o pesadelo coletivo. E, no entanto, quem teve uma boa formação metodológica se diferenciou depois. Não porque sabia rodar um teste, mas porque entendia o que significava.

E esse ponto é fundamental.

A velocidade com que os modelos evoluem torna qualquer prompt específico perecível. O que você ensinou ontem pode ser irrelevante amanhã. Mas a capacidade de compreender o que está acontecendo entre a pergunta e a resposta — isso não perece.

Ensinar só o prompt é como ensinar alguém a dirigir um carro específico. Ensinar o letramento é ensinar a compreender o trânsito.

Não estou dizendo que devemos abandonar o ensino de prompts. Prompts são ferramentas. E ferramentas importam.

Mas ferramenta sem compreensão é automatismo. E, na ciência, o automatismo é o oposto do que queremos.

O professor que ensina apenas o atalho está formando operadores, não pesquisadores.

Referências mencionadas:

Knoth, N., Tolzin, A., Janson, A., & Leimeister, J. M. (2024). AI literacy and its implications for prompt engineering strategies. Computers and Education: Artificial Intelligence, 6, 100225.

Walter, Y. (2024). Embracing the future of Artificial Intelligence in the classroom: the relevance of AI literacy, prompt engineering, and critical thinking in modern education. International Journal of Educational Technology in Higher Education, 21(1), 15.

Subscribe now

A pergunta que ninguém faz

Recebo com frequência a seguinte pergunta:

Respondo. Sempre tento ajudar. Porém, confesso que, cada vez mais, a pergunta tem me feito refletir bastante. Não pela pergunta em si. Pelo que revela.

Ocupo diferentes lugares nesse ecossistema acadêmico. Sou professor, orientador, editor, autor, revisor. Cada papel me oferece uma janela diferente sobre o mesmo fenômeno. E nelas todas, vejo o mesmo sintoma.

Share

Na sala de aula, os alunos chegam com respostas prontas. Mas quando a pergunta muda, travam. Reproduzem bem. Compreendem pouco.

Na orientação, recebo textos “redondos demais”. Bem escritos, bem estruturados. Mas quando pergunto por que escolheram aquele caminho, o silêncio responde.

Como editor, leio submissões tecnicamente corretas. Cumprem o protocolo. Mas não dizem nada novo. Não arriscam.

Como revisor, percebo a costura. Parágrafos que não conversam. Ideias que foram montadas, não pensadas.

E como autor? Sinto a mesma tentação. A pressão por produzir empurra todo mundo pro atalho.

Templates, prompts, tutoriais, automações. Tudo a um clique. Tudo pronto pra usar.

Tem uma frase que tenho usado bastante: aprendemos onde apertar, mas não o que estamos fazendo.

Salvamos posts. Colecionamos recursos. Acumulamos pastas de “ler depois”.

E na hora de fazer, percebemos que não sabemos nada.

Porque ter acesso não é ter domínio.

A inteligência artificial intensificou isso.

O “efeito Google” descrevia nossa tendência de não reter o que sabemos que podemos buscar, porém, o fenômeno é outro. Não é só não reter. É não processar.

A IA entrega o produto final. Sem exigir o percurso.

Subscribe now

Recebemos a resposta, mas não construímos a pergunta.

Parece sutil. Mas a diferença é fundamental.

Uma busca solução. A outra busca compreensão.

A curiosidade — aquilo que deveria definir quem faz ciência — vem sendo terceirizada.

Estamos formando uma geração que sabe operar, mas não investigar. Que produz muito, mas contribui pouco.

Alta produtividade. Baixa profundidade.

Eu acredito no poder transformador do conhecimento. Da ciência. Da pesquisa feita com rigor e intenção.

Mas o conhecimento que transforma não nasce da execução eficiente de templates.

Nasce de perguntas que incomodam. De processos que demoram. De erros que ensinam.

Não estou dizendo para abandonar as ferramentas. Estou dizendo que a ferramenta é meio, não fim.

E que talvez, antes de perguntar qual apertar, valha a pena perguntar: o que exatamente eu quero aprender?

A resposta pode demorar mais. Mas vai ser sua.

Isso é importante. O problema é que vem antes do básico.

Um estudo da Unicamp revelou que apenas 13% dos ingressantes de pós-graduação sabem o que é plágio. A maioria considera o plágio não-intencional — resultado de falta de tempo, dificuldade de escrita, desconhecimento das regras. Não é má-fé. É uma lacuna de formação.

Subscribe now

A disciplina de metodologia assume que o aluno já sabe ler um artigo científico, já sabe escrever um argumento, já sabe buscar literatura, já sabe citar corretamente. Assume que o térreo está pronto. Raramente está.

O perfil mudou. As trajetórias são menos lineares. Muitos chegam ao mestrado vindos do mercado, de outras áreas, sem passagem por iniciação científica (IC). A relação com a leitura é diferente — uma geração que consome informação em fragmentos enfrenta artigos de vinte páginas em inglês acadêmico como um obstáculo, não como rotina.

E a iniciação científica (IC), que deveria preparar esse aluno, alcança menos de 3% dos graduandos. O sistema depende de uma IC que a maioria nunca teve.

O resultado aparece nos números. A taxa média de evasão na pós-graduação é de 12%, atingindo 26% nas Engenharias. Entre 2019 e 2022, o número de ingressantes caiu 12%. Pesquisa da Fiocruz encontrou 45% dos pós-graduandos com ansiedade generalizada — seis vezes mais do que a população geral.

Share Ricardo Limongi

Não são falhas individuais. São sintomas de um sistema que oferece reflexão epistemológica a quem ainda não domina a prática.

A questão regional agrava. Os programas de excelência estão concentrados no Sudeste. Um aluno que entra num programa nota 3 no interior do Norte ou do Nordeste enfrenta desafios diferentes: menos infraestrutura, mais dificuldade na composição do quadro de professores, menos acesso a redes nacionais e internacionais. A formação básica que falta nos grandes centros falta ainda mais na periferia do sistema.

Sem competências básicas, a IA vira um problema, não uma solução. O aluno que não sabe ler criticamente não consegue avaliar se o texto gerado faz sentido. O aluno que não entende integridade acadêmica não sabe onde está a linha entre o uso legítimo e o plágio sofisticado. A IA amplifica o que o pesquisador já é. Se ele tem base sólida, acelera. Se tem lacunas, mascara — e o problema aparece depois, na banca, na revisão, na retratação.

Formar o básico não é resistência à tecnologia. É pré-requisito para usá-la de forma consciente.

A proposta não é abandonar a metodologia científica. É criar uma etapa anterior. Disciplinas práticas: leitura estratégica, escrita científica, busca em bases de dados e normas de citação. Um nivelamento que reconheça a heterogeneidade real dos ingressantes e os trate como iguais é uma ficção.

Discutir Popper faz sentido. Mas faz mais sentido quando o aluno já sabe ler um artigo inteiro.

A pós-graduação brasileira desenvolveu uma excelente capacidade científica. Preservar esse legado exige reconhecer que o perfil do pesquisador mudou — e que a formação precisa mudar junto.

Não é sobre ensinar menos. É sobre ensinar na ordem certa.

Share

A resposta, na época, foi clara. O pesquisador ideal deveria ter:

• Capacidade administrativa

• Aptidão para liderança

• Espírito empreendedor

• Saber trabalhar em grupo e se comunicar

• Vocação para formar discípulos

• Sensibilidade social e política

• Percepção das mudanças da economia

• Capacidade de dialogar com empresas

Leu a lista? Agora me diz: o que mudou?

Subscribe now

Quase 30 anos depois

Estamos em 2026. ChatGPT tem três anos. Claude, Gemini, ferramentas de IA para pesquisa pipocam todo mês. A gente fala em “revolução” na ciência.

Porém, quando olho para os editais de fomento, para os critérios de seleção de programas de pós-graduação, para o que se espera de um pesquisador “competitivo” — vejo a mesma lista de 1997.

Trabalho em grupo? Check.
Liderança? Check.
Comunicação? Check.
Captação de recursos? Check.
Diálogo com empresas? Check.

A única diferença é que agora adicionamos “saber usar IA” como se fosse mais uma ferramenta no toolkit. Como se fosse equivalente a “saber usar Excel” ou “saber fazer análise estatística”.

E aqui está o problema.

IA não é uma ferramenta. É uma mudança epistemológica.

Quando você usa IA para fazer revisão de literatura, você não está apenas “acelerando” um processo. Você está mudando a natureza do processo.

Antes: ler 50 artigos, um por um, fazer fichamentos manuais, identificar padrões pela sua própria cognição.

Depois: processar 500 artigos em minutos, ter sínteses automáticas, identificar conexões que você jamais veria sozinho.

Isso não é “fazer a mesma coisa mais rápido”. É fazer uma coisa diferente.

O pesquisador que entende isso opera em outro nível.

Share

O que deveria ter mudado (e não mudou)

Se eu fosse reescrever aquela carta da FAPESP para 2026, o perfil do pesquisador contemporâneo incluiria:

1. Letramento em IA aplicada à pesquisa

Não “saber usar ChatGPT”. Entender como modelos de linguagem funcionam, quais são seus limites, quando confiar e quando duvidar. Saber formular prompts que extraem valor real. Entender vieses algorítmicos.

2. Curadoria crítica em escala

A IA permite processar volumes de informação antes impossíveis. Porém, processar não é entender. O pesquisador de 2026 precisa ser um curador: alguém que sabe o que perguntar, como filtrar e quando a síntese automática está errada.

3. Pensamento de sistemas, não de tarefas

A maioria dos pesquisadores usa IA para tarefas isoladas: resumir um artigo, corrigir um texto, traduzir uma seção. Poucos pensam em sistemas: como integrar IA no workflow inteiro de pesquisa, da formulação do problema à disseminação.

4. Ética algorítmica aplicada

Quem treinou os modelos que você usa? Com que dados? Que vieses estão embutidos? Se você usa IA para analisar dados qualitativos, você sabe quais pressupostos estão codificados nas respostas?

5. Comunicação híbrida

Escrever para humanos E para algoritmos. Entender como SEO acadêmico funciona. Saber que a disseminação científica agora passa por plataformas que têm suas próprias lógicas de distribuição.

Por que nada disso está na formação de pesquisadores?

Porque quem forma pesquisadores — orientadores, programas de pós, agências de fomento — ainda opera no paradigma de 1997.

Não é má vontade. É inércia institucional.

Os orientadores de hoje foram formados num mundo sem IA. Eles ensinam o que sabem. O problema é que o que sabem já não é suficiente.

Os programas de pós-graduação são avaliados por métricas que premiam volume de publicação, não inovação metodológica. Ninguém ganha ponto na CAPES por “formar pesquisadores com letramento em IA”.

As agências de fomento pedem “metodologia inovadora” nos projetos, mas os pareceristas muitas vezes não sabem avaliar o que é uso adequado de IA versus uso superficial.

Resultado: formamos pesquisadores de 1997 com acesso a ferramentas de 2026.

O que fazer?

Se você é pesquisador em formação, a responsabilidade é sua. Não espere que seu orientador te ensine a usar IA — provavelmente ele está aprendendo junto com você (ou resistindo).

Algumas sugestões práticas:

1. Dedique tempo para entender IA, não só usar. Leia sobre como LLMs funcionam. Entenda os limites. Isso vai te diferenciar de 90% dos pesquisadores que só copiam e colam prompts.

2. Documente seus workflows. Como você integra IA na sua pesquisa? Isso já é contribuição metodológica. Escreva. Compartilhe.

3. Questione sínteses automáticas. Sempre. A IA é confiante mesmo quando está errada. Você precisa ser o filtro crítico.

4. Experimente além do óbvio. Todo mundo usa IA para “melhorar texto”. Poucos usam para gerar hipóteses, identificar lacunas, simular contra-argumentos. Explore.

Se você é orientador, a responsabilidade é ainda maior. Você está formando pesquisadores para um mundo que você não viveu. Humildade é pré-requisito.

Share Ricardo Limongi

A verdadeira pergunta

O perfil do pesquisador mudou na era da IA?

A resposta honesta: deveria ter mudado, mas ainda não mudou.

Estamos usando tecnologia de 2026 com mentalidade de 1997. A lista de habilidades desejáveis permanece a mesma. O que mudou foi o contexto — e o contexto mudou radicalmente.

A IA não veio para tornar pesquisadores mais eficientes fazendo as mesmas coisas. Veio para permitir que façamos coisas diferentes.

Mas só vai fazer diferença se mudarmos a forma como pensamos pesquisa, como formamos pesquisadores e como avaliamos competência.

Enquanto isso não acontecer, vamos continuar publicando reportagens sobre “o perfil do pesquisador contemporâneo” que poderiam ter sido escritas há 30 anos.

Fonte:
Revista Pesquisa FAPESP, Edição 23, 1997. “Perfil desejável do pesquisador” (Carta do Editor).

O ganho é ainda maior para quem não fala inglês como língua nativa. Pesquisadores asiáticos, por exemplo, aumentaram sua produção em até 89% após adotarem essas ferramentas.

Parece democratização. Parece progresso.

O problema está no que vem depois.

Esses mesmos artigos — bem escritos, fluentes e estruturados — estão sendo rejeitados em taxas maiores do que os escritos sem IA. Mesmo quando a escrita é impecável, os revisores percebem algo de errado. Não sabem nomear exatamente o quê, mas rejeitam (Kusumegi et al., 2025).

O estudo, conduzido por pesquisadores da Cornell e da Berkeley, analisou mais de 2 milhões de artigos publicados entre 2018 e 2024. A conclusão é incômoda: a IA turbinou a produção, mas não a ciência.

O sistema de publicação científica foi construído sobre uma premissa que funcionou por décadas: escrever bem era difícil. Exigia anos de prática, domínio do idioma, familiaridade com as convenções do campo. Revisores sobrecarregados podiam usar a qualidade da escrita como filtro inicial. Não era perfeito, mas servia.

A IA acabou com essa premissa.

Subscribe now

Agora qualquer pessoa pode produzir texto fluente, vocabulário sofisticado, estrutura lógica — independentemente da qualidade da pesquisa por trás. O sinal que antes indicava competência virou ruído.

E os revisores não têm ferramentas para lidar com isso.

O sistema de revisão por pares já estava em colapso antes do ChatGPT. Horta e Jung (2024) descrevem uma crise de sustentabilidade: o volume de submissões cresceu 6,1% ao ano entre 2013 e 2016, enquanto o número de artigos publicados subiu apenas 2,6%. Editores relatam precisar convidar entre 10 e 12 revisores para garantir que dois aceitem avaliar um manuscrito.tru

Os números são ainda piores em outros relatos. Emanuele et al. (2025) documentam casos em que editores enviam até 35 convites para conseguir dois revisores. O tempo médio de avaliação ultrapassa 100 dias, com manuscritos demorando quase um ano entre a submissão e a publicação. No Brasil…ainda mais difícil.

Globalmente, pesquisadores dedicam mais de 100 milhões de horas por ano à revisão — trabalho avaliado em mais de 200 bilhões de dólares, mas realizado de graça (Aczel et al., 2021). As mesmas editoras que lucram 35-40% de margem dependem de voluntários exaustos.

O que acontece quando você joga 50% mais submissões nesse sistema?

Três cenários, todos ruins: revisões mais superficiais, prazos ainda maiores ou rejeições sumárias em massa. Nenhum resolve o problema. Apenas redistribui o dano.

A ironia é que quem mais se beneficiaria da tecnologia é quem mais sofre com o sistema.

Pesquisadores do Sul Global enfrentam barreiras brutais. Precisam de mais tempo para escrever em inglês, têm frequência 2-3 vezes maior de rejeição por questões de linguagem e 12 vezes mais pedidos de revisão relacionados ao idioma (Herd et al., 2025). Um estudo de Chowdhury et al. (2025) com 908 cientistas ambientais revelou que mulheres, não-nativos e pesquisadores de países de baixa renda publicam 70% menos do que seus pares privilegiados.

A IA poderia nivelar esse campo. Porém, o que o estudo da Science sugere é diferente: mais submissões, sim — mas com taxas de aceitação menores.

Porque o viés não está só na língua. Está nos conselhos editoriais, nos critérios de avaliação, nas suposições sobre o que constitui “rigor”. Pesquisadores do Sul Global enfrentam taxas de rejeição mais altas e tempos de revisão mais longos devido a vieses culturais e sub-representação em boards editoriais (Bertram et al., 2025). A IA resolve a escrita. Não resolve a estrutura.

Peter Higgs, o físico do bóson, disse em 2013 que não conseguiria emprego acadêmico hoje — não seria considerado “produtivo o suficiente” (Aitkenhead, 2013). Einstein alertou que forçar cientistas a produzir em grande quantidade cria “o perigo da superficialidade intelectual”.

Isso era antes da IA.

Share Ricardo Limongi

Agora temos um sistema que premia quantidade porque é fácil medir, mas não consegue avaliar qualidade porque custa tempo e penaliza justamente quem a tecnologia deveria ajudar. Aczel et al. (2025) argumentam que o modelo tradicional de publicação entrelaça o avanço de carreira aos objetivos científicos, o que distorce a integridade da pesquisa.

Publicar mais não é o mesmo que fazer mais ciência.

A pergunta que ninguém quer responder é: se a contagem de artigos não mede produtividade científica, o que mede?

Enquanto não tivermos resposta, a IA vai continuar turbinando um incentivo que já era perverso.

Referências

Aczel, B., Szaszi, B. & Holcombe, A.O. A billion-dollar donation: estimating the cost of researchers’ time spent on peer review. Res Integr Peer Rev 6, 14 (2021). https://doi.org/10.1186/s41073-021-00118-2

Aczel, A. Barwich, A.B. Diekman, A. Fishbach, R.L. Goldstone, P. Gomez, O.E. Gundersen, P.T. von Hippel, A.O. Holcombe, S. Lewandowsky, N. Nozari, F. Pestilli, & J.P.A. Ioannidis, The present and future of peer review: Ideas, interventions, and evidence, Proc. Natl. Acad. Sci. U.S.A. 122 (5) e2401232121, https://doi.org/10.1073/pnas.2401232121 (2025).

Aitkenhead, D. (2013, December 6). Peter Higgs: I wouldn’t be productive enough for today’s academic system. The Guardian. https://www.theguardian.com/science/2013/dec/06/peter-higgs-boson-academic-system

Bertram, M. G., et al. (2025). Global North-South science inequalities due to language and funding barriers. Zenodo. https://doi.org/10.5281/zenodo.14902147

Chowdhury, S., et al. (2025). Global study reveals hidden inequities in research productivity. Monash University. https://www.monash.edu/science/news-events/news/2025/global-study-reveals-hidden-inequities-in-research-productivity

Emanuele E, Minoretti P. The Peer Review Crisis Demands Radical Reform: Why Reviewers Should Become Paid Professional Referees. Cureus. 2025 Jul 13;17(7):e87817. doi: https://pubmed.ncbi.nlm.nih.gov/40799859/10.7759/cureus.87817

Herd, C., et al. (2025). Building research capacity in the Global South: Insights from a scientific writing workshop. Research Square. https://doi.org/10.21203/rs.3.rs-7310084/v1

Horta, H., & Jung, J. (2024). The crisis of peer review: Part of the evolution of science. Higher Education Quarterly, 78(2), 511-527. https://doi.org/10.1111/hequ.12511

Kusumegi, K., Yang, X., Ginsparg, P., de Vaan, M., Stuart, T., & Yin, Y. (2025). Scientific production in the era of large language models. Science, 390(6779), 1240-1243. https://doi.org/10.1126/science.adw3000

Para entender a questão, é preciso saber como funciona esse mercado. Quando você publica um artigo científico, existem basicamente três caminhos. No modelo tradicional, a editora cobra assinaturas de bibliotecas e universidades para que outros possam ler seu trabalho — você não paga nada, mas seu artigo fica atrás de um paywall.

Subscribe now

No modelo de acesso aberto “dourado”, você paga uma taxa de processamento (a famosa APC, Article Processing Charge) para que o artigo fique disponível gratuitamente para todos. Essa taxa varia de US$ 3.000 a US$ 11.000 dependendo do prestígio do periódico.

E existe um terceiro caminho, menos conhecido no Brasil mas dominante na América Latina: o acesso aberto “diamante”. Nele, ninguém paga — nem autor, nem leitor. O financiamento vem de instituições públicas, universidades e agências de fomento. O SciELO opera assim há 27 anos.

Os acordos da CAPES são uma tentativa de combinar os dois primeiros modelos. O Brasil continua pagando as assinaturas do Portal de Periódicos e agora paga também as APCs. A promessa é que isso “democratiza” o acesso à produção científica brasileira.

Mas há um detalhe incômodo.

Um estudo publicado na Scientometrics analisou mais de mil periódicos híbridos da Wiley e concluiu que o aumento de artigos em acesso aberto não resultou em redução nos preços das assinaturas. Os pesquisadores foram diretos: “não há como negar que o double dipping ocorre” (Shu & Larivière, 2023).

Os números ajudam a dimensionar o problema. A CAPES investiu mais de US$ 43 milhões em acordos transformativos em 2024 (CAPES, 2024). Esse dinheiro vai para empresas que operam com margens de lucro entre 27% e 38% — superiores às da Apple e do Google (Larivière et al., 2015). A Elsevier, sozinha, lucrou £3,2 bilhões em 2024 (Research Professional News, 2025).

Enquanto isso, o SciELO publica artigos com custo médio de US$ 300 a US$ 400 cada (Packer, 2022). É uma fração do que as editoras comerciais cobram.

A questão não é se os acordos ajudam pesquisadores individualmente. Ajudam. Um doutorando sem recursos agora pode publicar na Nature Communications sem desembolsar €5.990. Isso importa.

A questão é se faz sentido transformar esse arranjo em política de Estado permanente.

Outros países fizeram escolhas diferentes. O MIT cancelou seu contrato com a Elsevier em 2020 e permanece sem acordo até hoje, economizando cerca de US$ 2 milhões por ano. A diretora de bibliotecas, Chris Bourg, foi clara: “Esta é tanto a coisa certa a fazer em termos de nossos valores quanto do ponto de vista econômico” (MIT Libraries, 2020).

A Universidade da Califórnia seguiu caminho parecido. Cancelou o contrato em 2019, ficou dois anos sem acesso, e só voltou a negociar quando conseguiu termos mais favoráveis (University of California, 2021).

O caso mais emblemático é o da França. O CNRS, maior organização de pesquisa do país, cancelou a assinatura do Scopus em 2024 e anunciou o fim do acesso ao Web of Science a partir de janeiro de 2026. A economia de €1,4 milhão anuais será redirecionada para bases de dados abertas como o OpenAlex (CNRS, 2025).

O vice-diretor científico do CNRS, Alain Schuhl, explicou a decisão de forma contundente: “Trabalhamos de graça para nos prender coletivamente em um sistema pago, quando todos sabemos de seus vieses e incompletude” (CNRS, 2025).

É uma frase que deveria estar pendurada em todas as pró-reitorias de pesquisa do Brasil.

A América Latina, aliás, já tinha a resposta antes de a pergunta ser feita. O SciELO foi criado em 1997 — antes do movimento global de acesso aberto ganhar força. Hoje reúne mais de 1.600 periódicos em 13 países, todos em acesso aberto sem cobrar APCs (Packer, 2022).

O Redalyc e a AmeliCA complementam esse ecossistema. Juntos, representam a maior infraestrutura de acesso aberto não-comercial do mundo. Um estudo da revista Science mostrou que 95% dos periódicos latino-americanos são de acesso aberto sem taxas para autores (Rodríguez, 2024).

O Brasil é líder global nesse modelo. E está canalizando recursos públicos para o modelo oposto.

Existe uma explicação para isso, e ela passa pela avaliação. O sistema Qualis da CAPES ainda privilegia publicações em periódicos internacionais de alto fator de impacto. E os periódicos de alto impacto, em sua maioria, pertencem às grandes editoras comerciais.

Isso cria um ciclo vicioso. Pesquisadores precisam publicar em revistas de alto impacto para progredir na carreira. Essas revistas cobram APCs elevadas. O governo paga as APCs. As editoras aumentam suas margens. E a infraestrutura nacional de publicação científica continua subfinanciada.

A Declaração de São Francisco sobre Avaliação de Pesquisa (DORA), assinada por mais de 22 mil pesquisadores e instituições em 159 países, recomenda explicitamente que não se use o fator de impacto como proxy de qualidade (DORA, 2012). O CNRS francês assinou a DORA em 2019 e reformou seu sistema de avaliação. A CAPES brasileira não assinou.

O próprio Grupo de Trabalho de Acesso Aberto da CAPES reconheceu, em relatório de 2024, “a comercialização do Acesso Aberto por editoras, que impõe altos custos de APCs” e “a insustentabilidade de um modelo financeiro baseado exclusivamente em APCs” (CAPES, 2024). Mesmo assim, concluiu que os acordos transformativos são “o caminho mais adequado” no momento.

A cOAlition S, grupo de agências de fomento europeias que criou o Plan S para acelerar o acesso aberto, anunciou em 2023 o fim do suporte a acordos transformativos após 2024. A justificativa foi direta: “não estão aumentando a transição para acesso aberto rápido o suficiente” (cOAlition S, 2023).

Um estudo do JISC britânico calculou que, no ritmo atual, seriam necessários pelo menos 70 anos para que as cinco grandes editoras convertessem seus periódicos para acesso aberto completo (Scholarly Kitchen, 2024). É uma transição que não transforma nada.

O Brasil tem uma oportunidade que poucos países têm. Possui infraestrutura própria consolidada, expertise acumulada em quase três décadas de SciELO, e uma tradição de publicação acadêmica não-comercial que é referência mundial.

A escolha não precisa ser binária. É possível manter acordos transformativos como ferramenta de curto prazo enquanto se investe seriamente na infraestrutura nacional. Mas isso exige três movimentos simultâneos.

Primeiro, estabelecer prazo de validade para os acordos. Eles são ponte, não destino. A própria cOAlition S já reconheceu isso.

Segundo, reformar o sistema de avaliação. Enquanto o Qualis premiar publicação em periódicos de alto impacto sem considerar o modelo de acesso, pesquisadores continuarão pressionados a alimentar o sistema que os explora. A adesão formal à DORA seria um sinal importante.

Terceiro, redirecionar parte dos recursos hoje destinados a APCs para fortalecer o SciELO, os repositórios institucionais e os periódicos nacionais de qualidade. Se US$ 43 milhões por ano vão para editoras com margens de 38%, uma fração desse valor multiplicaria a capacidade de publicação brasileira em acesso aberto diamante.

Abel Packer, diretor do SciELO, colocou a questão de forma precisa: “Se o SciELO pode produzir edição de última geração por US$ 300-400 por artigo, por que acadêmicos estão pagando muito mais para editoras comerciais?” (Packer, 2022).

A resposta envolve prestígio, avaliação, incentivos desalinhados e uma certa inércia institucional. Mas também envolve escolhas políticas que podem ser revistas.

A política atual resolve um problema real para pesquisadores individuais. Mas ao se consolidar como permanente, transfere bilhões de reais em recursos públicos para um oligopólio editorial que acadêmicos, bibliotecários e financiadores ao redor do mundo já identificaram como insustentável.

O Brasil sabe fazer ciência aberta. Faz isso há quase 30 anos. A questão é se vai continuar liderando ou se vai pagar para que outros liderem por nós.

Share Ricardo Limongi

O que você acha? A política de APCs da CAPES deveria ter prazo de validade? Os critérios de avaliação deveriam mudar para valorizar publicações em acesso aberto diamante?

Referências

CAPES. (2024). Portal de Periódicos - Acordos Transformativos e Pagamentos de APC. https://www.periodicos.capes.gov.br/index.php/acessoaberto/acordos-transformativos.html

CNRS. (2025, 1 de dezembro). The CNRS is breaking free from the Web of Science. https://www.cnrs.fr/en/update/cnrs-breaking-free-web-science

cOAlition S. (2023). Transformative Agreements - Statement on support beyond 2024. https://www.coalition-s.org/

DORA. (2012). San Francisco Declaration on Research Assessment. https://sfdora.org/read/

Larivière, V., Haustein, S., & Mongeon, P. (2015). The oligopoly of academic publishers in the digital era. PLOS ONE, 10(6), e0127502. https://doi.org/10.1371/journal.pone.0127502

MIT Libraries. (2020). MIT, guided by open access principles, ends Elsevier negotiations. https://libraries.mit.edu/news/

Research Professional News. (2025, fevereiro). Elsevier parent company reports 10% rise in profit, to £3.2bn. Research Professional News. https://www.researchprofessionalnews.com/rr-news-world-2025-2-elsevier-parent-company-reports-10-rise-in-profit-to-3-2bn/

Rodríguez, L. (2024). Latin American journals are open-access pioneers. Now, they need an audience. Science. https://www.science.org/content/article/latin-american-journals-are-open-access-pioneers-now-they-need-audience

Scholarly Kitchen. (2024, 4 de abril). Transitional agreements aren’t working: What comes next? The Scholarly Kitchen. https://scholarlykitchen.sspnet.org/2024/04/04/transitional-agreements-arent-working-what-comes-next/

Shu, F., & Larivière, V. (2023). Does double dipping occur? The case of Wiley’s hybrid journals. Scientometrics, 128, 4151–4168. https://doi.org/10.1007/s11192-023-04800-8

University of California. (2021). UC and Elsevier: FAQs. Office of Scholarly Communication. https://osc.universityofcalifornia.edu/uc-publisher-relationships/uc-and-elsevier/

“Pedi ao ChatGPT para indicar um artigo para meu orientando. Descobri depois que o artigo não existia. A IA alucinava.

Minha resposta foi: “Em que momento podemos confiar na máquina?” A resposta: “Em nenhum momento somos pesquisadores; verificar informações é literalmente o nosso trabalho.”

Porém, essa pergunta revela algo mais profundo. Três anos depois do lançamento de ChatGPT, temos dezenas de guias, diretrizes e políticas editoriais sobre uso de IA. Você certamente já leu alguns. E mesmo assim, a pergunta persiste.

O problema não é falta de guia. O problema é que os guias não estão resolvendo o que precisam resolver. No primeiro momento, foi fundamental; agora, precisamos ir além.

Subscribe now

O consenso que já temos

Fui coautor de um guia sobre IA na pesquisa. Dei palestras em diversos cursos e instituições sobre o tema. Conheço bem essa literatura. Posso afirmar: chegamos a um consenso. Olhe as políticas das principais editoras e organizações internacionais:

Fontes: COPE Position Statement (2024); ICMJE Recommendations (2024); Políticas editoriais atualizadas em 2025.

Os guias fizeram seu trabalho. Estabeleceram um piso ético. Criaram regras claras sobre autoria, transparência e responsabilidade. Isso era necessário—e foi feito. Porém, como coloquei na tabela, estão dizendo, essencialmente, o mesmo. Um pesquisador que leu um guia leu todos.

E é aí que mora o problema: os novos guias não estão trazendo novidades. Estão apenas reorganizando o que já sabemos.

O que os guias não resolvem

Nas minhas palestras, percebo algo recorrente: professores e alunos estão conduzindo as discussões e implementando as políticas. Mas o receio quanto ao prejuízo na formação e na avaliação de trabalhos não diminuiu.

Por quê? Porque os guias respondem “o que fazer”, mas não ensinam “como pensar”.

Veja o caso do professor que abriu este texto. Ele conhece as regras. Sabe que não pode listar IA como autora, que precisa declarar uso, que é responsável pelo conteúdo. Mesmo assim, usou o ChatGPT para buscar referências—uma tarefa que a ferramenta faz mal—e não verificou o resultado.

O problema não era ignorância das regras. Era falta de um modo diferente de raciocinar sobre quando, como e para que usar a ferramenta.

O que deveríamos estar discutindo

A literatura acadêmica já está apontando para questões que os guias nem tocam:

1. A mudança epistemológica

Um artigo recente na revista AI & Society argumenta que a IA não é apenas uma nova ferramenta metodológica—é uma transformação na própria estrutura do conhecimento científico. A IA desafia paradigmas clássicos como o falsificacionismo, proposto por Karl Popper, e a observação carregada de teoria.

Traduzindo: os guias falam de transparência no uso. Mas ninguém está perguntando se a IA muda o que conta como “descoberta” ou “evidência”.

2. A inversão do processo

Pesquisadores estão propondo o conceito de “epistemologia adaptativa”: antes, o pesquisador coletava dados e concluía. Agora, a atividade crítica está na formulação de perguntas—o que alguns chamam de “lógica de construção de prompts”.

Traduzindo: os guias ensinam a declarar o uso. Mas não ensinam a formular boas perguntas para sistemas de IA.

3. O quinto paradigma

Há quem defenda que, depois do empírico, do teórico, do computacional e do data-driven, estamos entrando num quinto paradigma científico: a pesquisa inteligente (AI4R), em que a IA é parte constitutiva do processo.

Traduzindo: os guias tratam a IA como uma ferramenta auxiliar. Porém, e se ela for um novo modo de fazer ciência?

Share Ricardo Limongi

O que precisamos agora

Não estou dizendo que os guias não são mais úteis. Eles criaram o vocabulário básico, as regras mínimas, o terreno comum. Isso era necessário.

Porém, três anos depois, precisamos avançar. Algumas perguntas que deveríamos estar discutindo:

• Literacia algorítmica: Como formar pesquisadores que saibam não apenas usar IA, mas pensar criticamente sobre ela?

• Epistemologia da IA: Quando um resultado é “descoberto” por você ou pelo algoritmo? Isso muda a natureza da contribuição?

• Práticas situadas: Em vez de regras universais, como desenvolver um julgamento contextual sobre quando e como usar IA em diferentes etapas da pesquisa?

• Formação de orientadores: Como preparar professores para avaliar trabalhos que usaram IA sem cair no pânico ou na ingenuidade?

Um convite para você

Estou começando esta newsletter porque acredito que a discussão sobre IA e pesquisa precisa ir além dos guias. Não contra eles—além deles.

Se você é pesquisador, orientador, gestor ou estudante que sente que as diretrizes existentes não estão dando conta da realidade, esta conversa é para você.

Nas próximas edições, vou explorar essas questões trazendo pesquisas recentes, casos práticos e, principalmente, perguntas que ainda não têm resposta.

O que você acha? Os guias ainda são suficientes para a sua realidade? O que falta na discussão?

Comente aqui ou me manda uma mensagem. Quero construir isso com você.


Referências citadas:

• COPE Council. (2024). COPE Position Statement: Authorship and AI. https://publicationethics.org/cope-position-statements/ai-author

• ICMJE. (2024). Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals. https://www.icmje.org

• Cruz-Aguilar, M. A. (2025). The epistemic revolution of AI: reconfiguring the foundations of scientific knowledge. AI & Society. https://doi.org/10.1007/s00146-025-02658-3

• Elsevier. (2025). Generative AI policies for journals. https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

• Springer Nature. (2025). Editorial Policies: Artificial Intelligence.

• Wiley. (2025). AI Guidelines for Authors.

• SAGE. (2025). Artificial Intelligence Policy.