O uso de LLMs na academia virou um segredo de polichinelo. Todo mundo usa, poucos admitem a extensão desse uso e quase ninguém discute o efeito colateral de longo prazo na originalidade das ideias. Um reportagem de hoje da Folha de São Paulo de um estudo antigo da revista Nature("AI and the transformation of social science research", de 2024) traz um alerta sobre o que estão chamando de pasteurização da ciência. Basicamente, ao delegarmos a escrita, e por consequência, parte do encadeamento lógico, para modelos que operam via previsão estatística do próximo token, estamos achatando a curva de inovação.

O triunfo da média estatística

Modelos de linguagem são, por definição, máquinas de presumir o provável. Eles foram treinados no consenso da internet e da literatura existente. Quando um pesquisador usa o ChatGPT para estruturar um argumento ou polir um abstract, o modelo tende a empurrar o texto para o centro gravitacional do que já foi dito. O resultado é uma produção acadêmica que parece escrita pela mesma pessoa, com as mesmas metáforas gastas e a mesma estrutura previsível. Perde-se o estilo, a nuance e o pensamento lateral que geralmente nasce do esforço cognitivo de colocar uma ideia complexa no papel.

Na Fatec, vejo isso acontecer na base. Alunos que deveriam estar exercitando a capacidade de síntese e crítica acabam se tornando editores de texto gerado. O problema não é a ferramenta em si, mas a perda do atrito necessário para o aprendizado profundo. Se o caminho para publicar um paper fica fácil demais, o incentivo para buscar o novo, o estranho e o contraintuitivo diminui. A ciência avança pelos outliers, não pela média das distribuições de probabilidade.

A IA como muleta ou alavanca

Existe uma diferença brutal entre usar IA para organizar referências ou sugerir sinônimos e usá-la para construir a narrativa da pesquisa. No meu livro Engenharia de Prompt para Devs, bato muito na tecla de que a técnica deve servir para expandir a capacidade humana, não para substituí-la. Se o pesquisador vira apenas um apontador de prompts, a ciência vira um gerador de lero-lero sofisticado. Precisamos de IA que nos ajude a testar hipóteses absurdas e a cruzar dados que olhos humanos não veem, e não de IAs que escrevam o que já sabemos de um jeito bonitinho.

Para quem está no mercado, esse fenômeno também é um risco. Na T2S, quando montamos squads de IA, o foco é na resolução de problemas complexos que o arroz com feijão dos LLMs não resolve. Se o seu projeto de IA é apenas uma casca sobre uma API que cospe o óbvio, você está apenas contribuindo para esse ruído global. O desafio agora é recuperar a intencionalidade. A IA deve ser o microscópio, não o olho que enxerga.

Conclusão: A pesquisa está sendo tracionada pela IA

A grande verdade é que a IA potencializa o trabalho de bons pesquisadores enquanto ajuda a proliferar trabalhos mediocres de pesquisados mediocres. Mas, por outro lado, temos aprópria IA para filtrar o conteúdo e nos entregar o que queremos, da forma que queremos. Se bem instruída, claro.

Sem um esforço consciente de originalidade, a ciência vai virar um grande loop de feedback onde a IA lê o que a IA escreveu. Mas os avanços recentes nos mostram que a pesquisa, na verdade, está ganhando uma tração nunca antes vista na história.

Conecte-se comigo para discutirmos mais sobre os limites da IA na vida real: https://linktr.ee/ricardo.pupo.