Um estudo publicado em janeiro de 2026 na revista Nature analisou 41,3 milhões de artigos científicos das áreas de biologia, ciências dos materiais, física, geologia, medicina e química, entre 1980 e 2025, e encontrou um paradoxo: a inteligência artificial (IA) impulsiona a produtividade individual, mas reduz a diversidade temática da ciência como um todo. Pesquisadores que adotam IA publicam, em média, três vezes mais artigos e recebem quase cinco vezes mais citações, além de acelerarem a progressão na carreira. No entanto, a amplitude temática encolheu quase 5% desde a disseminação da IA, e o engajamento cruzado entre pesquisadores caiu 22%. Ou seja, há mais cientistas publicando mais sobre menos assuntos, e esses trabalhos geram menos conversas entre os pares.
Mais produção, menos diversidade
O estudo divide a história da IA em três eras: aprendizado de máquina clássico (1980–2014), aprendizado profundo (2015–2022) e IA generativa (2023 em diante). Em todas elas, o padrão se repete: o cientista que adota IA ganha em produtividade individual, mas a ciência coletiva perde em diversidade. Para medir essa perda, os autores criaram o conceito de “extensão do conhecimento”, uma métrica da variedade de temas explorados por um conjunto de artigos. Quando comparados em amostras aleatórias, os artigos que usam IA cobrem um espaço temático quase 5% menor do que os que não usam — e isso vale para mais de 70% das mais de 200 subáreas analisadas.
Uma explicação está na disponibilidade de dados: a IA funciona melhor onde há mais dados estruturados para treinar modelos e validar previsões. Isso atrai pesquisadores para campos já maduros, com padrões consolidados, em detrimento de questões menos estabelecidas e, portanto, “arriscadas”. “Acelerar a atividade científica sob a luz lançada por fenômenos de alta visibilidade e ricos em dados afasta a ciência de muitas questões fundamentais e a empurra em direção a questões operacionais”, pontuam os autores. “A IA parece impulsionar a solução de problemas em vez de gerá-los.”
Se publicar com IA garante mais citações e visibilidade, o incentivo para adotar a tecnologia cresce. Quando mais pesquisadores se voltam para os mesmos campos — os mais ricos em dados e onde o uso da IA já é consagrado — a concentração aumenta. O índice de Gini, que mede desigualdade, é de 0,75 na distribuição de citações para artigos que usam IA, contra 0,69 para os demais — quanto mais perto de 1, maior a homogeneidade. Isso significa que poucos trabalhos, aqueles que usam IA, concentram uma fatia desproporcional da atenção.
James Evans, professor de sociologia e ciência de dados na Universidade de Chicago e diretor do Knowledge Lab, chama esse fenômeno de “multidão solitária”: artigos que se voltam para os mesmos tópicos populares, mas que interagem menos entre si. “A adoção de IA na ciência apresenta o que parece ser um paradoxo: uma expansão do impacto dos cientistas como indivíduos, mas uma contração no alcance da ciência coletiva.”
Fabio Cozman, diretor do Centro de Inteligência Artificial da USP (C4AI), apoiado pela FAPESP, considera outras possibilidades. “A IA é uma ferramenta útil e poderosa. Se ela for usada para ficar repetindo soluções, vai, sim, aumentar o overlapping. Mas cabe a nós, à comunidade acadêmica e também aos órgãos de financiamento, ter uma política agressiva que valorize a originalidade. Se você valoriza a originalidade, isso vai forçar os pesquisadores a usar as ferramentas de IA como suporte para a busca de novas ideias.”
Dilemas para jovens cientistas
Outra dimensão da adoção de IA na produção acadêmica levanta um questionamento: o que acontece com os jovens cientistas que deveriam aprender realizando tarefas que agora a IA executa? O estudo revela que equipes que usam IA tendem a ter menos pesquisadores, sobretudo em início de carreira. O número médio de cientistas júniores em equipes que não trabalham com IA é de 2,89; em equipes que aplicam IA, cai para 1,99 — uma redução de 31%. Já entre pesquisadores sênior, a discrepância é menor: 4,01 em times que adotam IA contra 3,58 nos que não adotam. Proporcionalmente, a IA substitui mais iniciantes do que veteranos.
Ao mesmo tempo, cientistas iniciantes que trabalham com IA têm 45% de chance de se estabelecer na carreira — uma taxa 13,64% superior à dos pares que não usam a tecnologia. “Meu medo não é que os jovens dependam da IA para executar a parte técnica, mas que ela cause uma dessensibilização neles”, comenta Helder Nakaya, pesquisador sênior do Einstein Hospital Israelita e professor da Faculdade de Ciências Farmacêuticas da USP. Marcos Buckeridge, professor do Instituto de Biociências e vice-diretor do Instituto de Estudos Avançados da USP, compartilha a preocupação e vai além: o artigo da Nature pode ser mal interpretado por pesquisadores em formação. “Ele é instrutivo e ao mesmo tempo perigoso. Pode induzir a uma utilização da IA a qualquer custo.”
Análise de dados, revisão de literatura e planejamento de experimentos são habilidades aprendidas na prática — errando, corrigindo e refazendo. É nesse processo que surgem perguntas novas, insights inesperados e uma intuição que a IA ainda não oferece. “Uma coisa é usar a IA para aumentar a produtividade em tarefas que o pesquisador já domina. Outra é aprender a fazer ciência usando IA desde o início”, afirma Nakaya. “Há estudos que indicam que o aprendizado com IA não ativa as mesmas áreas do cérebro que são estimuladas pelo aprendizado sem esse apoio.” O estudo deixa em aberto o que acontece quando a tecnologia encurta ou substitui essas etapas fundamentais da formação científica.
“O papel do orientador será cada vez mais estimular reflexão, em vez de focar na técnica, que será automatizada”, diz Nakaya. “O que sobra para mim, como cientista, é a parte da curiosidade, que é o que fez a gente entrar nesse caminho.” Buckeridge vê benefícios concretos: desde 2023, os manuscritos de seus alunos passaram a chegar com o inglês mais polido graças à IA generativa, o que pode liberar o foco para as ideias. “Mas a aprendizagem pelo fazer continua sendo insubstituível”, ressalta.
A ciência que a IA não alcança
Evans, que também é pesquisador visitante no Google, acredita em uma mudança de foco. Em vez de priorizar dados existentes, o objetivo deveria ser usar a tecnologia para coletar dados novos, em territórios ainda não mapeados. “Usar IA para impulsionar a coleta de novos dados representaria uma mudança crucial em direção a problemas que somente ela pode ajudar a resolver. O processamento de dados já existentes demonstra que a IA tem bom desempenho com esse tipo de informação. Contudo, é possível estimular a coleta de dados inéditos que conectem sistemas biológicos conhecidos ou que relacionem informações de escala astronômica com áreas da física que buscam pistas valiosas pelo Universo, como quem procura uma agulha no palheiro.”
Evans também trabalha em uma direção menos explorada: abrir novas dimensões nos modelos de linguagem, em vez de apenas comprimir informação existente. “Estamos desenvolvendo modelos para reconhecer dados, afirmações ou artigos surpreendentes e, em seguida, avaliar, a partir de uma surpresa identificada, que outras ideias improváveis até então podem ser mais prováveis agora.” A lógica é a da descoberta: encontrar o que era invisível em vez de otimizar o que já se conhece.
Segundo Cozman, da USP, “cabe a nós valorizar menos a repetição e o número de publicações e valorizar aquilo que é novo, mesmo quando não deu certo, porque isso é o que é difícil na análise e no suporte à pesquisa.”
O lugar humano na pesquisa
Nakaya, que aplica aprendizado de máquina em suas pesquisas há mais de duas décadas, analisa que o impacto da IA na ciência seguirá três estágios. No primeiro, o atual, a tecnologia aumenta a produtividade individual. No segundo, já em curso, a IA passa a executar tarefas melhor do que os humanos, e ao cientista caberá fazer as perguntas certas e entender os gargalos. No terceiro, mais distante, a IA também formulará as perguntas, e o que sobrará para os pesquisadores será aquilo que os levou à ciência em primeiro lugar: o gosto pela curiosidade. “No futuro, a meu ver, vai sobrar fazer pesquisa não utilitarista, por prazer”, diz Nakaya.
Ele traça um paralelo com o xadrez. Em 1997, Garry Kasparov perdeu para o supercomputador Deep Blue e muita gente achou que o jogo acabaria. “Hoje, mais pessoas jogam xadrez do que antes. Temos que perder um pouco desse ego de achar que vamos ser sempre melhores do que as máquinas. Em alguns aspectos seremos piores. Tudo bem. Vamos usar as máquinas para melhorar a nossa pesquisa.”
Buckeridge evoca uma analogia com o futebol. “Em relação à IA, assim como no esporte, a gente tem que antever a jogada e se mover para onde a bola vai estar e não se aglomerar onde ela está.” O perigo, para ele, é a ciência correndo atrás “da bola” da IA e abandonando campos com menos dados, mas com questões igualmente importantes. “Vai se repetir o que aconteceu com a biologia molecular. Chegou um momento em que todo mundo foi atrás e faltou gente em bioquímica. Isso é ruim para a ciência, ruim para a produção do conhecimento, mas é assim que o jogo é jogado.”
Conhecimento não é entendimento
Há uma anedota do físico americano Richard Feynman: você pode saber o nome de um pássaro em todas as línguas do mundo e continuará sem saber nada sobre o pássaro. O conhecimento não é a mesma coisa que o entendimento. Ter acesso a toda a literatura científica via um modelo de linguagem não faz de ninguém um cientista, mas somente alguém bem informado.
O estudo de Evans e colaboradores aponta, nesse sentido, para um horizonte que vai além das métricas de produtividade. Ao final, a pergunta não é apenas quantos artigos a IA ajuda a publicar, mas o que esses artigos estão descobrindo e, mais importante, o que estão deixando de perguntar. “Para preservar a exploração coletiva numa era de uso de inteligência artificial, precisaremos reimaginar sistemas de IA que expandam não apenas a capacidade cognitiva, mas também a capacidade sensorial e experimental, permitindo e incentivando os cientistas a buscar, selecionar e coletar novos tipos de dados de domínios anteriormente inacessíveis, em vez de meramente otimizar a análise de dados existentes”, escrevem os autores.
A história das grandes descobertas científicas está mais ligada a novas formas de ver a natureza do que à otimização das formas já existentes de olhar para ela. O desafio é ensinar à máquina, e aos jovens pesquisadores, o caminho da curiosidade.
