A inteligência artificial vem alterando a forma como se faz pesquisa em laboratórios mundo afora. Sistemas de IA já conseguem vasculhar a literatura científica, propor hipóteses, analisar resultados e sugerir os próximos experimentos. Não por acaso, os chamados “cientistas artificiais” entraram neste ano na lista “10 Things That Matter in AI Right Now”, da MIT Technology Review. A expressão pode sugerir máquinas de jaleco branco formulando sozinhas a próxima grande teoria científica. Mas não se trata disso.
Em certo sentido, a IA parece acelerar aquilo que o historiador e filósofo da ciência Thomas Kuhn chamou de “ciência normal”. Em A Estrutura das Revoluções Científicas, Kuhn descreve grande parte do trabalho científico como a resolução de problemas dentro de paradigmas estabelecidos. A IA pode percorrer esses caminhos muito mais rapidamente: ler mais artigos, testar mais combinações e eliminar hipóteses ruins antes que pesquisadores gastem meses com elas. Mas a ciência não avança apenas fazendo mais rápido aquilo que já sabemos fazer.
Alguns textos recentes publicados na revista científica Nature oferecem perspectivas diferentes sobre o futuro da ciência. Em um deles, o cientista social computacional James Evans, da Universidade de Chicago, analisa The Engine of Scientific Discovery, livro que Alexander Krauss lançou este ano pela Oxford University Press. Segundo Krauss, a história da ciência mostra que grandes descobertas dependem muitas vezes da criação de novas ferramentas. Um instrumento pode tornar visível algo que antes não conseguíamos observar, permitir uma nova medição ou criar uma forma de experimentação até então impossível. Com isso, abre-se um novo território científico.
Há, claro, o risco da substituição de pesquisadores de carne e osso por agentes de IA — foi disso que tratei aqui na coluna passada, ao escrever sobre as startups que apostam no autoaperfeiçoamento recursivo. Mas talvez seja mais interessante pensar em quais novos instrumentos científicos conseguiremos construir com a ajuda da inteligência artificial. Uma IA pode encontrar relações inesperadas entre milhares de variáveis, sugerir moléculas improváveis ou criar novas maneiras de interpretar dados. Nesse cenário, em vez de substituir a criatividade do cientista, ela amplia o espaço onde essa criatividade pode acontecer.
Existe, no entanto, um paradoxo — e quem o mediu foi o próprio Evans. Em estudo assinado com pesquisadores da Universidade Tsinghua, também publicado na Nature, ele analisou 41,3 milhões de artigos de ciências naturais produzidos entre 1980 e 2025. Pesquisadores envolvidos em trabalhos com IA publicavam cerca de três vezes mais e recebiam quase cinco vezes mais citações. Para os cientistas, individualmente, portanto, a tecnologia funcionava como um poderoso acelerador. Para a ciência como um todo, o resultado era diferente: o conjunto de temas explorados encolhia e os trabalhos passavam a dialogar menos entre si. As pesquisas apoiadas por IA tendiam a se concentrar em áreas onde já existiam muitos dados, em vez de necessariamente abrir novos campos. É uma versão científica da velha história de procurar uma chave debaixo do poste porque ali existe mais luz. A inteligência artificial acaba de instalar um poste extremamente potente. O risco é começarmos a procurar apenas onde ela ilumina melhor.
Há ainda um segundo problema: quem controla essa luz. A pesquisa de ponta em IA exige chips, data centers, grandes bases de dados e dinheiro, muito dinheiro. E esses recursos estão cada vez mais concentrados. Segundo o AI Index 2026, de Stanford, mais de 90% dos modelos de fronteira considerados “notáveis”, em 2025, foram produzidos pela indústria privada. O relatório aponta também uma queda de transparência, com lacunas maiores sobre dados de treinamento, recursos computacionais e impactos após a implantação dos modelos.
Essa tensão não nasceu com a inteligência artificial. Da indústria farmacêutica à corrida entre o Projeto Genoma Humano (um consórcio público internacional) e a Celera Genomics, do cientista Craig Venter (iniciativa privada), dinheiro, infraestrutura e acesso a equipamentos sempre influenciaram quais perguntas científicas avançam mais rápido. A diferença, agora, é a natureza do gargalo: chips, data centers, grandes bases de dados e modelos fechados podem concentrar não apenas os meios de pesquisa — incluindo os talentos humanos — mas também a capacidade de formular e testar certas perguntas.
Curiosamente, a própria IA pode oferecer uma saída, ainda que parcial, para esse problema. O Translation Readiness Index, citado em outro artigo da Nature, é um sistema de machine learning criado para identificar artigos cujo texto se aproxima de pesquisas associadas a patentes. Descrito em um trabalho ainda sem revisão por pares, o modelo foi desenvolvido a partir de mais de 20 mil publicações e usa títulos e resumos para encontrar sinais que poderiam passar despercebidos por universidades e, sobretudo, investidores.
A aplicação é interessante. Milhões de artigos científicos são publicados e ninguém é capaz de acompanhar tudo. Em tese, um algoritmo poderia funcionar como radar, encontrando pesquisas promissoras produzidas em instituições que normalmente recebem pouca atenção. Em vez de o dinheiro tornar uma pesquisa visível, a tecnologia tornaria a pesquisa visível para que ela encontre dinheiro.
Por enquanto, porém, a evidência aponta para outro lado. Quando os criadores testaram o sistema na Universidade da Austrália Ocidental, 83 dos 100 artigos mais bem ranqueados tinham coautores ligados à indústria e 34 envolviam alguém que já havia patenteado antes. O radar encontrou, sobretudo, quem já estava no mapa. Há ainda o risco de o modelo cair na mesma cilada de concentração temática: se todos utilizarem filtros parecidos, todos podem acabar financiando os mesmos campos de pesquisa. Ou seja, a ferramenta criada para revelar boa ciência escondida começaria a ressaltar mais do mesmo. Também vale lembrar que ciência com potencial de patente não é necessariamente sinônimo de ciência importante para a sociedade.
De toda forma, o momento atual mostra que a inteligência artificial pode transformar a maneira como produzimos conhecimento sem necessariamente substituir os cientistas. Ela pode criar novas ferramentas para enxergarmos aquilo que hoje permanece imperceptível, multiplicando nossa capacidade de descobrir.
Potência computacional, dados e novos modelos de IA serão partes cada vez mais relevantes das pesquisas de ponta. Tão importante quanto aumentar a potência dessas máquinas será ampliar o número de pessoas e instituições capazes de decidir para onde elas devem apontar.
Rafael Coimbra
