IA turbinou cientistas, mas encolheu a ciência: o que 41,3 milhões de papers dizem ao Brasil

Resumo: Reportagem da Science (AAAS), apoiada em paper publicado pela Nature em 2026, analisou 41,3 milhões de papers ao longo de 23 anos e chegou a uma conclusão desconfortável: cientistas que adotaram IA publicam 3,02 vezes mais, recebem 4,84 vezes mais citações e chegam a posições de liderança antes. Mas o conjunto da ciência, visto como ecossistema, encolheu — a variedade de tópicos estudados caiu 4,63% e o engajamento entre cientistas caiu 22% nos trabalhos com IA. É um paradoxo: cresce o impacto individual, contrai-se a abrangência coletiva. Para o Brasil, com orçamento de ciência apertado e adoção desigual de IA, o achado é mais relevante ainda.

O que o estudo mediu

O paper, divulgado pela Nature e referenciado pela Science, separa três eras de adoção de IA na ciência: machine learning clássico (1980–2014), deep learning (2016–2022) e IA generativa (2023 em diante). Em todas, papers que usaram IA receberam quase o dobro de citações por ano comparados aos que não usaram. Carreiras de cientistas que adotaram IA aceleraram: três vezes mais artigos e quase cinco vezes mais citações ao longo da carreira.

O lado preocupante aparece quando se olha para a ciência como sistema. Trabalhos com IA tendem a se aglomerar nos mesmos problemas — aqueles em que há dados grandes, abertos, bem rotulados. Áreas mais “estatísticamente ricas” recebem ainda mais atenção, áreas com poucos dados ficam ainda mais marginais. O número absoluto de tópicos efetivamente estudados cai 4,63%, e a chance de um cientista citar trabalhos de outros cientistas (medida de tecido conectivo da literatura) cai 22% em torno de trabalhos com IA.

Por que isso é um paradoxo

Não é que IA seja “boa” ou “ruim” para a ciência. É que IA muda o cálculo de custo-benefício do cientista. Onde há muito dado e métrica clara, IA acelera. Onde não há, o cientista racional reorienta o foco. A consequência agregada é diversidade temática menor, redundância maior em problemas crowded, e uma literatura menos costurada entre si.

Por que importa para o Brasil

O Brasil tem três características que tornam o achado especialmente sensível: pesquisa pública subfinanciada, distribuição geográfica desigual de acesso a dados e infraestrutura, e história de pesquisa em áreas de baixa intensidade de dados — biodiversidade, saúde tropical, ciências sociais regionais, humanidades. Essas são, justamente, as áreas que tendem a perder em uma ciência IA-cêntrica.

Se a corrida por citações e impacto individual orienta cada vez mais decisões de carreira (e orienta — CNPq, CAPES, fomento estadual e privado olham para indicadores), o pesquisador brasileiro racional migra para problemas onde IA dá retorno. Os temas tipicamente brasileiros — Amazônia, doenças negligenciadas, biomas pouco mapeados, sociedade desigual — perdem talento.

O que está em jogo concretamente

Três cenários:

• Concentração geográfica: USP, Unicamp, UFRJ, UFMG e poucas outras concentram acesso a GPU, datasets e parcerias. A ciência IA-cêntrica reforça a concentração.
• Áreas órfãs: campos tradicionalmente fortes no Brasil mas pobres em dados (etnobotânica, sociologia regional, história oral) podem encolher por gravitação de talento.
• Indicadores enganosos: avaliação por citações pode subir no agregado nacional sem que isso reflita ganho real para os problemas estratégicos brasileiros.

O que dá para fazer agora

Tanto o paper da Nature quanto a reportagem da Science apontam que a solução não é frear adoção de IA — é desenhar incentivos. Para o ecossistema brasileiro, há três alavancas concretas.

Primeiro, fomento explícito para uso de IA em áreas com poucos dados. Chamadas CNPq/FAPESP/FAPERJ podem priorizar projetos que apliquem IA a temas brasileiros menos cobertos — biodiversidade amazônica, saúde indígena, agricultura familiar — ao invés de só financiar replicação de problemas internacionais.

Segundo, infraestrutura compartilhada de dados. Repositórios nacionais (Plataforma SciELO, repositórios institucionais, dados abertos governamentais) precisam de curadoria que torne os dados brasileiros tão acessíveis quanto os internacionais. Quando o dado existe e é bom, IA flui para o problema.

Terceiro, métricas além da citação. Avaliação que pondere relevância para problemas nacionais, impacto social, formação de mão de obra e parcerias com setor produtivo reduz pressão por citações pela citação.

Riscos e limitações

• Correlação não é causalidade: cientistas que adotam IA podem já ser, em média, mais produtivos. Parte do ganho de carreira pode refletir seleção, não efeito da ferramenta.
• Definição de “uso de IA”: o estudo usa pistas textuais do paper. Pode subestimar uso disfarçado e superestimar uso superficial.
• Encolhimento temático medido em escala global: para o Brasil, o efeito pode ser ainda maior, mas o paper não desagregou por país com profundidade.
• Áreas menos cobertas hoje podem ser as mais importantes amanhã: ignorar isso é arriscar o futuro.

Análise SWOT — adoção de IA na ciência brasileira

Cenário futuro

Se nada mudar no desenho de incentivos, a previsão é que o Brasil siga a tendência global — ciência mais intensa, mais citada, mais concentrada em torno de menos problemas. A oportunidade é deliberada: usar IA como ferramenta para problemas tipicamente brasileiros, não para correr atrás dos mesmos benchmarks que laboratórios bilionários já dominam. Países com agências de fomento ágeis (Holanda, Coreia, Israel) já recalibraram editais nessa direção.

Conclusão prática

Para pesquisadores: usar IA é racional, mas vale escolher consciente onde aplicá-la — se em problema crowded ou em problema underserviced. Para gestores de pesquisa: revisar métricas de avaliação e incentivos a colaboração interárea. Para formuladores de política científica: editais devem premiar diversidade temática e uso de IA fora dos “vencedores fáceis”.

Esta matéria é informativa e não substitui aconselhamento profissional em decisões de carreira científica ou política pública.

Fonte original: AI has supercharged scientists — but may have shrunk science (Science / AAAS, 2026)