O que o estudo sobre o tempo que a IA poupa aos cientistas demonstra — e o que não demonstra

Um relatório sobre usos da IA, não uma prova de que há mais descobertas

AI in Science: Early Insights examina como a inteligência artificial está sendo usada no trabalho científico. A página do MIT FutureTech informa que o relatório foi publicado em 16 de setembro de 2026 e atribui o trabalho a uma colaboração com a Google e a Google DeepMind. O estudo combina três tipos de evidência: uma amostra de 15 milhões de interações com o Gemini, um inventário de mais de 2.600 modelos especializados e uma pesquisa com mais de 600 cientistas dos Estados Unidos e do Reino Unido.

Essa combinação permite observar o fenômeno de diferentes ângulos, mas não transforma o relatório em um experimento que demonstre que a IA causa um aumento da produção científica. As interações registram atividade em um produto; o inventário descreve ferramentas disponíveis; e a pesquisa reúne respostas de pessoas. Nenhuma dessas medidas, por si só, estabelece que mais resultados sejam publicados, que eles sejam melhores ou que ocorram mais descobertas graças à IA.

Essa distinção é importante porque realizar uma tarefa mais rapidamente não significa necessariamente concluir um projeto científico em menos tempo. O tempo liberado pode ser dedicado a revisar resultados, conduzir experimentos, explorar outras hipóteses ou atender a tarefas que antes eram adiadas. Para saber o que acontece em cada caso, são necessárias medidas de resultados e comparações adequadas, além de dados sobre o uso das ferramentas.

Três fontes que respondem a perguntas diferentes

O primeiro componente é a amostra de interações com o Gemini. Ela pode ajudar a descrever que tipos de tarefas aparecem no uso desse sistema, mas não representa automaticamente toda a atividade científica nem todo o uso da IA. As conversas com um produto não incluem necessariamente o trabalho realizado com outras ferramentas, sistemas privados ou processos que não passam por uma interface de conversação. O número de 15 milhões indica o tamanho da amostra descrita, não a quantidade de cientistas que participaram.

O segundo componente é um inventário de mais de 2.600 modelos especializados. Sua presença permite situar a análise para além dos modelos de uso geral: existem sistemas concebidos para tarefas ou áreas específicas. Mas contar modelos não equivale a medir quantos laboratórios os utilizam, com que frequência são usados ou que resultados produzem. Para chegar a essas conclusões, seriam necessários dados de adoção e avaliação que não devem ser inferidos apenas do tamanho do inventário.

A terceira fonte é uma pesquisa com mais de 600 cientistas dos Estados Unidos e do Reino Unido. Ela fornece informações sobre experiências e estimativas declaradas pelos participantes. Sua interpretação depende de como as pessoas foram recrutadas, de quem respondeu e de como as perguntas foram formuladas. As informações disponíveis nas fontes fornecidas não permitem estabelecer aqui a representatividade da amostra, a taxa de resposta ou se houve ponderação dos resultados. Por isso, as respostas não devem ser apresentadas como uma medição de toda a comunidade científica.

Quase sete horas por semana: uma estimativa declarada

O dado mais fácil de tirar de contexto é o de quase sete horas por semana que os participantes da pesquisa dizem economizar. Segundo o relatório, trata-se de uma estimativa informada pelos próprios participantes. Ela não deve ser descrita como se um cronômetro tivesse registrado quanto tempo levavam antes e depois de incorporar a IA, nem como uma medida independente de produtividade.

A autodeclaração é útil para entender como as pessoas percebem o efeito de uma ferramenta. Também pode refletir tarefas específicas que são concluídas mais rapidamente. No entanto, depende da memória, da interpretação individual do que significa «economizar tempo» e da comparação que cada pessoa faz com uma situação hipotética sem IA. Sem uma linha de base observada, não é possível saber com a mesma precisão se a economia declarada corresponde ao tempo efetivamente liberado.

Também não se pode deduzir desse número que todos os cientistas economizem o mesmo tempo, que a economia se mantenha em todas as disciplinas ou que as horas sejam integralmente convertidas em pesquisa adicional. Parte delas pode ser dedicada a corrigir respostas, repetir análises ou verificar informações. Outras podem reduzir tarefas administrativas ou facilitar uma exploração inicial, mas isso não necessariamente encurta o ciclo completo de uma pesquisa.

Portanto, a formulação mais fiel é que os participantes estimam economizar cerca de sete horas por semana. Transformar essa percepção em uma afirmação sobre produtividade exige mais evidências: medições longitudinais, definições comparáveis das tarefas e resultados observáveis, além de um grupo ou de uma linha de base que ajude a entender o que teria acontecido sem a ferramenta.

Modelos gerais e especializados não são medidas intercambiáveis

O estudo reúne informações sobre o Gemini e um inventário de modelos especializados, duas categorias que devem ser mantidas distintas. Um modelo de linguagem de uso geral pode servir para tarefas variadas, como redigir ou resumir textos. Um modelo especializado é concebido para uma tarefa ou área mais delimitada. O fato de ambos aparecerem no panorama da IA na ciência não significa que tenham o mesmo uso, que possam substituir um ao outro ou que seu desempenho possa ser comparado por meio de um único indicador.

A taxonomia de tarefas científicas associada ao trabalho do MIT FutureTech oferece contexto para organizar as atividades consideradas trabalho científico. Esse referencial pode ajudar a classificar tarefas, mas uma classificação não demonstra que a IA as execute corretamente nem que reduza o tempo total de uma pesquisa. Para avaliar uma ferramenta específica, importam a tarefa, a área, os critérios de avaliação e a intervenção humana necessária.

Na prática, a utilidade pode variar até mesmo dentro de um único projeto. Uma ferramenta pode apoiar uma etapa de busca ou análise e, ao mesmo tempo, exigir verificações substanciais antes que seus resultados sejam incorporados a uma decisão experimental. Por isso, não basta perguntar se um modelo é «útil para a ciência»: é preciso especificar para qual tarefa, sob quais controles e com que evidências de desempenho.

A validação e a experimentação continuam fazendo parte do trabalho

O relatório indica que validar resultados e testar hipóteses continuam consumindo tempo. Essa observação limita uma leitura simplista segundo a qual automatizar uma parte do processo elimina os obstáculos da pesquisa. Uma sugestão gerada por IA pode exigir verificação; uma hipótese plausível não é um resultado confirmado; e uma análise digital não substitui automaticamente a observação ou a experimentação necessárias para responder a uma pergunta.

A diferença entre o trabalho digital e o físico é especialmente relevante. A cobertura da Scientific American sobre o estudo destaca que a IA pode acelerar algumas tarefas de pesquisa sem acelerar no mesmo ritmo os experimentos de laboratório. É um contexto útil para pensar nos gargalos, embora uma reportagem secundária não substitua os dados nem o método do relatório original.

A validação clínica também apresenta exigências próprias: uma ideia ou um resultado inicial não demonstra que uma intervenção seja segura ou eficaz em pessoas. Em termos gerais, a passagem de uma proposta a uma conclusão confiável depende de procedimentos de verificação adequados à área. As fontes disponíveis permitem apontar que validar e experimentar continuam sendo tarefas necessárias, mas não autorizam quantificar aqui quanto tempo cada etapa consome nem atribuir o mesmo gargalo a todas as disciplinas.

Limites: seleção, alcance geográfico e causalidade

A pesquisa diz respeito a cientistas dos Estados Unidos e do Reino Unido; por isso, não deve ser tratada automaticamente como representativa de pesquisadores de outros países, instituições ou disciplinas. Diferenças de recursos, acesso a ferramentas, normas profissionais e infraestrutura podem afetar tanto o uso quanto a experiência. As fontes fornecidas não apresentam aqui informações suficientes para avaliar a representatividade ou extrapolar as respostas para toda a comunidade científica.

Também é preciso considerar quem aceita participar de uma pesquisa sobre IA. Ao contextualizar o estudo, a Scientific American observa que o recrutamento por meio de painéis pode favorecer a participação de usuários frequentes dessas ferramentas. Essa possibilidade é uma cautela sobre seleção, não uma demonstração de que a pesquisa tenha um viés em determinada direção. Para avaliar seu alcance, seria necessário conhecer o método de recrutamento, a taxa de resposta e as características de participantes e não participantes.

Por fim, o relatório reúne diferentes tipos de evidência, mas a associação entre usar IA e declarar economia de tempo não comprova causalidade. Para sustentar uma conclusão causal, seriam necessários desenhos de pesquisa capazes de separar o efeito da ferramenta de outros fatores, como experiência prévia, tipo de tarefa, disponibilidade de pessoal ou recursos computacionais. Além disso, os resultados precisariam ser avaliados de modo a incluir qualidade e confiabilidade, não apenas rapidez ou percepção de economia.

Que dados tornariam a conclusão mais sólida

Uma avaliação posterior poderia registrar tarefas comparáveis ao longo do tempo e separar o trabalho inicial daquele necessário para revisar e validar. Também poderia informar com precisão quem participou, como as pessoas foram selecionadas, que perguntas responderam e como as respostas foram tratadas. A transparência sobre esses aspectos ajudaria a avaliar a quais populações os resultados podem ser aplicados.

Para saber se a economia percebida se transforma em mais pesquisa, seriam necessários indicadores de resultados interpretados com cautela: por exemplo, a duração de etapas definidas, a qualidade das análises, a reprodutibilidade ou a proporção de resultados que passa por uma validação pertinente. Nenhum indicador isolado resume o valor de uma pesquisa; a rapidez não deve substituir a confiabilidade como critério.

A conclusão que essas fontes permitem sustentar é mais limitada, mas relevante: há evidências do uso de ferramentas de IA e de cientistas que percebem uma economia de tempo, enquanto a validação e a experimentação continuam sendo partes substanciais do processo. A magnitude exata do efeito, sua distribuição entre disciplinas e seu impacto na produção científica exigem medições adicionais. Apresentar o dado de quase sete horas como uma estimativa dos participantes, e não como produtividade comprovada, preserva essa distinção essencial.

Continue a explorar

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.