IA em Pesquisa Bibliográfica: Além do Google

A pesquisa bibliográfica sempre foi trabalhosa. A IA mudou isso — para melhor e para pior

Vamos lá. A pesquisa bibliográfica era, até poucos anos atrás, um trabalho quase artesanal: horas no Scopus, no Web of Science, no PubMed, montando estratégias de busca, filtrando por data e área, lendo resumos aos montes para decidir o que vale salvar. Quem passou pela pós-graduação antes da IA sabe bem o que é isso.

A IA chegou e prometeu resolver tudo mais rápido. Parte dessa promessa é real. Parte é armadilha.

O problema é que a mesma ferramenta que pode ajudar você a mapear um campo em minutos também pode servir referências completamente inventadas — artigos com títulos plausíveis, autores reais, periódicos existentes, mas que nunca foram escritos. E a redação é tão fluente que ninguém percebe sem checar.

Então antes de mudar seu fluxo de pesquisa bibliográfica, vale entender o que a IA faz bem, o que ela não faz, e como montar um processo que aproveita o melhor dos dois mundos.

O que a IA realmente faz quando você pede referências

Quando você pede ao ChatGPT, ao Gemini ou ao Claude “me indique artigos sobre X”, o modelo não está buscando em uma base de dados. Ele está gerando texto estatisticamente plausível com base em padrões do que uma lista de referências costuma parecer.

Resultado: você recebe uma lista com cara de referência bibliográfica — autores, títulos, periódicos, anos — que pode ou não corresponder a artigos reais. O modelo não distingue entre “este artigo existe” e “este seria um artigo plausível neste campo”. Ele só gera o próximo token mais provável.

Isso tem um nome técnico: alucinação. E no contexto acadêmico, é um problema sério. Citar um artigo que não existe em uma dissertação ou tese é uma violação grave de integridade acadêmica, mesmo que você não tenha feito por mal. A responsabilidade de verificar é sempre sua.

As ferramentas que realmente buscam nas bases

A distinção importante não é “usar ou não usar IA”, é “qual tipo de IA para qual tarefa”.

Há uma categoria de ferramentas que integra modelos de linguagem com buscas reais em bases indexadas. Essas sim são confiáveis para encontrar referências:

Elicit (elicit.com) usa IA para buscar e resumir artigos do Semantic Scholar. Você faz uma pergunta em linguagem natural e ele retorna artigos reais com resumos organizados por conceito. Muito útil para as primeiras buscas exploratórias.

Semantic Scholar (semanticscholar.org) é uma base indexada com mais de 200 milhões de artigos científicos, desenvolvida pelo Allen Institute for AI. Tem busca semântica boa e mapeia relações de citação.

Connected Papers (connectedpapers.com) é visual: você coloca um artigo seminal da sua área e ele gera um grafo de artigos relacionados por padrões de citação. Excelente para mapear a linhagem bibliográfica de um campo.

Research Rabbit (researchrabbit.ai) funciona de forma parecida, mas com interface de playlist — você vai adicionando artigos e ele sugere papers relacionados baseado na rede de citações.

Perplexity.ai cita as fontes em tempo real quando busca. Ainda assim, confirme cada referência antes de usar, porque às vezes os links não apontam exatamente para o que parece.

O que a IA sem base de dados faz bem na pesquisa bibliográfica

Mesmo ferramentas sem acesso a bases reais têm usos legítimos e poderosos no processo de pesquisa bibliográfica. O segredo é não usar para encontrar referências, mas para tudo o que vem antes e depois.

Mapear o campo antes de buscar. “Quais são os principais debates teóricos sobre X?” ou “Quais autores são frequentemente associados a Y?” Essas perguntas funcionam bem porque você não está pedindo referências específicas, está pedindo uma orientação sobre onde olhar. A resposta vai ser um mapa, não uma lista de artigos — e mapas você verifica em fontes reais.

Traduzir sua dúvida em termos de busca. Se você sabe o que quer estudar mas não sabe quais termos usar, a IA ajuda. “Quais são os termos em inglês que aparecem na literatura sobre X?” é uma pergunta ótima para IA. Ela te entrega os descriptors que você vai levar para o Scopus ou PubMed.

Organizar e sintetizar o que você já encontrou. Depois que você juntou os artigos nas bases, a IA pode ajudar a resumir, identificar padrões, agrupar por abordagem teórica ou metodológica. Mas você traz o material. A IA organiza o que você já selecionou.

Estruturar a narrativa da revisão. A revisão de literatura não é uma lista de “fulano disse X, cicrano disse Y”. É uma narrativa. A IA pode ajudar a esboçar essa estrutura: “Como organizar a discussão sobre X considerando essas três tensões teóricas que identifiquei?” é uma pergunta produtiva.

Como montar um fluxo de pesquisa bibliográfica com IA

O fluxo que funciona não substitui as bases por IA. Ele usa a IA em momentos específicos do processo.

Fase 1 — Mapeamento inicial. Use IA (ChatGPT, Claude, Gemini) para entender o campo antes de entrar nas bases. Pergunte sobre debates, autores de referência, tensões teóricas, abordagens metodológicas. Tome nota dos nomes que aparecem — você vai verificar depois.

Fase 2 — Busca nas bases. Com os termos e nomes identificados, vá ao Scopus, Web of Science, PubMed, LILACS ou qualquer base relevante para sua área. Use filtros de período, tipo de documento e área. Exporte os resultados em formato de gerenciador bibliográfico (Zotero, Mendeley, EndNoteNote).

Fase 3 — Exploração por conexões. Com os artigos mais relevantes em mãos, use Connected Papers ou Research Rabbit para expandir a rede — encontrar artigos que o Scopus não retornou mas que têm relação direta com o que você está estudando.

Fase 4 — Triagem com auxílio de IA. Se você chegou a centenas de artigos, pode usar o Elicit ou até o ChatGPT para resumir os abstracts e ajudar na triagem inicial. Mas a decisão de incluir ou excluir é sempre sua.

Fase 5 — Síntese e escrita. A IA entra de novo aqui, ajudando a organizar o que você leu em estrutura de revisão, identificar lacunas, formular argumentos.

O risco que ninguém quer falar: o pesquisador que para de pensar

Há um risco mais sutil que as alucinações. Quando a IA entrega um mapa do campo, uma lista de temas, uma estrutura de revisão, o pesquisador pode aceitar aquilo como se fosse a realidade do campo — sem questionar se aquele mapa corresponde ao que a literatura realmente diz.

A IA reflete os padrões dos textos com que foi treinada. Isso inclui vieses, lacunas, domínio de certas perspectivas sobre outras. Se você aceitar o mapa dela sem conferir nas fontes, você vai reproduzir esses vieses sem perceber.

Usar IA bem na pesquisa bibliográfica exige que você continue sendo pesquisadora. A ferramenta acelera, organiza, traduz. Mas o julgamento sobre o que é relevante, o que é confiável e o que merece mais atenção é seu — e precisa continuar sendo.

Faz sentido? A IA é uma boa assistente de pesquisa. O problema é quando ela se torna a pesquisadora.

Na prática: um exemplo de busca combinada

Digamos que você está começando uma revisão sobre o impacto da inteligência artificial na avaliação da aprendizagem no ensino superior.

Primeiro, você conversa com o ChatGPT ou Claude para entender o campo: “Quais são os principais debates sobre uso de IA em avaliação educacional no ensino superior?” Você anota os conceitos que aparecem: formative assessment, automated feedback, adaptive learning, AI literacy.

Com esses termos, você vai ao Scopus e monta uma estratégia de busca: ((“artificial intelligence” OR “machine learning”) AND (“assessment” OR “evaluation”) AND “higher education”). Você filtra para os últimos cinco anos, tipo artigo, revisado por pares. Vêm 300 resultados.

Você exporta para o Zotero, filtra por relevância do título e abstract, fica com 80. Pega os 5 mais citados e coloca no Connected Papers — aparecem mais 20 que o Scopus não tinha trazido, inclusive alguns clássicos que você não conhecia.

Agora você tem 100 artigos reais, verificados, prontos para leitura. A IA ajudou no mapa e nos termos. As bases trouxeram as referências. Você decide o que usar.

Esse é o equilíbrio que funciona.