IA generativa e criatividade científica: aliadas?

A pergunta que todo pesquisador está fazendo, mas poucos estão respondendo direito

Vamos lá. A IA generativa chegou, ficou, e agora está em quase todo lugar do processo de pesquisa científica. E junto com ela veio uma tensão que eu ouço constantemente de pesquisadores: se eu uso IA para ajudar a pensar, ainda é o meu pensamento?

Essa pergunta é legítima. Mas ela frequentemente está sendo respondida de dois jeitos opostos e igualmente imprecisos: “IA vai revolucionar completamente a ciência e turboalimentar a criatividade humana” ou “IA vai padronizar tudo e matar a originalidade”. Os dois extremos ignoram o que realmente está acontecendo.

A relação entre IA generativa e criatividade científica é mais complicada, mais específica por contexto, e mais dependente de como o pesquisador usa a ferramenta do que qualquer uma dessas narrativas sugere.

O que entendemos por criatividade na ciência

Antes de falar sobre o que a IA faz ou não faz com a criatividade científica, convém clarificar o que criatividade significa nesse contexto.

Na ciência, criatividade não é sinônimo de originalidade radical. A maioria do avanço científico acontece por meio de recombinações: conectar dois campos que ainda não conversavam entre si, aplicar um método de uma área em outra, ou questionar uma premissa que todos aceitavam sem examinar. Isso é criativo. E não requer surgir do nada.

O que diferencia criatividade científica de outras formas de criatividade é o critério externo: uma ideia científica precisa ser testável, precisa estar ancorada no estado atual do conhecimento, e precisa ter a possibilidade de revelar algo verdadeiro sobre o mundo. Uma metáfora bonita não é, por si só, uma contribuição científica.

Com isso em mente, a IA generativa começa a ocupar um lugar mais definido na conversa.

O que a IA generativa faz bem no processo criativo

Existem algumas funções em que ferramentas de IA generativa genuinamente ajudam pesquisadores que eu observo com frequência.

Romper o bloqueio de partida. A tela em branco tem um custo cognitivo real. Pedir para uma IA listar possíveis ângulos de abordagem sobre um tema não é terceirizar a criatividade, é usar a ferramenta para quebrar a inércia. O pesquisador ainda vai escolher quais ângulos fazem sentido, descartar os que não se sustentam e desenvolver os que têm potencial.

Identificar conexões bibliográficas. Ferramentas como Perplexity ou NotebookLM conseguem, com um bom prompt, mapear como conceitos de áreas diferentes se relacionam. Para um pesquisador que está construindo um referencial teórico interdisciplinar, isso pode revelar conexões que levaria meses para encontrar lendo isoladamente.

Fazer o papel de interlocutor. Às vezes o que você precisa não é de uma resposta, mas de alguém que faça perguntas. Uma IA bem instruída pode funcionar como um leitor crítico preliminar, levantando objeções óbvias ao seu argumento antes que um revisor real o faça. Isso é uma forma de testar ideias sem o custo social de uma conversa com um colega que você não quer expor suas incertezas.

Transformar rascunhos em texto trabalhável. Uma das fases mais criativas da escrita acadêmica é a fase de exploração, quando você coloca no papel ideias incompletas só para ver onde elas levam. A IA pode ajudar a estruturar esse material bruto, transformando notas soltas em um texto que você pode depois criticar e refinar.

O que a IA generativa não faz

Aqui eu preciso ser direta, porque o entusiasmo em torno das ferramentas às vezes obscurece os limites reais.

IA não formula questões de pesquisa com profundidade disciplinar. Uma questão de pesquisa boa nasce de anos de imersão em uma área, de conhecer o que já foi testado, o que está em debate, e o que a literatura precisa que ainda não tem. Uma IA pode gerar perguntas que parecem questões de pesquisa. Mas elas raramente têm o grão de especificidade e relevância que vem de quem conhece o campo por dentro.

IA não reconhece anomalias. Uma das fontes mais ricas de inovação científica é o pesquisador que nota que algo não encaixa, que um resultado não se comporta como deveria, que dois achados que parecem consistentes na verdade se contradizem sob certa condição. Esse reconhecimento requer bagagem teórica e prática que modelos de linguagem não têm.

IA não sabe o que não sabe. Este é o problema mais crítico para a ciência. Ferramentas de IA generativa produzem texto fluente e confiante independentemente de estarem corretas. A coerência sintática não é evidência de veracidade factual. Isso é particularmente perigoso quando o assunto é revisão de literatura: uma IA pode descrever o “estado do campo” com a mesma segurança quando está certa e quando está fabricando referências que não existem.

A armadilha da convergência

Tem um risco que eu vejo pouco discutido: o risco de que o uso amplo de IA generativa na geração de hipóteses e na escrita acadêmica produza uma homogeneização silenciosa da ciência.

Modelos de linguagem são treinados em textos existentes. Eles são, por definição, máquinas de reprodução do que já foi dito de formas variadas. A tendência estatística desses modelos é em direção ao centro, ao mais comum, ao mais frequente. Isso não é um defeito de programação, é o funcionamento do mecanismo.

Se pesquisadores em todo o mundo usam as mesmas ferramentas para explorar ideias, formular hipóteses e estruturar argumentos, o risco real não é que a ciência se torne desonesta. É que ela se torne previsível. Que o espaço para a ideia periférica, para a abordagem estranha, para a questão que vai contra o consenso, se estreite.

Isso não é motivo para abandonar as ferramentas. É motivo para usá-las com consciência desse viés.

Criatividade é uma capacidade do pesquisador, não da ferramenta

Faz sentido? A questão sobre IA e criatividade científica só pode ser respondida de forma útil se pararmos de tratar a criatividade como uma propriedade das ferramentas e voltarmos a tratá-la como uma capacidade do pesquisador.

A IA generativa é um instrumento. Como qualquer instrumento, pode ampliar ou comprimir o que o pesquisador é capaz de fazer, dependendo de como é usado. Um martelo amplifica a capacidade de construir; também pode destruir. Um modelo de linguagem amplifica a capacidade de explorar conexões e produzir texto; também pode atrofiar a disposição de pensar devagar e em profundidade se usado sem critério.

O pesquisador criativo que usa IA bem vai usar a ferramenta para ampliar seu processo, não para substituí-lo. Vai usar a IA para ver mais rápido o espaço de possibilidades, e depois exercer julgamento sobre o que desse espaço merece ser explorado. A escolha ainda é dele.

O pesquisador que entrega à IA a responsabilidade de pensar vai produzir trabalho que parece acadêmico mas carece de substância. E, a longo prazo, vai desenvolver cada vez menos a capacidade de pensar sem a ferramenta.

Onde o Método V.O.E. entra nisso

O Método V.O.E. foi construído com base em uma premissa que não muda com a chegada da IA: escrita acadêmica boa exige clareza de pensamento, e clareza de pensamento não pode ser delegada.

A fase de Visão, no V.O.E., é a fase em que o pesquisador precisa saber o que quer dizer antes de começar a escrever. IA pode ajudar a explorar possibilidades durante essa fase. Mas o pesquisador precisa ser capaz de filtrar, escolher e comprometer-se com uma direção. Sem isso, o que acontece na escrita é geração de volume, não construção de argumento.

Isso não é uma posição contra IA. É uma posição a favor da formação de pesquisadores que usam IA como extensão da própria inteligência, não como substituto dela.

A criatividade científica não está em risco por causa da IA generativa. Está em risco quando pesquisadores deixam de cultivar a capacidade de pensar com rigor, seja por c