Meu Workflow Completo de Pesquisa com 5 IAs

Por que um workflow, não uma lista de ferramentas

Vamos lá. Não faltam listas de “10 IAs para pesquisadores”. O que raramente aparece é o contexto: quando usar cada uma, para quê, o que fazer com o resultado, e onde está o limite do uso responsável.

Esse post é diferente. É o meu workflow real de pesquisa, com cinco ferramentas que uso em fases distintas. Para cada uma, vou dizer o que faz, como uso, o que não delego a ela, e como declaro o uso.

Não estou dizendo que esse é o workflow certo para você. Estou dizendo que é o meu, que evoluiu com tentativa e erro, e que pode ser um ponto de partida para você construir o seu.

Fase 1: Mapeamento de literatura

Ferramenta: Connected Papers

Quando começo a explorar um tema novo ou precisio verificar se estou cobrindo os autores centrais de um campo, uso o Connected Papers. Você coloca um artigo semente, o sistema gera um gráfico de conexões mostrando artigos relacionados, de quem cita quem, e quais trabalhos são mais centrais na rede.

O que uso: para ver a estrutura do campo de um olhar. Quem são os autores que aparecem com mais frequência? Há dois clusters diferentes no campo que talvez representem abordagens distintas?

O que não delego: a leitura. O Connected Papers mostra relações de citação, não faz análise de conteúdo. Identificar o gráfico é o começo. Depois tenho que ler para entender o que cada autor realmente argumenta.

Ferramenta: Elicit

Elicit é um assistente de pesquisa baseado em modelos de linguagem que acessa artigos do Semantic Scholar. Você faz uma pergunta em linguagem natural, ele retorna artigos relevantes com resumos estruturados, incluindo metodologia, população estudada, resultados principais e limitações.

O que uso: para fazer buscas exploratórias, especialmente quando não sei exatamente quais termos usar, e para ter um resumo rápido de papers antes de decidir se vou ler completo.

O que não delego: a leitura dos artigos centrais. Os resumos do Elicit são úteis para triagem, mas às vezes simplificam ou perdem nuances. Artigos que vou citar, leio. Sem exceção.

Fase 2: Análise de documentos

Ferramenta: NotebookLM

Essa é a ferramenta que mais me surpreendeu nos últimos tempos. O NotebookLM da Google permite que você carregue documentos (artigos, transcrições, anotações) e faça perguntas a eles. A diferença em relação a outros modelos: ele cita as fontes exatas de onde tirou cada informação.

O que uso: quando tenho um conjunto de artigos e preciso responder perguntas específicas sobre eles. “Em quais desses artigos aparece a discussão sobre X?” “Que autores debatem diretamente entre si nesse corpus?” Também uso para carregar transcrições de entrevistas e perguntar quais trechos falam sobre um tema específico.

O que não delego: a interpretação. O NotebookLM me diz onde está a informação. A análise do que essa informação significa para a minha pesquisa é minha.

Um cuidado importante: não carrego documentos com dados sensíveis de participantes de pesquisa. Verifiquei os termos de uso, mas por precaução, dados de pesquisa com informações pessoais ficam fora das plataformas comerciais.

Fase 3: Transcrição e organização de entrevistas

Ferramenta: Whisper (via Whisper Transcription ou aplicativos similares)

Para pesquisas qualitativas com entrevistas, o Whisper, modelo de transcrição da OpenAI, é muito preciso mesmo com variações de sotaque, velocidade de fala e ruído de fundo.

O que uso: transcrição automática de entrevistas. Reduz horas de trabalho manual.

O que faço obrigatoriamente depois: revisar cada transcrição. O Whisper é muito bom, mas comete erros em nomes próprios, termos técnicos da área e trechos com sobreposição de fala. Nunca analiso uma transcrição que não foi revisada.

Sobre ética: se os participantes assinaram TCLE (Termo de Consentimento Livre e Esclarecido), verifico se há alguma cláusula sobre processamento automatizado dos dados. Se não houver, marco no relatório de pesquisa que a transcrição foi feita com auxílio de ferramenta automatizada.

Fase 4: Escrita e revisão

Ferramenta: Claude ou GPT-4 (modelos de linguagem gerais)

Essa é a fase onde mais cuidado tenho, porque é também onde a confusão sobre autoria aparece com mais frequência.

O que uso para: pedir feedback sobre clareza de trechos específicos. “Esse parágrafo está claro? Onde o raciocínio ficou opaco?” Também uso para checar se uma frase está gramaticalmente correta ou se um argumento tem saltos lógicos aparentes.

O que não uso para: escrever o conteúdo. Análise, argumentação, conclusão, interpretação de dados. Isso é meu.

O modo como uso: copio um trecho, pergunto “onde o raciocínio ficou confuso?”, leio o feedback, e reescrevo eu mesma. Não peço para reescrever por mim.

Quando uso para geração: às vezes peço que a IA gere um primeiro rascunho de uma seção descritiva (como procedimentos metodológicos padronizados), que depois edito extensivamente. Nesse caso, declaro que a seção foi iniciada com auxílio de modelo de linguagem.

Como esse workflow aparece na metodologia

Cada pesquisa que usa essas ferramentas tem uma declaração de uso de IA na seção de metodologia. Exemplo:

“Para levantamento inicial de literatura, foram utilizadas as ferramentas Connected Papers e Elicit para mapear o campo e realizar triagem preliminar de artigos. A leitura, análise e síntese da literatura é de responsabilidade da pesquisadora. Para transcrição de entrevistas, foi utilizado o modelo Whisper, com revisão manual subsequente de cada transcrição. Para organização e consulta ao corpus documental, foi utilizado o NotebookLM. Ferramentas de linguagem de grande porte (Claude) foram utilizadas para revisão de clareza textual em trechos específicos, sem geração de conteúdo substantivo.”

Esse nível de detalhe pode parecer excessivo. Mas quando alguém perguntar, e vão perguntar, você tem a resposta pronta e documentada.

O que esse workflow não resolve

Tem coisas que nenhuma dessas ferramentas faz:

Ler por você. A compreensão profunda de um campo vem de leitura real. As ferramentas ajudam a decidir o que ler e a organizar o que você leu. A leitura é sua.

Pensar o problema de pesquisa. Definir a questão central, identificar a lacuna que justifica o estudo, construir o argumento que sustenta a contribuição. Isso é trabalho intelectual que nenhuma IA substitui porque nenhuma IA conhece seu contexto, seu campo, sua universidade, sua orientadora e as conversas que você teve nos últimos meses.

Posicionar-se no debate. Sua dissertação ou tese tem um argumento. Você concorda com quem, discorda de quem, por quê. Isso é sua voz na conversa científica. IA não tem voz na conversa científica porque não é pesquisadora.

Uma última coisa

O que eu mais aprendi usando IA no processo de pesquisa é que as ferramentas mudam rápido. O Elicit de hoje não é o mesmo de dois anos atrás. O NotebookLM que eu uso tem recursos que não existiam seis meses atrás.

Por isso, mais do que aprender ferramentas específicas, o mais útil é desenvolver um critério: o que eu delego e o que não delego? Onde está a minha contribuição intelectual?

Esse critério não vai mudar mesmo quando as ferramentas mudarem. E, com ele claro na cabeça, você pode experimentar novas ferramentas sem perder o controle sobre o que é sua pesquisa.

Sobre o Método V.O.E. e IA

Quando trabalho com pesquisadoras no Método V.O.E., esse workflow de IA é um complemento, não o núcleo. O núcleo é a escrita consistente, a clareza argumentativa, a estrutura do texto científico.

As ferramentas de IA entram como suporte em processos periféricos: organização, triagem, revisão de clareza. Elas economizam tempo em tarefas que não exigem o seu raciocínio mais sofisticado, liberando esse raciocínio para o que realmente importa: construir o argumento da sua pesquisa.

Pesquisadora que escreve com método não precisa de IA para escrever. Mas pode usar IA estrategicamente para ser mais eficiente nos arredores do processo de escrita. Essa distinção muda tudo.

Faz sentido? Se você tiver outras ferramentas no seu workflow, adoraria saber quais são.