IA na pesquisa: ensinar o prompt ou o processo científico?

Numa formação recente sobre inteligência artificial para pesquisadores, a mesma sala mudou de comportamento em poucos minutos. Quando o formador explicou a lógica probabilística por trás de um modelo de linguagem (por que o texto gerado precisa ser verificado), o público se dispersou. Minutos depois, ao mostrar um prompt pronto para revisar parágrafos acadêmicos, todos anotaram.

O episódio, relatado pelo pesquisador Ricardo Limongi no blog do SciELO, expõe um dilema que atravessa a formação científica agora: quando ensinamos IA na pós-graduação, estamos ensinando a pensar com a ferramenta ou só a operá-la? O letramento crítico em IA é a compreensão de como o modelo funciona por dentro, o que ele pode e não pode garantir, distinta do letramento instrumental, que é só saber operar o comando. Se você está usando IA generativa em qualquer etapa da sua pesquisa, essa distinção decide se a ferramenta te ajuda ou te expõe.

O que aconteceu

A distinção entre os dois tipos de letramento não é nova, mas ganhou evidência empírica recente. Long e Magerko, num trabalho apresentado na CHI Conference em 2020, definiram letramento em IA como a capacidade de avaliar criticamente a tecnologia, colaborar com ela e usá-la como ferramenta, três competências, não uma.

Knoth e colegas, em estudo publicado na Computers and Education: Artificial Intelligence, mediram isso diretamente: estudantes com maior letramento conceitual formulam prompts de melhor qualidade e avaliam com mais critério o que a ferramenta devolve. Quem entende o mecanismo usa melhor o atalho do que quem só decorou o atalho.

O caso que ilustra o risco do outro lado veio de um professor experiente, orientador ativo. Ele pediu ao ChatGPT que indicasse um artigo científico para seu orientando. Recebeu título, autores, revista e ano, tudo com aparência impecável. O artigo não existia.

Por que isso importa pra você

A pergunta que o próprio professor fez depois é a pergunta certa: “se a IA alucina, em que momento posso confiar nela?” A resposta técnica é direta: em nenhum momento, sem verificação independente. Um modelo de linguagem não foi construído para produzir verdade. Foi construído para produzir texto estatisticamente plausível. São coisas diferentes, e a diferença não aparece no resultado, só na checagem.

Isso muda o que você precisa saber antes de usar IA na sua pesquisa, dependendo de onde você está:

1. Se você está escrevendo o pré-projeto ou a dissertação: cada referência bibliográfica sugerida por IA precisa ser confirmada numa base real (Scielo, PubMed, Google Scholar). Título e autor formalmente corretos não garantem que o artigo exista.
2. Se você está revisando literatura com apoio de IA: peça o resumo, mas vá direto à fonte original antes de citar qualquer dado ou número que a ferramenta tenha extraído.
3. Se você orienta outras pessoas: antes de ensinar o prompt pronto, explique por que ele funciona daquele jeito. É esse conhecimento que sobrevive à próxima atualização do modelo.

O que muda no seu fluxo de trabalho

Aqui entra uma peça do Método V.O.E. (Velocidade, Organização, Execução Inteligente): velocidade sem checagem não é velocidade, é risco disfarçado de produtividade. A Execução Inteligente do método pressupõe exatamente essa etapa que o caso do professor mostra faltando, a de verificar antes de confiar.

Não é sobre desconfiar de toda saída da IA a ponto de não usá-la. É sobre saber qual tipo de erro esperar de cada ferramenta. Um modelo de linguagem erra de um jeito específico: ele constrói coisas plausíveis, não aleatórias. É por isso que a alucinação passa despercebida com tanta frequência, ela tem a forma certa.

Por que essa distinção me preocupa mais do que parece

Quando li o relato desse professor pedindo uma referência ao ChatGPT, o que me incomodou não foi o erro dele. Foi o fato de ser um pesquisador com décadas de experiência tratando um modelo generativo como banco de dados factual. Isso não é falta de inteligência. É falta de letramento específico sobre o que aquela ferramenta é, e sobre o que ela não é.

Por um lado, entendo a pressão: quem forma pesquisadores hoje sente a tentação de ensinar só o prompt, porque é o que gera engajamento imediato na sala. Por outro, ensinar apenas o atalho forma alguém vulnerável ao próximo erro da mesma natureza. Não significa que você precisa virar especialista em modelos de linguagem. Significa que vale entender, ainda que em linhas gerais, por que a ferramenta às vezes erra do jeito que erra.

Faz sentido pensar nisso do mesmo jeito que se pensa em metodologia de pesquisa: quem aprendeu de verdade o que um teste estatístico significa segue relevante décadas depois, mesmo trocando de software. Prompt específico fica obsoleto em meses. Entender a lógica por trás dele não.

Próximos passos

1. Antes de usar IA generativa na próxima etapa da sua pesquisa, escreva numa frase o que a ferramenta está fazendo tecnicamente (prevendo texto plausível, não recuperando fato). Se você não conseguir escrever essa frase, pare e estude o mecanismo antes de confiar no resultado.
2. Toda referência, dado ou citação sugerida por IA passa por checagem numa fonte primária antes de entrar no seu texto.
3. Se você orienta, teste ensinar o “porquê” de um prompt antes do prompt em si, e observe se isso muda a autonomia de quem você orienta.
4. Volte a este processo sempre que trocar de ferramenta: o hábito de verificar não muda, mesmo quando o modelo muda.

Se você já usa IA para escrever ou revisar textos científicos e quer entender os limites práticos disso, vale a leitura de Como Usar IA para Escrever Artigos Científicos Sem Perder o Controle.

Fonte: O dilema do professor na era da IA: ensinamos o prompt ou o processo científico?, SciELO em Perspectiva