O Que a IA Pode (e Não Pode) Fazer na Sua Pesquisa

Por que tanta pesquisadora usa IA todos os dias na rotina de escrita e, ainda assim, erra justamente a parte em que a ferramenta mais poderia ajudar?

A inteligência artificial aplicada à pesquisa acadêmica é um conjunto de ferramentas que processa linguagem, organiza informação e gera texto a partir de padrões estatísticos aprendidos em grandes volumes de dados. Ela não pensa metodologicamente, e essa é a distinção que define todo o resto deste texto. A confusão que vejo repetida com frequência não é sobre usar ou não usar IA. É sobre em que ponto da pesquisa ela entra, e em que ponto ela precisa sair.

Vou separar isso em tarefas onde a IA resolve de verdade, tarefas onde ela parece resolver mas está só disfarçando um problema metodológico, e tarefas que são exclusivamente suas, não importa quão boa a ferramenta fique.

Onde a IA ajuda de verdade

Existe um conjunto de tarefas em que a IA entrega ganho real, sem ameaçar o rigor do trabalho. São tarefas mecânicas, repetitivas, de baixo risco interpretativo. O denominador comum entre elas é que a decisão intelectual já foi tomada por você antes de abrir a ferramenta.

Revisão gramatical e de clareza é a mais óbvia. Você escreveu o parágrafo, sabe o que quer dizer, mas a frase saiu torta. Pedir pra IA sugerir uma reformulação mais clara, mantendo o seu argumento, é uso legítimo. A autoria do raciocínio continua sendo sua, só a fluidez da frase mudou. Isso vale também pra revisão de coesão entre parágrafos: pedir pra IA apontar onde a transição ficou abrupta é diferente de pedir pra ela escrever a transição do zero.

Organização de referências também entra aqui. Ferramentas de IA integradas a gerenciadores bibliográficos ajudam a formatar citações, identificar duplicatas e padronizar entradas. Isso não é decisão intelectual, é tarefa administrativa que consumia horas e agora consome minutos. O mesmo vale pra conferência de normas: pedir pra IA checar se uma citação direta longa está com recuo correto, por exemplo, é tarefa mecânica de formatação, não de conteúdo.

Resumo de artigos já selecionados por você é outro uso sólido, com uma condição importante: você precisa ter lido o abstract e a conclusão antes de pedir o resumo completo pra IA. Se você não sabe por que aquele artigo é relevante antes de pedir o resumo, está terceirizando curadoria, não só leitura. A curadoria é exatamente a parte que exige seu julgamento sobre o que importa pra sua pergunta.

Brainstorm de estrutura também funciona bem. Pedir sugestões de como organizar os capítulos de uma dissertação, ou possíveis títulos pra uma seção, é um bom uso porque você vai avaliar cada sugestão com o seu julgamento metodológico, não aceitar a primeira que aparecer. A IA aqui funciona como um espelho que te devolve possibilidades, não como quem escolhe por você.

Onde a IA parece ajudar, mas está escondendo um problema

Aqui está o ponto que mais gera retrabalho, e é o que menos se fala.

Quando você pede pra IA “criar o referencial teórico” sobre um tema, ela entrega um texto coeso, bem escrito, com citações que parecem plausíveis. O problema é que análise temática, revisão sistemática e qualquer construção teórica séria dependem de você ter lido os textos originais e decidido qual debate importa pra sua pergunta de pesquisa. Um referencial teórico bem construído é um argumento, não uma lista de autores que falaram sobre o tema. Se você já quer entender melhor essa diferença entre organizar literatura e construir argumento teórico, vale a leitura do post sobre referencial teórico de TCC.

A IA também “parece ajudar” quando você pede análise de dados qualitativos direto, sem ter feito a leitura flutuante do material. Ela entrega categorias, até bem nomeadas. O problema é que a interpretação de um tema em pesquisa qualitativa não é extração automática de padrão de texto, é construção de sentido conectada à sua pergunta de pesquisa e ao referencial teórico que você escolheu. Uma IA que nunca leu seu referencial completo não tem como fazer essa conexão com rigor, por mais natural que o texto gerado pareça. O risco aqui não é a categoria estar “errada”, é ela estar desconectada do argumento que sustenta a sua pesquisa.

Outro ponto sensível é a geração de hipóteses estatísticas sem desenho metodológico prévio. A IA sugere variáveis e relações plausíveis, mas ela não sabe se a sua amostra tem poder estatístico suficiente, nem se o instrumento de coleta captura o construto que você quer medir. Isso é decisão de desenho, não de redação. Pedir pra IA “sugerir hipóteses” antes de ter desenhado a coleta é inverter a ordem que o método pede.

Há ainda um problema mais sutil: o texto gerado por IA tende a soar confiante mesmo quando está errado ou impreciso. Isso é particularmente perigoso em pesquisa, porque a confiança do texto não é indicador de rigor do conteúdo. Uma frase bem escrita sobre um conceito metodológico mal aplicado continua sendo um conceito mal aplicado, só que agora difícil de identificar como tal.

O teste que separa uso legítimo de terceirização

Um critério simples resolve boa parte das dúvidas: se você tirasse a IA da equação agora, ainda saberia explicar por que cada decisão metodológica foi tomada?

Se a resposta é sim, a IA só acelerou uma execução que você já dominava. Você sabia o que queria no referencial teórico e usou a ferramenta pra organizar mais rápido. Você sabia quais categorias esperava encontrar na análise e usou a IA pra testar se o material confirmava ou desafiava essa expectativa.

Se a resposta é não, algo errado aconteceu. A IA tomou uma decisão que deveria ser sua, e isso tende a aparecer exatamente no momento em que mais importa: na defesa, quando a banca pergunta “por que você escolheu esse referencial e não outro” e você não tem resposta porque quem escolheu foi a ferramenta.

Esse teste funciona em qualquer etapa da pesquisa, do pré-projeto à redação final do artigo. Não é sobre quanto você usou IA. É sobre quanto você entende do que foi produzido com ela. Uma forma prática de aplicar esse teste é parar, antes de cada submissão, e tentar explicar em voz alta, pra você mesma, por que cada escolha metodológica do texto está ali. Se a explicação sair fácil, o uso da IA provavelmente foi saudável. Se travar, vale revisar a seção com mais calma antes de seguir.

Declaração de uso e transparência acadêmica

A exigência de declarar uso de IA varia entre periódicos e programas de pós-graduação, e por isso a recomendação prática é sempre verificar a política específica do veículo ou instituição antes de submeter. O que não varia é o princípio por trás dela: declarar uso de IA não é confissão de fraqueza metodológica, é prática de transparência científica, parecida com declarar conflito de interesse ou financiamento.

A resistência que vejo em declarar costuma vir de um medo específico: “se eu disser que usei IA, vão achar que não fiz nada sozinha”. Esse medo geralmente mostra que a pessoa confunde uso ferramental com terceirização de raciocínio. Se você usou IA pra revisar clareza do texto, declarar isso não diminui seu trabalho em nada. Se você usou IA pra gerar o argumento inteiro, o problema não é a declaração, é o processo que veio antes dela.

Vale lembrar que declarar não é só proteção formal. É também coerência com o que a ciência pede de quem produz conhecimento: rastreabilidade do método. Se um leitor não consegue entender como você chegou numa conclusão, incluindo quais ferramentas participaram do caminho, a reprodutibilidade do seu trabalho fica comprometida. E reprodutibilidade, no fim, é o que separa pesquisa de opinião bem escrita.

Vale também pensar na declaração como parte da sua formação como pesquisadora, não como obstáculo burocrático. Quando você aprende a nomear com precisão onde a ferramenta entrou, você também aprende a enxergar com mais clareza onde ela não deveria ter entrado.

Como isso se encaixa num método de trabalho

Quando eu ensino o Método V.O.E. (Velocidade, Orientação, Execução Inteligente), a IA entra exatamente na fase de Execução Inteligente, nunca antes. Primeiro vem a Orientação, que é entender o problema de pesquisa e decidir o caminho metodológico com clareza. Só depois disso a Execução Inteligente escolhe quais ferramentas, incluindo IA, aceleram a parte mecânica sem comprometer a parte intelectual.

Inverter essa ordem é um erro comum que vejo. Pesquisadora abre o ChatGPT antes de saber qual é a pergunta de pesquisa, pede pra ferramenta “ajudar a pensar o problema”, e sai de lá com um problema de pesquisa genérico, sem o tipo de especificidade que vem de conhecer a literatura e a lacuna real. A ferramenta não tem culpa disso. A ordem errada tem.

Se você está decidindo entre um método quantitativo ou qualitativo pra sua pesquisa, por exemplo, nenhuma IA substitui a leitura do campo teórico que justifica essa escolha. Métodos como a fenomenologia exigem compreensão filosófica que não se resume num prompt, por mais elaborado que ele seja. A ferramenta pode até explicar o conceito de forma didática, mas a decisão de adotar esse referencial pra sua pesquisa específica continua exigindo que você entenda por que ele serve pro seu problema e não só pro problema de alguém que escreveu sobre fenomenologia antes.

O que muda daqui pra frente

A inteligência artificial não vai parar de evoluir, e a tentação de usá-la pra pular etapas de pensamento vai continuar existindo, especialmente perto de prazos apertados. O que separa um uso produtivo de um uso problemático não é a ferramenta em si. É se você continua sendo a autora das decisões metodológicas, usando a IA pra executar mais rápido o que você já sabia fazer.

Faz sentido pensar nisso como delegar tarefas administrativas pra uma assistente competente, não como contratar alguém pra pensar no seu lugar. Uma assistente boa organiza, revisa, formata. Ela não decide qual é a pergunta de pesquisa que vale a pena responder. Essa decisão continua sendo sua, e é exatamente aí que mora o rigor que ninguém terceiriza.

No fim, a pergunta que vale levar pra cada etapa da pesquisa não é “posso usar IA aqui”. É “essa etapa exige que eu entenda o porquê, ou só exige que algo seja produzido”. Quando você entende essa diferença, a ferramenta vira o que sempre deveria ter sido: um recurso que acelera o seu trabalho, não um atalho que substitui o seu pensamento.