Ferramentas de inteligência artificial (IA) já fazem parte da rotina de pesquisadores em universidades e centros de pesquisa ao redor do mundo. Um novo estudo publicado na revista American Association for the Advancement of Science (Science) indica que essa adoção tem efeitos claros e mensuráveis sobre a carreira dos cientistas e consequências mais amplas para a dinâmica da produção científica.
A análise, considerada a maior já realizada sobre o tema, examinou mais de 41 milhões de artigos publicados entre 1980 e 2025 em áreas como biologia, medicina, química, física, ciência dos materiais e geologia. Os resultados mostram que pesquisadores que adotam qualquer tipo de IA, desde métodos clássicos de machine learning até ferramentas generativas recentes, apresentam ganhos expressivos em produtividade, visibilidade e progressão profissional.
De acordo com o levantamento, cientistas que utilizam IA publicam, em média, três vezes mais artigos ao longo da carreira e recebem quase cinco vezes mais citações do que colegas que não recorrem a esse tipo de tecnologia. Além disso, esses profissionais tendem a alcançar posições de liderança acadêmica mais rapidamente e têm menor probabilidade de abandonar a carreira científica nos estágios iniciais.
Para chegar a esses números, os pesquisadores precisaram superar um desafio central: identificar em um universo tão amplo de publicações, quais trabalhos efetivamente utilizaram IA. A solução foi empregar um modelo de linguagem treinado para analisar títulos e resumos e sinalizar artigos com uso provável de ferramentas de inteligência artificial. A triagem identificou cerca de 310 mil estudos, que depois passaram por validação amostral feita por especialistas humanos.
Leia também: 4 empresas de IA a serem batidas, segundo o Gartner
IA em evolução
A partir desse conjunto, foi possível avaliar o impacto da IA em diferentes fases de sua evolução. O estudo divide a trajetória da tecnologia em três períodos: a era do machine learning, de 1980 a 2014; a fase do deep learning, entre 2016 e 2022; e a etapa mais recente, marcada pela IA generativa a partir de 2023. Em todos esses momentos, os artigos que utilizaram IA apresentaram taxas de citação significativamente superiores às dos demais.
Apesar dos benefícios individuais, o trabalho aponta efeitos colaterais para o ecossistema científico como um todo. Um dos principais achados é a redução da diversidade temática. Pesquisas baseadas em IA cobrem uma área de conhecimento cerca de 4,6% menor do que estudos tradicionais, indicando uma concentração maior em problemas já populares e amplamente explorados.
Os autores associam esse fenômeno a um ciclo de retroalimentação. Questões científicas que já dispõem de grandes volumes de dados tendem a atrair mais aplicações de IA. Os avanços obtidos com essas ferramentas, por sua vez, aumentam a visibilidade desses temas e atraem ainda mais pesquisadores, reforçando a concentração de esforços em um conjunto restrito de problemas.
Outro efeito observado é a diminuição da interconexão entre estudos. Em muitas disciplinas, o avanço do conhecimento ocorre por meio de redes densas de artigos que dialogam entre si, refinam métodos e abrem novas frentes de pesquisa. No caso dos trabalhos baseados em IA, esse padrão aparece de forma mais fraca: houve, em média, 22% menos engajamento entre artigos, com grande parte das citações concentrada em um número reduzido de trabalhos de referência.
Essa dinâmica cria o que os pesquisadores descrevem como um sistema em torno de “artigos estrela”, que passam a orientar grande parte da produção subsequente. Modelos de sucesso, como sistemas de predição altamente conhecidos em determinadas áreas, acabam se tornando polos quase exclusivos de atenção, enquanto outros campos recebem menos investimento intelectual.
O estudo também aponta que o ritmo acelerado da adoção de IA generativa amplia esses efeitos. A velocidade com que novos modelos estão sendo incorporados aos fluxos de pesquisa supera, em muitos casos, a capacidade das instituições científicas de ajustar práticas, incentivos e mecanismos de avaliação.
Ainda assim, os autores indicam caminhos para mitigar a tendência de estreitamento. Um deles é ampliar a disponibilidade e a qualidade de dados em áreas que tradicionalmente não trabalham com grandes bases estruturadas, permitindo que a IA seja aplicada a um conjunto mais diverso de problemas científicos. Outro é o desenvolvimento futuro de sistemas capazes de ir além da simples análise de dados e apoiar processos mais criativos de formulação científica.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!
