IA na ciência: poupar tempo não basta para fazer descobertas

Um estudo da Google e de investigadores associados ao MIT aponta para ganhos de tempo declarados por cientistas, mas também para hipóteses por testar e uma necessidade significativa de verificação. Acelerar tarefas não basta para validar descobertas.

Escrever código, analisar dados ou preparar um manuscrito: a IA pode simplificar várias tarefas de investigação sem encurtar o caminho que vai de uma ideia a um resultado verificado. Um relatório publicado pela Google e por investigadores associados ao MIT descreve este desfasamento com base em utilizações observadas e num inquérito a cientistas dos Estados Unidos e do Reino Unido. O relatório revela ganhos de tempo, mas também as etapas em que o trabalho se acumula depois.

Horas poupadas em algumas tarefas

O relatório «AI in Science: Early Insights», publicado em setembro de 2026, reúne três tipos de dados: uma amostra de cerca de 15 milhões de interações com o Gemini, um inventário de modelos de IA especializados em ciências e um inquérito a 637 investigadores em atividade nos Estados Unidos e no Reino Unido. Cerca de três quartos dos investigadores inquiridos afirmam poupar tempo graças à IA; a poupança média declarada é de quase sete horas por semana, reinvestidas sobretudo na investigação.

Esta média corresponde a uma resposta a um inquérito, não a uma medição cronometrada de cada tarefa nem a um ganho garantido para todos os cientistas. Os autores especificam também que a amostra de investigadores não deve ser considerada representativa do conjunto da comunidade científica. O estudo é realizado pela Google e pela Google DeepMind, que desenvolvem o Gemini: os resultados oferecem uma perspetiva útil sobre as utilizações, mas a sua origem é relevante na avaliação de afirmações sobre a adoção das suas ferramentas.

As utilizações descritas não se limitam aos assistentes de conversação. Os grandes modelos de linguagem, ou LLM, são usados, nomeadamente, para escrever ou corrigir código de investigação, analisar dados, fazer revisões da literatura e preparar documentos. Modelos especializados são aplicados a tarefas mais delimitadas, como a previsão de estruturas de proteínas ou a simulação. Segundo o relatório, estas famílias de modelos são mais complementares do que substituíveis: não executam exatamente as mesmas operações.

Formular uma hipótese não é testá-la

A investigação avança por etapas. É preciso formular uma pergunta, analisar dados, propor uma explicação e, depois, confrontá-la com uma experiência ou outros elementos de prova. A IA pode acelerar algumas operações iniciais; não fornece automaticamente os meios materiais nem as observações necessárias para verificar cada pista.

É aqui que o relatório situa uma deslocação do estrangulamento. Mais de quatro em cada dez investigadores inquiridos afirmam que a sua principal limitação passou a estar em etapas posteriores, como a realização de trabalhos em laboratório, a validação clínica ou a recolha de dados no terreno. Ao mesmo tempo, 41 % referem uma acumulação de hipóteses ainda por testar. Estes números traduzem as respostas de uma amostra de inquiridos, e não uma contagem universal dos projetos científicos em espera.

O contraste é concreto: uma equipa pode gerar ou analisar pistas mais rapidamente e, ainda assim, estar limitada pelo número de experiências que consegue realizar, pelo acesso a equipamento, pelos dados disponíveis ou pelo tempo necessário para a análise. Nos domínios em que uma hipótese pode ser avaliada por cálculo, algumas etapas permitem uma maior aceleração. Mas as simulações podem, por si só, exigir uma elevada capacidade de computação, ser dispendiosas e depender de dados de qualidade.

A verificação absorve parte dos ganhos

Um resultado produzido rapidamente não é, por isso, um resultado científico estabelecido. Um código tem de ser executado e verificado. Uma análise tem de ser examinada à luz dos dados. Uma proposta nas ciências da vida pode exigir ensaios laboratoriais; uma conclusão nas ciências físicas, uma experiência. A verificação assume formas diferentes consoante a disciplina, mas continua a fazer parte do trabalho.

Entre os cientistas que afirmam poupar tempo, 89 % dizem dedicar mais de um décimo do tempo poupado à verificação dos resultados produzidos pela IA. Para 46 %, essa proporção ultrapassa um quarto. O tempo poupado não desaparece necessariamente: pode ser redistribuído entre mais investigação e o controlo dos resultados gerados ou apoiados por um sistema.

O relatório não afirma que esta verificação anule os ganhos. Mostra antes que medir a produtividade contando as etapas iniciais realizadas mais depressa daria uma imagem incompleta. Se mais pistas chegam à fase experimental, mas a capacidade de validação não acompanha esse ritmo, o volume de hipóteses aumenta sem que as descobertas confirmadas se multipliquem à mesma velocidade.

O risco de escolher as perguntas mais fáceis

Outro resultado do inquérito diz respeito ao tipo de investigação favorecido. Quase metade dos cientistas inquiridos, ou seja, 49 %, considera que a IA os orienta para projetos mais prudentes e incrementais, nos quais já existem métodos e critérios de comparação. Em contrapartida, 28 % afirmam que lhes permite abordar questões mais arriscadas.

Esta diferença não demonstra que a IA reduza a inovação em todas as disciplinas. Evidencia uma possível tensão: é mais simples recorrer a uma ferramenta quando a tarefa está bem definida e é possível comparar o resultado com referências existentes. As questões que se afastam dos métodos estabelecidos podem ser mais difíceis de avaliar, e as respetivas respostas mais dispendiosas de verificar. Se as equipas privilegiarem as pistas mais fáceis de tratar, arriscam-se a produzir mais trabalhos sobre questões previsíveis sem fazer avançar tanto as fronteiras do conhecimento.

A escolha das experiências e das prioridades continua, por isso, a ser central. Uma IA pode ajudar a classificar opções segundo a sua viabilidade ou novidade, mas cabe aos investigadores decidir que pistas merecem recursos, quais podem esperar e quando abandonar uma hipótese. Esta avaliação implica limitações que o modelo não resolve por si só: equipamento, orçamentos, acesso a dados e valor científico esperado.

Interpretar os resultados à escala adequada

Este estudo é um primeiro retrato da situação, não uma demonstração de que o progresso científico está a acelerar — nem de que está a abrandar. As interações analisadas dizem respeito ao Gemini, e o inquérito abrange investigadores recrutados nos Estados Unidos e no Reino Unido. Os autores assinalam que as respostas não representam necessariamente o conjunto da comunidade científica. O próprio relatório apresenta os seus resultados como primeiras observações sobre a adoção, os ganhos percecionados e as limitações da investigação.

Para avaliar o que a IA está a mudar, é preciso, portanto, separar três questões: que tarefas são realizadas mais depressa, que parte do tempo é absorvida pelo controlo e quantas pistas conduzem a resultados efetivamente validados. O relatório documenta sobretudo as duas primeiras, através de dados de utilização e das declarações dos investigadores. Recorda que, entre uma hipótese formulada e uma descoberta estabelecida, continuam a ser necessárias experiências, dados e verificação humana.