A publicação recente de Wagner et al. (2026), no Journal of Information Technology, sugere que a Inteligência Artificial Generativa (GenAI) poderá provocar uma das maiores transformações metodológicas da história da ciência moderna, comparável ao surgimento dos periódicos científicos, das bases bibliográficas digitais e dos softwares estatísticos.

Os autores demonstram que modelos como ChatGPT, Gemini, Claude, Consensus e Elicit já apresentam capacidade para auxiliar pesquisadores em praticamente todas as etapas das revisões sistemáticas e revisões de literatura, desde a formulação do problema científico até a síntese final das evidências.

Para a pesquisa brasileira e para os programas de pós-graduação, essa transformação representa simultaneamente uma oportunidade extraordinária e um desafio institucional de grandes proporções.

O problema: a explosão da literatura científica

A produção científica mundial cresce atualmente em ritmo superior à capacidade humana de acompanhamento.

Esse fenômeno produz consequências importantes:

  • aumento do risco de perda de evidências relevantes;
  • duplicação desnecessária de pesquisas;
  • dificuldade crescente de atualização científica;
  • elevação dos custos de produção do conhecimento;
  • limitação da capacidade de síntese interdisciplinar.

Paradoxalmente, a Inteligência Artificial Generativa surge como parte da solução para um problema que ela própria tende a acelerar.

O que a Inteligência Artificial Generativa já consegue fazer

Segundo Wagner et al. (2026), os modelos atuais já conseguem auxiliar pesquisadores em cinco grandes áreas:

Formulação de problemas científicos

  • identificação de lacunas;
  • busca de revisões anteriores;
  • definição de conceitos;
  • avaliação da maturidade dos campos.

Busca bibliográfica

  • construção automática de estratégias booleanas;
  • identificação de sinônimos;
  • tradução multilíngue;
  • busca semântica avançada.

Triagem de estudos

  • priorização de artigos;
  • classificação preliminar;
  • apoio a revisões rápidas;
  • redução de vieses linguísticos.

Extração de dados

  • recuperação de tabelas;
  • extração de medidas estatísticas;
  • identificação de definições;
  • estruturação de bases para meta-análises.

Síntese e análise

  • elaboração de sínteses narrativas;
  • geração de código estatístico;
  • construção de visualizações;
  • apoio ao desenvolvimento teórico.

O futuro do método PRISMA

Os autores sugerem que as metodologias clássicas de revisão sistemática deverão evoluir para incorporar novas dimensões:

Transparência algorítmica

Os pesquisadores precisarão registrar:

  • qual modelo de IA utilizaram;
  • qual versão foi empregada;
  • quais prompts foram utilizados;
  • quais validações humanas foram realizadas.

Reprodutibilidade computacional

Será necessário documentar:

  • fluxos computacionais;
  • parâmetros de execução;
  • bases consultadas;
  • intervenções humanas.

Auditoria metodológica

Novos indicadores deverão avaliar:

  • precisão dos modelos;
  • taxa de alucinações;
  • concordância humano-IA;
  • confiabilidade dos resultados.

Quatro cenários para o futuro das revisões científicas

O estudo propõe quatro cenários possíveis.

1. Obsolescência parcial

Alguns tipos de revisão poderão tornar-se amplamente automatizados:

  • revisões descritivas;
  • estudos bibliométricos;
  • mapeamentos sistemáticos.

2. Amplificação da capacidade humana

Grande parte da produção científica deverá evoluir para modelos híbridos homem-máquina.

3. Permanência da inteligência humana

Revisões críticas, teóricas e interpretativas continuarão exigindo forte participação humana.

4. Novas formas de ciência

A GenAI poderá permitir:

  • revisões interdisciplinares massivas;
  • sínteses permanentes;
  • integração automática de conhecimento;
  • novas formas de construção teórica.

Os riscos

Os autores alertam para riscos relevantes:

  • referências inexistentes;
  • alucinações factuais;
  • perda da leitura crítica;
  • redução da autonomia intelectual;
  • baixa explicabilidade;
  • comprometimento da reprodutibilidade científica.

Por essa razão, defendem que a IA generativa seja utilizada como instrumento de ampliação da inteligência humana e não como sua substituição.

Implicações para a pós-graduação brasileira

A formação de mestres e doutores deverá incorporar novas competências, incluindo:

  • engenharia de prompts científicos;
  • revisões sistemáticas assistidas por IA;
  • ciência aberta e reprodutibilidade;
  • inteligência artificial explicável;
  • auditoria de algoritmos;
  • validação metodológica de modelos generativos.

É provável que, na próxima década, a metodologia científica assistida por Inteligência Artificial torne-se componente obrigatório da formação avançada em pesquisa.

Conclusão

A questão científica mais importante já não é mais:

“Devemos utilizar Inteligência Artificial Generativa na pesquisa?”

A pergunta que emerge agora é:

“Como utilizar Inteligência Artificial Generativa preservando rigor científico, transparência, reprodutibilidade e pensamento crítico?”

A resposta a essa pergunta provavelmente definirá a próxima grande etapa da evolução metodológica da ciência.

Referência

Wagner, G.; Prester, J.; Mousavi, R.; Lukyanenko, R.; Paré, G. (2026). Generative Artificial Intelligence for Literature Reviews. Journal of Information Technology. DOI: 10.1177/02683962261425675.

Prof. Dr. Helio Dias
Presidente do IVEPESP
https://ivepesp.org.br/membro/helio-dias/

Helio Henrique Villela Dias
Engenheiro de Computação • Cientista de Dados
IVEPESP / Lello Lab / UNIFESP
https://ivepesp.org.br/membro/helio-henrique-villela-dias/