A IA gerativa já está integrada no fluxo de trabalho diário da pesquisa científica. Os pesquisadores a usam para examinar e resumir literatura, gerar ideias, redigir respostas a revisores por pares e refinar o estilo de textos escritos. Isso já não é uma prática marginal. Ela levanta uma pergunta que a comunidade científica ainda não respondeu claramente, quando a produção intelectual de um pesquisador é produzida em parte por um sistema de IA, o que a autoria realmente significa?
Robert Braun, um pesquisador sênior do Institute for Advanced Studies em Viena, argumenta na Nature que essa pergunta vai mais fundo do que pode parecer. Não se trata simplesmente de crédito. Trata-se de responsabilidade, confiança e de toda a infraestrutura através da qual a ciência é validada.
A Autoria Sempre Foi uma Construção Social, Não um Direito Natural
Um dos pontos mais esclarecedores na análise de Braun é histórico. A autoria na ciência nunca foi uma categoria fixa ou óbvia. Ela foi construída através de convenções, instituições e práticas que evoluíram com o tempo. A autoridade de Isaac Newton como acadêmico, por exemplo, repousava não apenas em suas descobertas, mas em sua capacidade de navegar por instituições como a Royal Society e as normas de publicação de sua era. As regras de crédito acadêmico sempre foram moldadas pelas ferramentas e estruturas sociais disponíveis.
Isso importa porque reformula o debate atual. A chegada da IA gerativa não é a primeira vez que a tecnologia interrompe a forma como a autoria é atribuída. Mas pode ser a mais disruptiva estruturalmente, porque a IA não se encaixa em nenhuma categoria existente de contribuinte.
Um estudante de pós-graduação ou assistente de pesquisa que ajuda a escrever um artigo pode explicar o que fez, responder a críticas, aprender com a correção e ser responsabilizado por erros. Um sistema de IA gerativa não pode fazer nenhuma dessas coisas. Ele não pode justificar suas saídas, assumir a responsabilidade por imprecisões ou ser sancionado por má conduta. Esta não é uma distinção técnica menor. É o núcleo de por que simplesmente adicionar a IA aos frameworks de autoria existentes não funciona.
As Ferramentas Existem. As Categorias Não.
A comunidade de pesquisa desenvolveu taxonomias para tornar a autoria mais transparente. O CRediT, a Contributor Roles Taxonomy, é usado agora por vários editores e divide o trabalho acadêmico em funções específicas, indo além do sinal contundente da ordem dos autores. É uma melhoria genuína em relação às práticas mais antigas.
Mas o CRediT foi desenhado para contribuintes humanos. Ele não tem uma categoria para “síntese de literatura assistida por IA” ou “iteração estrutural gerada por IA”. O próprio artigo de Braun é um caso exemplar, ele revela que o ChatGPT da OpenAI foi usado para geração de ideias, iteração estrutural, geração de prosa, sumarização, condensação e revisão estilística, e que o Claude da Anthropic foi usado para revisar o artigo. Estas são contribuições substanciais para o texto final. Nenhum dos frameworks de autoria existentes tem um lugar claro para elas.
O problema vai além da fase de escrita. A IA está começando a influenciar a seleção de revisores, a interpretação editorial de relatórios e a linguagem das decisões editoriais. Estes são os mecanismos através dos quais um manuscrito se torna bolsa de estudos reconhecida. Se a IA molda esses mecanismos sem qualquer prestação de contas formal, a transparência que a autoria deve fornecer torna-se vazia.
Há também uma camada de trabalho invisível que raramente entra na conversa. Os sistemas de IA gerativa usados na pesquisa foram construídos com rotulagem de dados, avaliação de modelos, trabalho de engenharia, manutenção de plataformas e o vasto corpus de textos sobre o qual os modelos foram treinados. Nenhum desse trabalho aparece nas seções de agradecimentos. As pessoas que o realizaram não recebem nenhuma atribuição.
Uma Rachadura na Hierarquia que Vale a Pena Examinar
Aqui está o que a maioria da cobertura sobre este tópico perde. A chegada da IA gerativa na escrita acadêmica não cria apenas um novo problema de atribuição. Ela expõe um problema antigo.
O trabalho acadêmico sempre foi organizado hierarquicamente. Pesquisadores juniores pesquisam literatura e coletam dados. Pesquisadores seniores estruturam o argumento conceitual e aprovam o texto final. A seção de agradecimentos, que pode parecer uma cortesia, é na verdade uma economia graduada, algumas contribuições tornam-se autoria, algumas são rebaixadas para “comentários úteis” e algumas desaparecem inteiramente.
O argumento de Braun é que a IA gerativa cria uma abertura para questionar essa economia em vez de simplesmente estendê-la. Se a síntese de literatura assistida por IA é significativa o suficiente para exigir divulgação, por que o mesmo trabalho, quando executado por um assistente de pesquisa humano, historicamente não ganhou autoria? A pergunta não é retórica. Ela aponta para uma inconsistência estrutural que precede a IA e que a IA está agora tornando mais difícil de ignorar.
As decisões que estão sendo tomadas agora sobre como prestar contas da IA na publicação acadêmica moldarão o futuro da bolsa de estudos. Se essas decisões forem impulsionadas principalmente pela conveniência ou custo, o resultado serão frameworks que obscurecem mais do que revelam.
Em Resumo
A IA gerativa já está dentro do processo de escrita científica, lidando com tarefas desde a revisão de literatura até a revisão estilística. O problema é que os frameworks de autoria existentes foram construídos para humanos que podem ser responsabilizados, e a IA não pode. A solução não é simplesmente adicionar uma nova caixa de seleção às taxonomias existentes. Ela exige uma reformulação mais fundamental de como o crédito acadêmico e a responsabilidade são atribuídos, inclusive para o trabalho humano que há muito tempo foi tornado invisível pelas mesmas hierarquias que agora estão sendo interrompidas.
Com base em reportagem de Nature: Machine Learning.