IA e o novo workflow da ciência: automatizar os meios, reaprender os fins
Terence Tao publicou esta semana um ensaio notável, baseado em sua palestra no Congresso Internacional de Matemáticos de 2026, sobre como a comunidade matemática deveria responder à chegada de ferramentas de IA capazes de executar tarefas de pesquisa. Embora o ensaio seja sobre matemática, a estrutura do argumento se aplica quase literalmente às ciências empíricas — e, em particular, ao tipo de pesquisa que faço em economia aplicada.
O argumento do Tao
O ponto de partida é uma escolha metodológica interessante: Tao se recusa a debater se a IA será capaz de fazer pesquisa. Em vez disso, propõe uma “hipótese de trabalho” — assuma que ferramentas de IA serão, em breve, capazes de executar uma fração razoável das tarefas de pesquisa, com custo e supervisão razoáveis — e pergunta o que se segue condicionalmente a ela. O debate sobre capacidade é ortogonal à pergunta que importa: quais são, afinal, os objetivos e valores da pesquisa?
A resposta que ele constrói é enganosamente simples. Tomemos a meta óbvia — “resolver o máximo de problemas em aberto” — e a submetamos a objeções sucessivas. Resolver problemas não basta: é preciso verificar as soluções. Verificar não basta: é preciso que sejam comunicadas de forma compreensível. Comunicar não basta: é preciso que a comunidade as digira e aceite. E mesmo isso não basta: os resultados precisam ser canonizados — incorporados à teoria definitiva, aos livros-texto, ao ferramental da geração seguinte.
O que começou como uma única seta (problema → solução) termina como uma esteira de cinco estágios, dos quais apenas o primeiro — a geração — era um objetivo explícito da comunidade. E é exatamente o primeiro estágio que a IA automatiza. A conclusão de Tao é que estamos saindo de uma era de escassez de provas para uma era de abundância de provas, e que nossas instituições — periódicos, revisão por pares, critérios de contratação e promoção — foram todas desenhadas sob o pressuposto da escassez.
A tradução para a economia aplicada
Quem trabalha com pesquisa empírica reconhece a mesma esteira, com nomes diferentes:
- Geração: coletar e limpar dados, escrever código, rodar especificações;
- Verificação: checar a consistência dos dados, a correção do código, a robustez dos resultados;
- Exposição: escrever o paper de forma que a estratégia de identificação e as limitações fiquem claras;
- Aceitação: revisão por pares, apresentações, replicação por outros pesquisadores;
- Canonização: o resultado vira consenso, entra nos manuais e passa a informar política pública.
Historicamente, o primeiro estágio consumia a maior parte do tempo do pesquisador — e funcionava como filtro. Dominar o processamento de dados e a implementação econométrica era um sinal imperfeito, mas útil, de competência nos estágios seguintes. Era o que se poderia chamar de proxy: como os objetivos estavam correlacionados, medir um deles servia de aproximação para os demais. Tao invoca a lei de Goodhart para descrever o que acontece quando o proxy vira alvo: “quando uma medida se torna uma meta, ela deixa de ser uma boa medida”. A IA é uma máquina de Goodhart — ela otimiza a aparência do resultado, não a propriedade que o resultado deveria indicar.
Exemplos das minhas áreas
Deixe-me ser concreto, com exemplos das áreas em que trabalho.
Jurimetria e análise de decisões judiciais. Grande parte do custo de um estudo jurimétrico sempre esteve nas etapas intermediárias: extrair, classificar e tabular informações de processos e decisões, muitas vezes documento a documento. Hoje, modelos de linguagem classificam em horas um corpus de decisões que levaria meses de codificação manual — identificando a classe processual, o pedido, o dispositivo, o resultado. A tarefa tediosa não era o objetivo; era apenas o caminho. O que permanece escasso, e humano, é a pergunta: o que exatamente medir numa decisão judicial para que ela diga algo sobre o efeito de uma lei ou de uma política judiciária? Definir a variável certa continua exigindo conhecimento jurídico e econométrico que nenhum classificador automático fornece.
Pesquisa jurídica. Na pesquisa dogmática, a esteira de Tao também se aplica. As etapas tediosas são conhecidas de quem já escreveu uma monografia: levantamento bibliográfico, busca de jurisprudência, leitura e resumo de ementas, mapeamento de divergências entre tribunais. Ferramentas de IA já fazem boa parte disso — e é justamente aqui que a distinção entre os estágios se torna vital. A geração de texto jurídico ficou barata, mas a verificação ficou mais exigente, não menos. Os casos documentados já se acumulam. O mais célebre é Mata v. Avianca (S.D.N.Y., 2023): dois advogados apresentaram uma petição citando seis precedentes inexistentes gerados pelo ChatGPT — e, confrontados pelo tribunal, insistiram no erro, chegando a produzir “trechos” falsos das decisões; o juiz P. Kevin Castel aplicou multa de US$ 5 mil. No Brasil, o TST já aplicou multas por litigância de má-fé em casos semelhantes: a 6ª Turma multou em 1% do valor da causa uma empresa e seu advogado que sustentaram uma tese com precedentes provavelmente gerados por IA, e a 1ª Turma aplicou multa de 2% num caso em que a parte reiterou o uso de jurisprudência falsa mesmo após alertada. Há inclusive uma base de dados dedicada a catalogar esses episódios no mundo inteiro — já são centenas. O padrão é sempre o mesmo: o texto vem com fluidez e formatação perfeitas, o que torna o erro difícil de perceber. Cada citação precisa ser conferida na fonte oficial — o que é trabalho humano, ou pelo menos humanamente supervisionado. E o que permanece irredutivelmente humano é o núcleo normativo do ofício: interpretar, construir o argumento, distinguir a ratio decidendi do obiter dictum, decidir qual tese defender. A abundância de texto jurídico plausível torna ainda mais valioso quem sabe separar argumento de verossimilhança.
Economia da energia. Quem pesquisa o setor elétrico convive com bases grandes e heterogêneas de reguladores, operadores e comercializadoras — harmonização de séries, painéis desbalanceados, mudanças de metodologia de medição ao longo do tempo. Montar e documentar esse painel é exatamente o tipo de tarefa que a IA já acelera de forma dramática: escrever e depurar o código de tratamento, cruzar fontes, gerar a documentação do pipeline. Mas a IA não decide qual é a pergunta economicamente relevante — por exemplo, como o desenho de um leilão de energia ou de uma tarifa afeta investimento e preço — nem qual estratégia de identificação é defensável diante das instituições específicas que geraram os dados.
Microeconometria aplicada. Aqui mora talvez o maior risco análogo ao que Tao descreve. Se gerar especificações ficou barato, o que impede um dilúvio de resultados “significativos”? A versão econométrica da abundância de provas é a abundância de regressões: p-hacking e specification searching em escala industrial, com a aparência de robustez que a lei de Goodhart prevê. A resposta não é usar menos IA, mas deslocar o peso do nosso trabalho para os estágios que ela não resolve: verificação independente, registros prévios de análise, replicação e, sobretudo, julgamento sobre desenho de pesquisa.
Teoria de jogos e design de mecanismos. Das minhas áreas, esta é a mais próxima da matemática do ensaio — e talvez a primeira a sentir a mudança. Derivar equilíbrios, verificar a álgebra de uma prova de existência, simular o comportamento de um leilão sob regras alternativas: tudo isso já é acelerado por ferramentas de IA, e o próprio Tao prevê que a geração e a verificação formal de provas ficarão cada vez mais baratas. O que não fica barato é a modelagem: decidir qual jogo captura a instituição real que se quer estudar, que suposições sobre informação e preferências são defensáveis, que conceito de equilíbrio faz sentido para o problema. Há ainda uma ironia útil: design de mecanismos é, em essência, a arte de criar regras robustas a agentes que tentam explorá-las — ou seja, é a lei de Goodhart tratada como problema técnico. Num mundo em que os agentes econômicos também usam IA para encontrar brechas nas regras, essa robustez deixa de ser um luxo teórico.
Ensino de japonês. Na sala de aula, a mesma lógica aparece com outra roupagem. Preparar listas de exercícios, montar frases de exemplo ajustadas ao nível da turma, transcrever áudios, produzir versões simplificadas de um texto: são tarefas que consumiam boa parte do tempo de preparação e que a IA já faz competentemente. O que ela não faz é diagnosticar por que um aluno específico trava numa estrutura, dar feedback sobre a produção oral em tempo real, ou sustentar a motivação de quem estuda uma língua por anos. E há um paralelo direto com um alerta do ensaio: o objetivo de formar um aluno não é alcançado produzindo lição de casa correta. Se o aluno terceiriza os exercícios para a IA, o proxy — a tarefa entregue — deixa de medir o aprendizado, e o professor precisa redesenhar a avaliação em torno do que só se revela em interação. Aqui, mais do que em qualquer outra área, a resposta não é incorporar a IA ao workflow do aluno, mas redefinir o que estamos medindo.
Um workflow possível
O ensaio termina com recomendações da Declaração de Leiden sobre IA e Matemática (junho de 2026), que traduzo livremente para o nosso ofício:
- Declare o uso das ferramentas. O cenário a evitar a todo custo é o uso encoberto de IA por medo de julgamento dos pares. Transparência sobre o que foi gerado, verificado e escrito por quem.
- Facilite o trabalho de quem revisa. Código reproduzível, documentação do pipeline de dados, referências precisas. Se a geração ficou barata, a verificação virou o recurso escasso — não a desperdice.
- Assuma a autoria. Crédito e responsabilidade continuam humanos. Tao propõe uma regra prática que adoto como minha: se o autor não consegue dar uma palestra clara, em nível de especialista, sobre o próprio resultado, o resultado não está pronto para publicação.
A tentação é tratar a IA como uma ameaça à pesquisa ou como um atalho para produtividade. O ensaio do Tao sugere uma terceira leitura, que me parece a correta: as tarefas tediosas eram meios, não fins. Automatizá-las não elimina o trabalho do pesquisador — devolve a ele a obrigação de fazer a parte que sempre foi a mais importante, e que a escassez de tempo nos permitia adiar: escolher boas perguntas, verificar com ceticismo, explicar com clareza e construir conhecimento que a comunidade consiga digerir.
O workflow que precisamos encontrar não é o que produz mais. É o que continua produzindo entendimento quando produzir deixou de ser difícil.