A ferramenta já está no laboratório — a questão é outra
Os modelos de linguagem deixaram de ser exotismo no trabalho de pesquisa. Síntese de literatura, rascunhos de hipóteses, código para processamento de dados, verificação de derivações formais — tudo isso já entrou na rotina. Mas, junto com a conveniência, surge uma questão que não se resolve com configurações e regulamentos: se parte do raciocínio foi executada por uma máquina, em que condições o resultado ainda pode ser chamado de conhecimento, e não apenas de texto plausível?
É exatamente assim que Kalin Stoyanov coloca o problema no trabalho «Ethical LLM-Assisted Research» (arXiv:2608.23644, 24 de agosto de 2026). Não é mais um apelo para «usar a IA com cautela», mas uma tentativa de construir um arcabouço normativo e conceitual — ou seja, uma linguagem na qual se possa discutir rigorosamente a delegação do trabalho cognitivo.
A premissa central: o raciocínio científico é um processo distribuído. A contribuição para ele pode vir de diferentes fontes, humanas e maquínicas, em qualquer proporção. Já a responsabilidade pelo que acaba entrando no registro científico permanece humana. Logo, a pergunta «quanto de IA é admissível em um artigo» está mal formulada. A pergunta correta é outra: o que exatamente o ser humano é obrigado a fazer para que o resultado permaneça legítimo.
Cinco variáveis em vez de uma vaga «participação da IA»
Normalmente a discussão se resume a uma porcentagem: quanto foi escrito pelo humano, quanto pela máquina. O arcabouço propõe decompor isso em cinco construtos distintos. Cada um deles pode variar independentemente dos demais.
- Origem do conteúdo (O(g)) — quem ou o que gerou determinada afirmação.
- Completude da verificação humana (V(g)) — se a verificação foi levada até o fim por um pesquisador humano.
- Atribuição de responsabilidade (R(g)) — a quem é atribuído o ônus da decisão de aceitar a afirmação.
- Pertencimento humano responsável (M(g)) — quem é dono da afirmação no sentido de estar disposto a defendê-la e responder por ela.
- Resultado epistêmico (E(g)) — o que a verificação proporciona em termos de acréscimo de conhecimento.
A separação parece quase pedante, mas fecha uma brecha que todos usam. Origem, verificação, resultado e responsabilidade são coisas distintas, e não se pode deduzir uma da outra. O texto pode ter sido gerado por uma máquina, e ainda assim será o humano a responder por ele — e isso é normal. Também ocorre o contrário: formalmente tudo foi escrito pelo autor, mas a verificação foi fictícia, e o conhecimento, no fim, não avança.
Por que não dá para se livrar com «eu verifiquei tudo»
A frase «eu li e concordo» não é verificação. Ela não registra o que exatamente foi verificado, com base em quê e onde está a fronteira entre o confirmado e o aceito por fé. O construto V(g) justamente exige que a verificação seja levada até o fim, e não apenas declarada. Isso importa porque o raciocínio assistido por LLM é, na aparência, quase indistinguível do comum: o texto é fluido, os argumentos são coerentes, as referências parecem reais.
A fronteira passa pela verificação, não pelo volume da contribuição maquínica
A tese central do trabalho é a seguinte: a fronteira ética é definida pela verificação adequada e pelo pertencimento humano responsável, e não pelo grau de envolvimento da máquina. Ou seja, o próprio fato da delegação é eticamente neutro. Ele se torna um problema apenas quando a verificação é formal e a responsabilidade é difusa.
Isso inverte a lógica habitual. Discutir «quantos por cento» a máquina escreveu é inútil: tanto uma linha gerada e inserida cegamente na conclusão pode arruinar o resultado, quanto uma ampla ajuda maquínica, com verificação honesta, não quebra nada. O perigo não é o volume da delegação, mas a sua opacidade.
Auditoria epistêmica: um registro que torna o raciocínio verificável
Dessa lógica nasce uma ferramenta prática — a auditoria epistêmica. É um registro estruturado do que foi delegado, de como foi verificado, de onde veio o conteúdo e a quem foi atribuída a responsabilidade. Em essência, um diário da origem das ideias, e não uma lista das ferramentas utilizadas.
O valor desse registro está em tornar o raciocínio acessível à verificação externa. O leitor, o revisor ou o coautor podem ver onde termina a conjectura maquínica e começa o fato confirmado. Não é um relatório para órgãos fiscalizadores, mas um artefato de trabalho: ele ajuda o próprio autor a perceber que, em algum ponto, aceitou uma afirmação sem verificação simplesmente porque ela soava convincente.
Como isso se parece no trabalho diário
O arcabouço pode ser reduzido a algumas ações que não exigem nem um novo cargo no laboratório, nem software especial.
- Mantenha um registro de delegação: o que exatamente você entregou à máquina — busca de literatura, rascunho de argumento, código, verificação formal.
- Marque a origem: qual trecho veio da máquina e qual veio de você.
- Separe verificação de concordância: registre o que exatamente você verificou e de que maneira.
- Nomeie o responsável pelo nome, e não como «grupo de autores». Não importa se foi o ChatGPT ou outro assistente — quem responde pela afirmação é o humano.
- Verifique primeiro o que é mais convincente: um parágrafo bem escrito não é sinal de correção, e às vezes é o contrário.
Onde mais frequentemente se rompe
Três pontos típicos de falha. O primeiro — referências e citações: parecem plausíveis, mas exigem confirmação manual. O segundo — afirmações numéricas e estatísticas, que são facilmente tomadas como dadas. O terceiro — generalizações «óbvias», que ninguém verifica porque parecem banais.
Limites de aplicabilidade e pontos controversos
O arcabouço é formal e, portanto, opera com as consequências das definições adotadas, e não com a prática viva. Permanece em aberto a questão de como medir a «completude da verificação» — é um construto, não um número. Também não está totalmente claro como integrar a auditoria à revisão por pares: os periódicos ainda não exigem registros de delegação, e não é certo que venham a exigir.
Há também o risco de a ideia se transformar em ritual. Qualquer prestação de contas tende a virar burocracia: se a auditoria é feita para cumprir tabela, ela perde o sentido exatamente como perderia uma verificação fictícia. A utilidade da ferramenta se sustenta na honestidade de quem a mantém.
O que, no fim, resta ao humano
À máquina pode-se entregar muita coisa: o trabalho preliminar, a exploração de alternativas, a rotina da busca, a montagem inicial do texto. O que não se delega é outra coisa — a decisão sobre o que considerar estabelecido e a disposição de responder por isso. O arcabouço de Stoyanov oferece para isso um vocabulário formal: ele permite distinguir a delegação cognitiva responsável da simples transferência de responsabilidade ou da sua silenciosa ignorância.
Na prática, é um retorno à velha norma do trabalho científico, só que com uma nova ferramenta em mãos. O conhecimento sempre foi resultado de verificação, e não de declaração. O surgimento dos LLMs não mudou nada nisso — apenas tornou mais visível a diferença entre a verificação e a sua imitação.
