IA poupa 7 horas do cientista — o gargalo apenas muda de lugar

26 de setembro de 2026 às 06:00|Autor: Equipe editorial da QUASA|5 min de leitura| 1

Em 15 de setembro de 2026, o Google lançou uma experiência aberta do AI & Economy ATLAS e divulgou resultados preliminares sobre o uso de inteligência artificial na ciência. Segundo a atualização oficial do ATLAS, os cientistas pesquisados relataram economia média de pouco menos de sete horas por semana, enquanto hipóteses sem teste e tarefas de validação se acumulavam nas etapas seguintes.

As sete horas do título são um arredondamento de 6,9 horas e representam uma estimativa autorrelatada por uma amostra dos Estados Unidos e do Reino Unido. O resultado não significa sete horas adicionais de descobertas nem prova que a IA tenha encurtado na mesma proporção uma pesquisa completa: ela acelera determinadas tarefas, mas experimentos físicos, coleta de dados e validação clínica continuam sujeitos a outras restrições.

As sete horas vêm de uma pesquisa, não dos registros do Gemini

O trabalho reúne três bases que medem fenômenos diferentes. A primeira contém cerca de 15 milhões de interações desidentificadas no Gemini App, no AI Mode e na Gemini API, das quais aproximadamente 360 mil foram classificadas como relacionadas ao trabalho científico. A segunda cataloga mais de 2.600 modelos especializados publicados desde 2012; a terceira é uma pesquisa com 637 cientistas ativos.

O estudo primário AI in Science: Early Insights informa que a pesquisa ouviu 379 participantes nos Estados Unidos e 258 no Reino Unido entre julho e agosto de 2026. Pouco menos de três quartos disseram que a IA lhes poupava tempo líquido, e a média estimada para a amostra completa foi de 6,9 horas semanais. É apenas esse questionário — não a telemetria do Gemini nem o inventário de modelos — que sustenta o número central.

A distinção importa porque os registros dos produtos do Google mostram padrões de uso, mas não medem todas as ferramentas de IA empregadas pelos participantes. O inventário, por sua vez, identifica modelos e funções científicas, sem calcular quanto tempo um pesquisador economiza. Combinar as três fontes amplia o retrato do uso de IA, mas não transforma respostas subjetivas em uma medição direta de produtividade.

O ganho aparece primeiro nas tarefas digitais

Os dados indicam uma divisão de trabalho entre modelos de linguagem e sistemas especializados. LLMs aparecem em atividades distribuídas por várias áreas, como análise geral, programação e preparação de manuscritos; modelos especializados concentram-se relativamente mais em previsão, classificação, geração de dados e simulação dependentes de cada domínio.

Essas tarefas podem ser aceleradas sem que toda a cadeia científica avance no mesmo ritmo. Uma hipótese gerada mais rapidamente ainda precisa ser confrontada com evidências; uma previsão molecular pode exigir construção e teste em laboratório; um resultado clínico depende de protocolos, participantes, acompanhamento e controles de segurança. A capacidade digital aumenta antes da capacidade material necessária para confirmar seus resultados.

Na pesquisa, cerca de 44% disseram que sua principal restrição havia avançado para etapas posteriores nos dois anos anteriores, ante aproximadamente 14% que perceberam movimento na direção oposta. Outros 42% afirmaram que o gargalo continuava na mesma fase. Portanto, o deslocamento é relevante, mas não universal.

Mais hipóteses também significam mais verificação

O efeito visível é uma fila maior de trabalho ainda não validado. Cerca de 41% dos participantes disseram que seu estoque de hipóteses sem teste crescera nos três anos anteriores, enquanto aproximadamente 25% relataram redução. O estudo encontra associação entre maior uso de IA, deslocamento do gargalo e expansão dessa fila, mas não estabelece que a tecnologia tenha causado cada mudança.

A auditoria consome parte do tempo liberado. Entre os participantes que relataram economia, 89% gastavam mais de um décimo desse ganho verificando resultados produzidos por IA, e 46% consumiam mais de um quarto dele nessa atividade. Isso não elimina o benefício declarado, mas reduz a parcela que pode ser convertida em pesquisa adicional.

Uma análise da Scientific American destaca que a dificuldade varia conforme a disciplina: uma demonstração matemática pode ser conferida por regras formais, enquanto uma função prevista para uma proteína precisa ser testada em um sistema físico ou biológico. Ensaios clínicos acrescentam revisão regulatória e controles de segurança que não podem ser comprimidos apenas pela produção mais rápida de ideias.

A amostra não representa todos os cientistas

Os 637 participantes foram recrutados por painéis especializados, não por amostragem probabilística. As respostas não receberam ponderação, não têm margem de erro declarada e não devem ser extrapoladas automaticamente para cientistas do Brasil, para toda a comunidade internacional ou mesmo para todos os pesquisadores dos dois países incluídos.

Também existe risco de seleção: profissionais mais interessados em IA podem ter maior disposição para participar. O próprio conceito de ferramenta especializada pode ter sido interpretado de maneiras diferentes, incluindo software tradicional de aprendizado de máquina ou serviços ajustados a domínios específicos. Essas limitações afetam tanto a frequência de adoção quanto a estimativa de tempo poupado.

O desenho é observacional e combina dados de uso com percepções dos pesquisadores. Ele não compara aleatoriamente grupos com e sem assistência de IA, nem acompanha uma métrica independente de descobertas concluídas. Assim, não permite atribuir à tecnologia um aumento causal de artigos reproduzidos, medicamentos aprovados ou outros resultados científicos validados.

O que ainda precisa ser medido

O resultado publicado em setembro é uma fotografia inicial: a IA parece reduzir o tempo de certas tarefas para os participantes, mas parte desse ganho retorna como trabalho de auditoria, e a produção acelerada de hipóteses pressiona etapas físicas mais lentas. O gargalo não desaparece; para uma parcela relevante da amostra, ele muda de posição.

A questão decisiva continua aberta. Serão necessários estudos longitudinais, comparações entre disciplinas e medidas objetivas de resultados para saber se as horas liberadas encurtam o percurso até uma descoberta confiável. Até que esses dados existam, 6,9 horas descrevem uma economia percebida de trabalho — não sete horas de ciência validada.