O artigo científico é, há mais de três séculos, a unidade que valida o conhecimento. Com a IA generativa a inundar a publicação científica de manuscritos automatizados, cresce um grupo de investigadores a perguntar se essa unidade precisa de mudar outra vez — e o que isso implica para quem ensina hoje a pesquisar, citar e avaliar fontes.
Há um exercício que praticamente todos os alunos do secundário fazem em algum momento: procurar um artigo científico, ler o resumo, tentar perceber a metodologia, verificar quem o publicou e quando. Ensinamo-los que um artigo revisto por pares é, por convenção, uma unidade fiável de conhecimento — o tijolo com que a ciência se constrói. O que raramente lhes dizemos é que essa unidade tem uma história relativamente curta e que, neste preciso momento, está sob uma pressão que pode vir a redesenhá-la por completo. A inteligência artificial não é a única causa dessa pressão, mas está a acelerá-la de forma que já não se pode ignorar.
Esta reflexão parte de um ensaio recente do jornalista científico Tim Requarth, publicado na revista The Transmitter, dedicado precisamente a esta pergunta: e se o artigo científico, tal como o conhecemos, estiver a chegar ao fim da sua utilidade?
Do tratado ao artigo: uma unidade que já mudou antes
Antes de existir o artigo científico, existia o tratado. Johannes Kepler precisou de um livro inteiro — a Astronomia Nova — para reunir uma década de observações astronómicas, hesitações incluídas. Isaac Newton fez o mesmo com os Principia. Só a partir de 1665, com a fundação das Philosophical Transactions of the Royal Society, os cientistas passaram a poder partilhar resultados parciais de forma mais rápida e compacta. Charles Darwin, aliás, queixava-se de que a sua teoria dificilmente caberia num artigo de revista sem sacrificar os factos que a sustentavam.
Ainda assim, o artigo curto acabou por se impor. Albert Einstein publicou quatro artigos que mudaram a física em 1905. James Watson e Francis Crick anunciaram a estrutura do ADN em menos de mil palavras, em 1953. O artigo científico não é, portanto, uma lei da natureza: é uma tecnologia de comunicação, criada para permitir que a ciência avançasse mais depressa. E tal como substituiu o tratado, pode agora estar a ser empurrado para uma nova forma.
Uma crise alimentada pela inteligência artificial
O sistema de publicação científica já vinha sob tensão antes de qualquer modelo de linguagem entrar em cena — mas a IA está a agravá-la de forma mensurável. Um estudo de grande escala publicado na revista Science em dezembro de 2025, conduzido por Keigo Kusumegi e colegas das universidades Cornell e Berkeley, analisou mais de dois milhões de artigos publicados em plataformas de pré-publicação entre 2018 e 2024. A conclusão central: os investigadores que passaram a usar modelos de linguagem como o ChatGPT aumentaram significativamente a sua produção de artigos, com subidas que variam consoante a área — mais acentuadas nas ciências sociais e nas humanidades, e particularmente elevadas entre autores ligados a instituições asiáticas, para quem a barreira do inglês representava até aqui uma desvantagem.
O reverso da medalha é conhecido de quem trabalha em revisão por pares: editores que recebem artigos praticamente idênticos, reformulados apenas o suficiente para escapar aos detetores de plágio, todos a explorar o mesmo conjunto de dados públicos. E os próprios revisores estão, cada vez mais, a recorrer à IA para produzir os seus pareceres — segundo uma análise da empresa Pangram, cerca de 21% das revisões submetidas a uma das maiores conferências de aprendizagem automática, em 2026, foram integralmente geradas por IA.
Do lado da produção, o exemplo mais espetacular é o PaperOrchestra, um sistema desenvolvido pela equipa de investigação da Google Cloud, apresentado em abril de 2026. A partir de notas de laboratório em bruto, uma sequência de cinco agentes de IA especializados — esquematização, revisão de literatura, redação, geração de figuras e refinamento — produz um manuscrito completo, em formato LaTeX, com citações verificadas, em cerca de quarenta minutos.
Perante este volume de produção automatizada, a resposta mais comum tem sido tentar reforçar o sistema existente: mais verificação, mais deteção de fraude, mais exigência na revisão. Mas há um grupo crescente de investigadores a colocar uma pergunta diferente — não como consertar a publicação científica, mas se a própria unidade de comunicação científica, o artigo, precisa de evoluir outra vez.
Quando a resposta não é remendar, mas repensar
Em 2023, Michael Eisen, biólogo computacional e antigo editor-chefe da revista eLife, avançou publicamente com uma ideia: em vez de um artigo estático, igual para todos os leitores, o futuro poderia trazer um formato interativo, de «artigo por medida», em que cada pessoa interroga diretamente os dados, os métodos e os resultados subjacentes a um estudo.
Essa ideia começa agora a ganhar forma concreta. Num estudo divulgado em fevereiro de 2026, os investigadores A. Sina Booeshaghi (Universidade da Califórnia em Berkeley), Laura Luebbert (Instituto Broad) e Lior Pachter (Instituto de Tecnologia da Califórnia) apresentaram o OpenEval, um sistema que decompõe artigos científicos nos seus elementos constituintes: afirmações individuais, provas que as sustentam e avaliações sobre se essas provas se sustentam. Aplicado a cerca de 16 mil artigos da revista eLife — que publica os seus manuscritos em formato legível por máquina —, o OpenEval extraiu quase dois milhões de afirmações distintas. Os avaliadores humanos e a IA concordaram em 81% dos casos, mas o dado mais relevante é outro: a IA avaliou cerca de 93% de todas as afirmações de um artigo, contra 68% cobertos, em média, pelos revisores humanos. Não é uma questão de qualidade, mas de tempo: dois ou três investigadores, com prazos apertados, dificilmente conseguem escrutinar sistematicamente uma centena de afirmações num único artigo.
A equipa do OpenEval defende que a publicação científica deveria separar duas funções que os artigos, hoje, misturam: divulgar resultados e comunicar ideias. Os resultados, sustentam, deveriam existir num formato explícito e legível por máquina; a narrativa continuaria a existir, mas como camada interpretativa sobre uma base de dados estruturada e consultável.
Outros vão mais longe. A física italiana Francesca Colaiori propôs, num texto de divulgação ainda pouco formalizado academicamente, o conceito de «Rede Adaptativa de Conhecimento», em que a unidade básica de contributo científico deixaria de ser o artigo e passaria a ser um «objeto de conhecimento» — uma afirmação, um conjunto de dados, um método —, ligado a outros por referências cruzadas, num modelo mais próximo da edição colaborativa de uma enciclopédia digital do que da submissão de um manuscrito fechado.
Num ponto intermédio, a revista NEJM AI já experimenta, desde finais de 2025, um processo de revisão híbrida por convite: um editor humano avalia o manuscrito de forma independente, dois modelos de linguagem produzem pareceres estruturados separados e um estatístico colabora com IA numa revisão estatística completa. Segundo o relato publicado por Arjun Manrai e colegas, o resultado foi uma decisão provisória em sete dias — e a publicação integral dos pareceres de IA, para escrutínio público.
Um mapa em vez de fragmentos dispersos
Para uma disciplina tão vasta como a neurociência — que atravessa a biologia molecular, a imagiologia funcional e a psicologia comportamental —, este tipo de sistema pode ter um valor particular. Ninguém consegue, sozinho, acompanhar tudo o que se publica em todas as subáreas, e ligações relevantes ficam invisíveis simplesmente porque nenhum investigador leu os dois artigos ao mesmo tempo. O próprio OpenEval já encontrou um exemplo concreto: dois artigos da eLife, sobre mecanismos de depressão sináptica dependente do momento temporal (tLTD) em circuitos cerebrais diferentes, chegavam a conclusões aparentemente contraditórias sobre o papel dos recetores NMDA — sem nunca se citarem mutuamente, porque estudavam circuitos distintos. Lidos em conjunto, sugerem antes que esse papel depende do circuito em causa. Um registo estruturado e pesquisável teria tornado essa ligação visível desde o início, em vez de a deixar enterrada na fragmentação da literatura.
O precedente que já existe: quando a matemática se deixou verificar por máquina
Há um exemplo anterior a este debate, que mostra que esta separação entre narrativa e verificação já está a acontecer, ainda que de forma discreta. Quando os matemáticos Timothy Gowers, Ben Green, Frederick Manners e Terence Tao provaram, em 2023, um caso central da conjetura de Polynomial Freiman-Ruzsa, publicaram-no da forma tradicional — um artigo. Mas, em poucas semanas, uma equipa de colaboradores traduziu a demonstração para Lean, um assistente de prova cuja biblioteca comunitária, o mathlib, contém já mais de 250 mil teoremas verificados por máquina. Esse processo de verificação apanhou um pequeno erro que os revisores humanos tinham deixado passar.
O resultado passou a existir em duas formas: o artigo, que explica por que razão a prova é importante e onde estiveram as dificuldades, e a versão verificada por máquina, que garante que cada passo lógico é válido. Nenhuma substitui a outra. É certo que a ciência empírica não se deixa verificar da mesma forma exata que uma prova matemática — mas o princípio de fundo mantém-se: a narrativa continua a ser essencial para comunicar ideias entre humanos, e a legibilidade por máquina pode tornar os resultados reutilizáveis e verificáveis de formas que a prosa, sozinha, não consegue.
O risco escondido: escrever também é pensar
Há, no entanto, um contraponto que estas propostas ainda não resolveram de forma satisfatória. Escrever um artigo científico não é apenas comunicar uma descoberta já feita — é, muitas vezes, o próprio processo através do qual o investigador descobre onde o seu raciocínio tem falhas. É a tentar explicar um resultado que se percebe que ele não decorre tão bem do anterior como se pensava, ou que o problema estava mal formulado desde o início. Um sistema como o PaperOrchestra, ao eliminar exatamente essas semanas de luta com a exposição, pode estar a retirar da ciência um trabalho cognitivo que não aparece em nenhuma métrica de produtividade, mas que talvez seja onde parte da descoberta realmente acontece.
Esta tensão não é nova. A passagem do tratado para o artigo também implicou perdas genuínas — Darwin sabia que precisava de centenas de páginas para o seu argumento se desenrolar por completo, e o historiador da ciência Alex Csiszar já mostrou, no seu livro sobre a história do artigo científico no século XIX, que a fragmentação do conhecimento em «pedaços quebrados de facto» teve custos epistémicos reais. Ainda assim, foi essa unidade mais pequena que permitiu um ritmo de acumulação de conhecimento que o tratado não conseguia sustentar — a revolução da mecânica quântica, entre 1925 e 1927, terá sido possível precisamente por se apoiar numa cascata rápida de artigos curtos, trocados entre Göttingen, Copenhaga, Cambridge e Zurique.
O que isto significa para a escola
Este debate pode parecer distante do quotidiano de uma sala de aula, mas não é. Sempre que pedimos a um aluno que faça uma pesquisa, cite uma fonte ou distinga uma afirmação fundamentada de uma opinião, estamos a ensinar-lhe, ainda que de forma implícita, como o conhecimento científico se valida — através de revisão, de verificação e de um sistema (imperfeito, mas existente) de responsabilização. Se essa unidade básica está a mudar, a forma como ensinamos os alunos a procurar e a avaliar informação científica também terá de acompanhar essa mudança.
Há aqui, pelo menos, três pontos de contacto direto com o trabalho na escola. O primeiro é a literacia científica propriamente dita: perceber que um artigo não é um facto absoluto, mas uma afirmação sujeita a um processo de escrutínio — e que esse processo está, neste momento, a ser parcialmente automatizado — ajuda os alunos a lerem notícias sobre ciência com mais espírito crítico, em vez de aceitarem qualquer «estudo mostra que» como verdade encerrada. O segundo é a transferência direta para os trabalhos de investigação que os próprios alunos produzem, sobretudo no ensino secundário: se a IA generativa já é usada, de forma real, para produzir manuscritos científicos completos, os alunos vão encontrar exatamente a mesma tentação e as mesmas questões éticas quando usarem estas ferramentas nos seus próprios trabalhos de pesquisa — e a discussão sobre onde termina o apoio legítimo e começa a substituição do pensamento é a mesma, em qualquer escala. O terceiro é mais estrutural: este episódio é um excelente estudo de caso para trabalhar competências de cidadania digital e de avaliação de fontes, ao mostrar aos alunos que até a própria comunidade científica está a debater, em tempo real e sem resposta fechada, como equilibrar velocidade, verificação e credibilidade — exatamente o mesmo equilíbrio que lhes pedimos a eles quando usam IA num trabalho escolar.
Vale ainda sublinhar que esta discussão se cruza diretamente com o que já temos vindo a explorar neste espaço sobre pensamento crítico na era da IA: também aqui a pergunta central não é «a ciência deve ou não usar IA», mas sim «o que fica preservado do trabalho de pensar quando parte da escrita é delegada a uma máquina». É uma pergunta que vale a pena colocar aos alunos mais velhos, sobretudo aqueles que estão a preparar trabalhos de investigação ou provas de aptidão profissional: se a redação de um relatório é, também, o momento em que se descobre o que ainda não se percebeu bem, o que se perde quando essa redação é acelerada ou delegada?
Uma pergunta em aberto
Não há, para já, uma resposta consensual sobre que forma a comunicação científica vai tomar a seguir. O que parece certo é que o artigo, tal como o conhecemos, já não está a conter sozinho toda a ciência que se produz — entre suplementos que ultrapassam o manuscrito principal, dados depositados em repositórios que raramente são reutilizados e código publicado sem documentação, a fragmentação já começou, apenas de forma desorganizada. A questão que Requarth deixa em aberto, e que vale a pena levar para a sala de aula, é se a próxima geração de investigadores — e de alunos que hoje aprendem o que é um artigo científico — vai herdar um mapa mais claro desse conhecimento, ou continuará a orientar-se, um pouco às cegas, por um território cada vez mais disperso.
Este artigo foi preparado com apoio de IA, sob supervisão editorial, a partir do ensaio de Tim Requarth publicado em The Transmitter (maio de 2026). Todas as afirmações factuais e os dados citados foram verificados diretamente nas fontes primárias indicadas nas referências. As ligações entre este debate e o trabalho na sala de aula, na secção final, constituem um contributo editorial próprio deste blogue.
Referências
Booeshaghi, A. S., Luebbert, L., & Pachter, L. (2026). Science should be machine-readable. bioRxiv. https://doi.org/10.64898/2026.01.30.702911
Conroy, G. (2023, 10 de outubro). How ChatGPT and other AI tools could disrupt scientific publishing. Nature. https://doi.org/10.1038/d41586-023-03144-w
Csiszar, A. (2018). The scientific journal: Authorship and the politics of knowledge in the nineteenth century. University of Chicago Press.
Kusumegi, K., Yang, X., Ginsparg, P., de Vaan, M., Stuart, T., & Yin, Y. (2025). Scientific production in the era of large language models. Science, 390(6779), 1240–1243. https://doi.org/10.1126/science.adw3000
Manrai, A. K., Ouyang, D., Hogan, J. W., & Kohane, I. S. (2025). Accelerating science with human+AI review. NEJM AI, 2(12). https://doi.org/10.1056/AIe2501175
Pangram Labs. (2026). Pangram predicts 21% of ICLR reviews are AI-generated [Entrada de blogue]. https://www.pangram.com/blog/pangram-predicts-21-of-iclr-reviews-are-ai-generated
Requarth, T. (2026, 11 de maio). The next unit of science: Is the scientific paper due to be replaced? The Transmitter. https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/
Song, Y., Song, Y., Pfister, T., & Yoon, J. (2026). PaperOrchestra: A multi-agent framework for automated AI research paper writing. Google Cloud AI Research. https://github.com/google-research/paper-orchestra
