Quando o revisor assume a investigação de substância na era dos rascunhos de IA

Do caçador de vírgulas ao guardião de integridade

A cena é cada vez mais comum: o pesquisador chega à reunião editorial com um rascunho pronto, bem escrito, coerente na superfície. Depois admite, quase casualmente, que o texto saiu em poucos minutos de um modelo de linguagem. O revisor percebe que a tarefa mudou. A descrição do cargo, porém, ainda não acompanhou essa transformação.

Em 2023, Machado et al. analisaram o uso de grandes modelos de linguagem na pesquisa acadêmica e destacaram o potencial para acelerar etapas de escrita, desde esboços de seções até versões completas de artigos. A promessa de ganho de tempo é real. Ao mesmo tempo, desloca o peso da revisão para outra dimensão: integridade do conteúdo e adequação do uso da IA.

Se o rascunho vem de uma máquina, a fluência mínima deixa de ser o problema central. O que passa a preocupar é a coerência com o projeto de pesquisa, o respeito às evidências disponíveis e a forma como a autoria é construída. O revisor deixa de ser guardião de detalhes tipográficos e passa a atuar como curador do que pode, de fato, ser assumido como conhecimento comunicável.

Lüdke et al., em 2024, mapearam posições de associações científicas e periódicos sobre escrita auxiliada por algoritmos. Uma tendência clara aparece: a exigência de supervisão humana qualificada e de transparência no uso de IA, especialmente em campos que dependem fortemente de revisão por pares. A tecnologia é admitida, mas permanece subordinada à responsabilidade autoral.

Essa responsabilização desloca o foco da intervenção editorial. A pergunta passa de “o texto está bem escrito?” para “quem responde pelas escolhas conceituais e metodológicas que aparecem aqui?”. O revisor-investigador precisa identificar onde o modelo apenas reorganizou o já conhecido e onde extrapolou, sugerindo hipóteses não previstas ou interpretando dados sem ancoragem.

O trabalho também passa a incluir checagem de adequação de uso. Em que momento o modelo foi acionado? Com quais instruções? As salvaguardas éticas previstas por comitês de pesquisa foram respeitadas? Lüdke et al. mostram que várias diretrizes recentes pedem registro explícito dessas decisões. Isso transforma o revisor em leitor de bastidores do processo, não só do resultado textual.

A transparência implica, ainda, discutir autoria. Quando parte substantiva da redação é delegada a um modelo, quem assina o quê? Machado et al. argumentam que grandes modelos de linguagem não podem ser tratados como coautores, por não assumirem responsabilidade. O revisor passa a verificar se essa fronteira está clara, evitando tanto a ficção de autoria humana plena quanto a terceirização irresponsável de julgamentos.

Nesse cenário, o “erro” mais grave já não é a vírgula deslocada, mas o parágrafo elegante que mistura referência correta, inferência apressada e generalização injustificada. O revisor precisa ler cada trecho como hipótese a ser testada, não como texto a ser embelezado. A integridade passa a ser o eixo em torno do qual todo o trabalho de revisão se reorganiza.

O que precisa ser verificado quando a máquina escreve primeiro

Quando o texto nasce de IA, a primeira pergunta metodológica deixa de ser sobre estilo e passa a ser sobre rastreabilidade. De onde vêm as afirmações? AUTOR et al., em revisão sistemática publicada em 2024, analisaram riscos de integridade na escrita acadêmica assistida por IA e identificaram problemas recorrentes de referências inventadas, citações deslocadas e fontes vagas.

Essa revisão mostra que modelos de linguagem tendem a produzir textos com aparência de rigor, mas com vínculos frágeis às bases empíricas. O revisor, então, precisa rastrear cada afirmação factual importante até uma fonte identificável, verificando se ela existe, se foi lida pelos autores e se o uso no texto é fiel. A verificação, aqui, é quase forense.

Outro eixo é a consistência lógica. AUTOR et al. apontam que modelos conseguem manter coerência local em parágrafos, mas tropeçam em longos arcos argumentativos, principalmente quando o pedido envolve síntese de múltiplas fontes. O revisor deve mapear o raciocínio do início ao fim, procurando saltos, inversões de posição e conclusões que não decorrem claramente das premissas apresentadas.

Há ainda o alinhamento com evidências disponíveis. Machado et al. destacam que grandes modelos de linguagem se apoiam em padrões estatísticos de linguagem e não em bases de dados atualizadas com curadoria científica explícita. O revisor precisa comparar o que o texto afirma com o estado da arte do campo. Assim, consegue detectar quando o modelo recorre a um “consenso” que já foi superado ou simplificado em excesso.

Os riscos de alucinação ou distorção, descritos por AUTOR et al., não se limitam a referências inexistentes. Incluem, por exemplo, extrapolações de resultados de estudos para populações distintas, ou a combinação de trechos de métodos de trabalhos diferentes como se formassem um único protocolo. O texto soa plausível, mas o desenho metodológico fica quimérico.

Nesse contexto, a leitura apenas formal se torna perigosamente insuficiente. Um revisor que se limite a corrigir concordância pode deixar passar um método impossível de replicar ou uma interpretação que contraria a própria literatura citada. A tarefa passa a incluir, explicitamente, testes de plausibilidade metodológica e confronto com dados conhecidos.

Outro ponto crítico é a coerência entre seções. A revisão sistemática de AUTOR et al. relata casos em que introduções geradas por IA descrevem problemas amplos, enquanto a seção de resultados, escrita quase manualmente, aborda recortes estreitos. O revisor precisa alinhar escopo, objetivo, método e conclusão. Assim, garante que o texto gerado por IA não tenha inflado artificialmente a ambição do estudo.

Por fim, a avaliação da confiabilidade do texto precisa incluir o exame das instruções dadas ao modelo, quando documentadas. Machado et al. sugerem que a qualidade da saída depende fortemente do desenho da tarefa. Um revisor atento pedirá, quando possível, acesso aos prompts ou ao menos a descrição precisa deles, para julgar se o que aparece no artigo é compatível com o que se pediu à máquina.

O que deixa de importar tanto quanto antes

Se os modelos de linguagem já entregam, em segundos, uma versão gramaticalmente aceitável de um texto técnico, insistir em que revisores gastem a maior parte do tempo caçando desacordos triviais parece um desperdício. O que antes exigia horas de polimento manual agora pode ser automatizado com razoável segurança, sobretudo na fase inicial.

Machado et al. descrevem, em seu estudo de 2023, o uso de IA para apoiar tarefas de reescrita, simplificação de linguagem e adequação a formatos de periódicos. Essas funções mostram que a correção gramatical de superfície e a padronização inicial de estilo podem ser delegadas à máquina como primeiro filtro, liberando o revisor humano para questões de substância.

Isso não significa abandonar o cuidado formal, mas reposicioná-lo. A fluência básica, a remoção de redundâncias evidentes e a adequação preliminar ao registro científico se tornam pré-condições que o sistema pode atender antes que o texto chegue à mesa do revisor. O tempo humano passa a ser valioso demais para ser consumido apenas na regularização da superfície.

Ao mesmo tempo, estudos recentes alertam para os limites dessa delegação. Silva et al., em 2024, analisaram marcas de inteligência artificial na escrita e identificaram vícios textuais recorrentes, como repetição de estruturas frasais, enumerações previsíveis e fórmulas argumentativas pouco situadas. A máquina resolve a gramática, mas tende a achatamento estilístico.

Nesse sentido, o que deixa de importar não é o estilo em si, mas a expectativa de que o revisor atue como corretor de cada deslize menor. A intervenção estilística passa a ser estratégica: menos caça a pequenos erros, mais atenção a passagens em que os vícios de IA prejudicam a precisão conceitual ou a voz situada da pesquisa.

Outra tarefa que perde centralidade é a padronização manual de referências e citações em estágios muito iniciais. Ferramentas assistidas por IA, discutidas por Machado et al., já conseguem sugerir formatações de acordo com normas específicas. O revisor pode concentrar-se na veracidade e pertinência das referências, em lugar de dedicar energia a detalhes de pontuação em cada entrada bibliográfica.

Em síntese, o trabalho desloca peso. Há menos energia em correções que a máquina executa de forma aceitável e mais foco em aspectos que exigem julgamento contextual. O risco não é a perda do cuidado formal, mas a ilusão de que um texto formalmente correto dispensaria a leitura crítica aprofundada que a revisão de substância demanda.

Competências novas para revisores, editores e equipes técnicas

Se o rascunho é de IA, a competência central do revisor passa a ser ler métodos, não apenas frases. A revisão sistemática de AUTOR et al. mostra que muitos riscos de integridade emergem justamente na forma como modelos lidam com desenhos de estudo, critérios de inclusão e descrição de procedimentos. Sem leitura metodológica sólida, esses riscos permanecem invisíveis.

A literacia em dados também ganha peso. Quando a IA propõe sínteses de resultados ou sugere interpretações estatísticas, o revisor precisa avaliar se os números fazem sentido, se respeitam os limites dos estudos originais e se não introduzem causalidades indevidas. Machado et al. ressaltam que modelos operam por padrões linguísticos, o que torna o verniz quantitativo especialmente enganoso.

Outra competência emergente é a capacidade de desenhar prompts e protocolos de revisão. Silva et al. propõem um protocolo de prompt para reconhecimento e revisão de marcas de IA na escrita, mostrando que o modo de perguntar à máquina condiciona o tipo de saída que será revisada. Revisores e editores passam a atuar também como projetistas de interações com modelos.

Essa atuação inclui saber quando e como usar IA para apoiar a própria revisão. AUTOR et al. discutem cenários em que a IA pode auxiliar a identificar inconsistências internas ou a sinalizar possíveis plágios de forma preliminar. O julgamento crítico, porém, permanece humano: é o revisor quem decide se um alerta faz sentido, se um trecho realmente fere integridade ou se é falso positivo.

O julgamento ético sobre autoria e transparência compõe outro eixo de competência. Lüdke et al. mostram que associações científicas vêm elaborando orientações sobre declaração de uso de IA, limites de delegação e responsabilidades dos autores. Revisores e editores precisam dominar esse repertório para avaliar se os manuscritos cumprem requisitos mínimos de disclosure.

Formação continuada deixa de ser adorno e se torna requisito de sobrevivência profissional. As ferramentas evoluem rápido. Os estudos sobre seus impactos, como os de Machado et al., AUTOR et al. e Silva et al., vão atualizando o mapa de riscos e oportunidades. Equipes técnicas têm que acompanhar esse debate para que suas práticas de revisão não fiquem defasadas em relação às tecnologias que já moldam os textos.

Por fim, competências de trabalho colaborativo entre humanos e máquinas ganham centralidade. O revisor precisa saber negociar com autores o que será feito por IA, o que será revisto manualmente e como documentar essas decisões. Mais do que dominar ferramentas, trata-se de construir culturas de escrita em que a IA é integrada de forma responsável, sob supervisão humana robusta.

Como redesenhar fluxos de trabalho em CT&I

Se a revisão passa a ser validação de conhecimento, o fluxo de trabalho em CT&I precisa espelhar tipos de risco, não só etapas tradicionais de edição. A revisão sistemática de AUTOR et al. sugere classificar riscos em categorias como integridade de dados, fidelidade a fontes, transparência de uso de IA e clareza metodológica, o que pode orientar checkpoints específicos.

Uma possibilidade prática é separar as tarefas em trilhas. Uma trilha automatizada cuida de limpeza gramatical, formatação preliminar e detecção inicial de referências suspeitas. Outra trilha, humana, concentra a revisão de substância, com foco em rastreabilidade, coerência argumentativa e alinhamento com diretrizes éticas descritas por Lüdke et al. para periódicos e associações.

Documentar o uso de IA em cada etapa torna-se parte do fluxo, não um adendo eventual. Lüdke et al. mostram que várias políticas editoriais recentes exigem declaração do tipo de ferramenta utilizada, da função que ela desempenhou e do grau de supervisão humana. Incorporar esses registros desde o início facilita o trabalho de revisores e editores na fase final.

Checklists de integridade podem funcionar como instrumentos de alinhamento entre equipes. Com base em riscos descritos por AUTOR et al. e em protocolos de reconhecimento de marcas de IA propostos por Silva et al., é possível construir listas que perguntem explicitamente sobre existência e verificação de fontes, plausibilidade metodológica, coerência de escopo e presença de vícios textuais característicos de IA.

Definir pontos de parada obrigatórios para revisão humana também ajuda a reorganizar o fluxo. Em vez de uma única revisão ao final, equipes podem instituir revisões de integridade em marcos específicos: após a geração do primeiro rascunho por IA, após a integração de dados empíricos e antes da submissão a periódicos. Cada parada teria foco distinto e critérios claros.

O papel das equipes técnicas, nesse desenho, se aproxima do que Machado et al. descrevem como uso estratégico de grandes modelos de linguagem na pesquisa: aproveitar o ganho de velocidade sem abrir mão da responsabilidade científica. Fluxos bem desenhados tratam a IA como ferramenta de rascunho e de apoio analítico, nunca como substituto do crivo crítico humano.

Ao redesenhar esses processos, organizações de CT&I podem transformar a revisão em momento estruturante do ciclo de produção de conhecimento. Em vez de etapa tardia de acabamento textual, a revisão passa a ser instância de teste de hipóteses, de checagem de coerência e de explicitação de escolhas éticas no uso de IA, alinhando-se às preocupações que a literatura recente vem detalhando.

Da superfície do texto ao núcleo do conhecimento

Até 2026, a escrita assistida por IA deixou de ser experimento marginal e se tornou infraestrutura silenciosa da produção científica. Nesse cenário, revisar significa menos aparar frases e mais testar hipóteses, rastrear fontes e confrontar interpretações com o estado da arte.

O revisor-investigador emerge como figura central nesse arranjo. É ele quem pergunta de onde vêm as afirmações, como foram construídos os métodos e quem responde pelas escolhas que a máquina apenas encena em prosa fluente.

Organizações de CT&I que redesenharem fluxos de trabalho para explicitar riscos, registrar o uso de IA e reservar tempo humano para a substância tendem a ganhar em robustez epistêmica. As demais correm o risco de confundir texto bem formatado com conhecimento confiável.

Nos próximos anos, a fronteira relevante não será entre textos escritos com ou sem IA, mas entre processos que tratam a revisão como filtro tipográfico e aqueles que a reconhecem como instância de validação científica. É nessa fronteira que se decide se a automação amplia ou fragiliza a integridade da pesquisa.