Felipe Luiz Neves Bezerra de Melo 

Conjur 22.3.2026

É possível que o advento de uma inteligência artificial geral (AGI) represente um impacto relevante na investigação científica, comparável, na nossa visão, à evolução da computação no final do século 20. Durante décadas, as Ciências Sociais Aplicadas (entre elas, o Direito, o foco deste artigo) operaram sob um paradigma de produção intelectual fixo, valorizando a curadoria humana e a exegese doutrinária como proxies de profundidade na pesquisa. 

Spacca 

Evidências contemporâneas, consolidadas no início de 2026, sugerem que a humanidade está para cruzar o limiar da AGI, com alguns pesquisadores entendendo que esse nível já foi atingido. Modelos de fronteira demonstram capacidades de raciocínio e resolução de problemas que podem ultrapassar a competência de especialistas em domínios complexos da ciência. 

A resistência a essa nova realidade, que surge muito rapidamente, tem se manifestado em parte da academia mediante ceticismo, rotulando a IA como “papagaios estocásticos [1]“, uma crítica que, ironicamente, espelha o fenômeno dos “papagaios semânticos” [2] prevalente em parte da produção acadêmica jurídica atual. 

Este ensaio aborda a ideia de que a integração da IA é uma necessidade para o próprio avanço da pesquisa jurídica O pesquisador humano, nessa nova realidade, passa a orquestrar o raciocínio crítico, delegando o trabalho de síntese à inteligência sintética e podendo produzir resultados superiores ao que faria sem qualquer assistência. As afirmações empíricas deste ensaio apoiam-se em Chen et al. (Nature, 2026) e Woodruff et al. (arXiv, 2026) [3], dois materiais publicados no início de 2026. 

A realidade da IA generativa atual 

Avaliações recentes de modelos de fronteira (frontier models, como o GPT e a série Gemini Deep Think), indicam que os critérios funcionais para a AGI foram atingidos para parte da literatura em ciências da computação. Em testes de Turing conduzidos em março de 2025, modelos de IA foram identificados como humanos em 73% das interações, uma taxa frequentemente superior àquela alcançada por participantes humanos reais. 

A própria definição de AGI virou um objeto de controvérsia acadêmica. Se abandonarmos o critério da onisciência universal e adotarmos um padrão funcional mais modesto, baseado em profundidade comparáveis às de um humano competente, a discussão muda de abordagem: deixa de ser “quando” a AGI chegará para uso e passa a ser “como” os sistemas de IA atuais já podem (e devem) ser integrados aos domínios de produção do conhecimento humano. 

Modelos contemporâneos demonstram capacidade transversal de atuação em múltiplos campos, combinando criação linguística sofisticada, tradução, análise lógica, programação e argumentação abstrata [4]. Adicionalmente, exibem desempenho superior ao humano médio em tarefas de alta complexidade cognitiva, inclusive em problemas tradicionalmente restritos a especialistas qualificados. 

A crítica ao uso da IA e seus métodos estocásticos de geração de conteúdo ignora que a própria cognição humana também opera por extração de padrões a partir de dados correlacionais. Se uma IA generativa pode resolver um problema matemático inédito, não publicado, ou derivar uma nova lei física a partir de dados brutos, rotulá-la de “papagaio” pode ser, na verdade, uma negação da realidade observável. 

O ‘papagaio semântico’ da academia 

No contexto específico do Direito, a resistência à IA revela uma realidade problemática já residente nas respectivas pesquisas científicas. A crítica do “papagaio estocástico” (a máquina que usa probabilidade para repetir sem entender o significado) desvia a atenção de um fenômeno conhecido na produção acadêmica jurídica e que se acentuou nas últimas décadas, justamente em virtude da facilidade de produção de conhecimento com o desenvolvimento da informática. Com isso, surgiu a figura do “papagaio semântico”, com boa parte da pesquisa jurídica contemporânea limitando-se à acumulação de referências e replicando argumentos de autoridade. 

Neste ecossistema, o pesquisador humano atua como este tipo de “papagaio”, reciclando doutrinas já bastante estabelecidas sem focar na validade empírica ou na extensão de seu domínio de aplicação. O currículo dos cursos jurídicos brasileiros concentra-se sobremaneira em autores clássicos em boa parte da jornada do acadêmico do direito, deixando a discussão da problemática da realidade atual somente ao final do curso. 

Há que se levar em consideração que um modelo da IA generativa pode agregar citações, resumir doutrina clássica e compilar jurisprudência muito mais rápido, mais abrangente e com maior precisão do que um humano operando no modo “papagaio semântico”. Por conseguinte, o valor do pesquisador deve migrar para o que ele pode contribuir de melhor: com a criação ou revisão crítica do conhecimento, testando soluções e cenários para os problemas modernos. 

O humano deve, nessa toada, tornar-se um “orquestrador”, utilizando a IA para superar o trabalho repetitivo de revisão de literatura e síntese doutrinária, focando sua energia cognitiva na formulação de novas hipóteses e na resolução de problemas complexos. 

A IA como amplificadora humana 

Atualmente, conduzir pesquisa científica sem assistência de IA converte-se em um problema de “limitação do especialista”, isto é, a incapacidade inerente de ver além do próprio subcampo estreito, é mitigada pela capacidade da IA de realizar a “polinização cruzada” de ideias, conectando, v. g., teoremas de geometria de espaços de Hilbert a problemas de teoria dos grafos, ou princípios de física a modelos econômicos. 

A integração da IA na pesquisa científica jurídica é, ao final, uma discussão da própria modernização da ciência, haja vista que rejeitar este copesquisador seria um caminho que traria obsolescência e faria com que o conhecimento humano não acompanhasse o ritmo imposto pela sociedade cada vez mais se integrando com o uso de IA. 

A reorganização do trabalho científico mediada por IA levanta uma objeção que vale ser considerada: a de que a incorporação dessas ferramentas implicaria a substituição da agência humana no processo de pesquisa. Essa preocupação não corresponde ao modo como as aplicações mais consolidadas de IA vêm sendo efetivamente utilizadas na produção científica contemporânea [5]. 

As soluções que hoje apresentam maior impacto prático na pesquisa operam sob a ideia de amplificação cognitiva, e não de delegação decisória. Plataformas como o ResearchRabbit ilustram essa lógica: a IA é utilizada para identificar conexões entre trabalhos, sugerir trajetórias de leitura e revelar padrões na evolução de determinado campo científico. Ainda assim, todas as decisões substantivas permanecem sob controle do pesquisador humano. 

Esse tipo de uso exibe um ponto para o debate: a IA não ocupa o lugar do pesquisador, nem se converte em instância autônoma de validação do conhecimento [6]. Ela tende a reorganizar o trabalho intelectual com eficiência, deslocando o esforço humano das tarefas repetitivas e combinatórias para aquelas que exigem interpretação e criação conceitual. Compreendida dessa forma, a integração da IA à pesquisa científica representa uma redefinição de suas condições de exercício, pois o desafio passa a ser desenhar práticas acadêmicas que assegurem que a IA permaneça na função de suporte cognitivo humano. 

A IA como copesquisadora: técnicas recentemente validadas 

Para validar a afirmação de que a IA pode funcionar como um parceiro intelectual em vez de um gerador de texto, devemos examinar as metodologias específicas que emergiram de ambientes de pesquisa de elite no mundo (Google Research, MIT, Harvard, Nanyang Technological University), onde tais técnicas transformam os LLMs em atores que estreitam domínios do conhecimento. 

Uma das metodologias é o loop neuro-simbólico. Isso porque o risco de “alucinação” (a geração de conteúdo plausível falso, sem grounding) é uma preocupação primária, e o loop mitiga (embora não elimine) este risco, impondo uma separação de preocupações e um mecanismo de verificação externo: 

1. Proposta simbólica: a IA propõe uma hipótese ou uma estrutura de mecanismo econômico em linguagem natural ou formal (LaTeX). 
2. Geração de código: a IA escreve um script executável (e.g., Python, R) para simular, verificar numericamente ou provar formalmente a hipótese proposta. 
3. Feedback automatizado: o código é executado em um ambiente seguro. Se falhar, produzir erros de sintaxe ou revelar instabilidade, o traceback (relatório de erro) é realimentado na janela de contexto da IA. 
4. Autocorreção: a IA analisa o erro, corrige sua hipótese ou seu código, e itera o processo. 

Esse processo recursivo permite que a IA “pode” seus próprios ramos de raciocínio inválidos sem intervenção humana constante. 

Uma segunda técnica crítica é a revisão técnica profunda via autocorreção adversarial. A instrução padrão (“verifique esta prova“) frequentemente resulta em assentimento superficial por parte do modelo. No entanto, quando uma IA é instruída a atuar como um revisor adversarial, especificamente encarregada de encontrar falhas fatais, atuar como um “crítico impiedoso” e analisar rigorosamente suas próprias descobertas, ela exibe uma maior atenção aos detalhes. 

Para as ciências sociais, isso oferece uma solução para a crise da revisão por pares. Uma IA “adversária” pode ser implantada para testar argumentos jurídicos, verificar provas em busca de falhas em casos extremos, ou identificar inconsistências lógicas, agindo como um crítico que fortalece o produto final humano antes mesmo de ele ser submetido à publicação. Este método de texto adversarial é frequentemente denominado como “LLM-as-a-judge”, onde uma IA critica o trabalho de outra, sendo uma prática já validada para robustecer argumentos e detectar falhas lógicas. 

A terceira técnica é a polinização cruzada, testada em um problema de Teoria dos Grafos. Esta capacidade de recuperar teoremas de campos distantes permite que a IA preencha lacunas que um pesquisador humano, focado apenas em sua área de conhecimento, provavelmente não perceberia. 

Além disso, pesquisadores desenvolveram a técnica de desidentificação de contexto. Quando uma IA reconhece um problema aberto famoso, ela pode se recusar a resolvê-lo, assumindo com base em seu treinamento que é impossível ou que a resposta é desconhecida. Ao remover os metadados do problema e apresentá-lo como um quebra-cabeça abstrato e anônimo, os pesquisadores conseguem contornar esses filtros de segurança, desbloqueando o poder de raciocínio do modelo para atacar problemas “insolúveis” sem viés de autoridade. 

Conclusão: uma proposta de estrutura de pesquisa 

A integração dessas capacidades vai exigir uma releitura de como a pesquisa pode ser conduzida, sobretudo em Direito. Uma proposta para discussão é de se estabelecer, na academia, um novo fluxo de trabalho baseado no letramento em IA e na simbiose humano-IA entre pesquisadores, capturando esses achados recentes de aprimoramento de pesquisa científica mediante uso de IA, o que pode ser promissor no campo jurídico. 

O conjunto de habilidades do pesquisador moderno terá que evoluir, porquanto a capacidade de escrever prosa elegante, não obstante ainda valiosa, torna-se secundária em relação à capacidade de formular perguntas precisas (queries) e arquitetar loops de validação, sempre com a supervisão substancial humana (human-in-the-loop). 

Ou seja, ir além de buscas por palavras-chave para doutrina ou jurisprudência, que é o ponto de partida de uma pesquisa jurídica aplicada. Um pesquisador terá que se tornar um “arquiteto de prompts” em vários campos: 

1. Ingestão: alimentar a IA com dados brutos, jurisprudência recente e doutrina específica. 
2. Extração: encarregá-la de identificar itens específicos, por exemplo, artigos que invalidem uma tese. 
3. Desafio adversarial: aqui vale a execução de um LLM-as-a-judge nos resultados, para verificar se as críticas realizadas são construtivas e permitem a melhoria do produto. 

No modelo de “copiloto”, cabe ao pesquisador formular as perguntas relevantes, verificar criticamente os resultados produzidos pela IA e assegurar a integridade ética da pesquisa. Igualmente, convém destacar que a pesquisa jurídica envolve juízos de valor e ponderação de princípios aplicáveis, cujos domínios onde a IA exibe limitações qualitativas que não foram abordadas neste ensaio. 

Sendo ainda um fenômeno incipiente, esse é o melhor momento para a academia começar a se adaptar, preparando o terreno para o uso correto de IA, criando políticas de governança e o seu uso responsável, a fim de que a pesquisa científica não fique extremamente “contaminada” pelo uso de IA de maneira irresponsável. 

Outrossim, a formação do cientista deve passar a incluir competências em interação com modelos de linguagem em grande escala e lógica computacional ao “conversar” com os modelos. As instituições que reconhecerem esta mudança, priorizando o letramento em IA e recompensando o impacto real sobre o volume de publicação, sairão na frente. 

Um desafio real é evitar o risco de perda de habilidades (deskilling) na formação acadêmica. Se estudantes de pós-graduação passam a delegar à IA tarefas como a síntese doutrinária, coloca-se a questão sobre o desenvolvimento das competências críticas necessárias para atuar como “pilotos” do processo de pesquisa. Isso exige que a academia repense modelos de formação e práticas pedagógicas. 

[1] BENDER, Emily M. et al. On the dangers of stochastic parrots: Can language models be too big?. In: Proceedings of the 2021 ACM conference on fairness, accountability, and transparency. 2021. p. 610-623. 

[2] LIN, Chaofan et al. Parrot: Efficient serving of {LLM-based} applications with semantic variable. In: 18th USENIX Symposium on Operating Systems Design and Implementation (OSDI 24). 2024. p. 929-945. 

[3] CHEN, Eddy Keming; BELKIN, Mikhail; BERGEN, Leon; DANKS, David. Does AI already have human-level intelligence? The evidence is clear. Nature, London, v. 650, n. 7994, p. 36‑40, 5 fev. 2026 e WOODRUFF, David P. et al. Accelerating Scientific Research with Gemini: Case Studies and Common Techniques. arXiv preprint arXiv:2602.03837, 3 fev. 2026. Disponível em: <https://arxiv.org/abs/2602.03837\>. Acesso em: 8 fev. 2026. 

[4] Maslej, N., Fattorini, L., Perrault, R., Gil, Y., Parli, V., Kariuki, N., … & Oak, S. (2025). Artificial intelligence index report 2025. arXiv preprint arXiv:2504.07139. 

[5] HOLTER, Steffen; MORUZZI, Caterina; EL-ASSADY, Mennatallah. Towards agency in human-AI collaboration. IEEE Computer Graphics and Applications, 2025. 

[6] SAMPAIO, Rafael Cardoso; SABBATINI, Marcelo; LIMONGI, Ricardo. Diretrizes para o uso ético e responsável da inteligência artificial generativa: um guia prático para pesquisadores. Boletim Técnico do PPEC, v. 10, p. e025003-e025003, 2024.