Investigação em IA: principais artigos e melhores ferramentas para investigadores (+ boas práticas)

A investigação em inteligência artificial (IA) abrange duas áreas: as descobertas publicadas pelos investigadores de IA e a aplicação prática da IA para apoiar a investigação em diferentes domínios.

A primeira secção deste artigo apresenta uma cronologia dos principais marcos da investigação em IA. Inclui também os artigos recentes mais importantes e um resumo das instituições na vanguarda da área.

A segunda é um guia passo a passo para utilizar a IA como ferramenta de investigação de forma eficaz, com uma classificação das melhores ferramentas e uma análise honesta das vantagens e desvantagens.

Uma cronologia dos principais artigos e marcos da investigação em IA

É praticamente impossível mapear todos os artigos de investigação importantes em IA publicados até agora. A área cresceu a um ritmo sem precedentes na última década. De acordo com o relatório AI Index de 2026 da Universidade de Stanford, registaram-se 257 890 publicações sobre IA em todo o mundo só em 2024.

Expandir

No entanto, há vários marcos históricos fundamentais, bem como diversas publicações recentes de grande importância.

Uma cronologia concisa: 12 artigos fundamentais da investigação em IA

• 1943: McCulloch e Pitts publicam «A Logical Calculus of the Ideas Immanent in Nervous Activity», no qual apresentam o primeiro modelo matemático do funcionamento de um sistema nervoso. O modelo trata os neurónios como funções que recebem entradas e produzem saídas de acordo com regras lógicas.
• 1950: Alan Turing publica «Computing Machinery and Intelligence» na revista Mind. O artigo introduz o jogo da imitação (normalmente designado por Teste de Turing) como forma de definir a inteligência das máquinas.
• 1956: O Dartmouth Summer Research Project, o «workshop de Dartmouth», estabelece formalmente a inteligência artificial como área de investigação. A proposta original de 1955 foi reproduzida na AI Magazine em 2006.
• 1958: Frank Rosenblatt publica «The perceptron: a probabilistic model for information storage and organization in the brain». Apresenta um modelo de aprendizagem fundamental baseado num «sistema nervoso hipotético chamado perceptrão».
• 1986: Rumelhart, Hinton e Williams publicam «Learning representations by back-propagating errors» na Nature. Descrevem um método algorítmico chamado retropropagação para treinar redes neuronais multicamada. O método aperfeiçoou a forma como os parâmetros são ajustados.
• 1997: Hochreiter e Schmidhuber publicam «Long Short-Term Memory» na Neural Computation. O artigo descreve uma arquitetura de rede neuronal que permite que a informação seja retida (pela rede) durante períodos muito mais longos.
• 2009: Investigadores publicam «ImageNet: A large-scale hierarchical image database», que apresenta formalmente o ImageNet, uma base de dados com milhões de imagens etiquetadas para treinar e avaliar sistemas de IA.
• 2014: Ian Goodfellow e colegas publicam «Generative Adversarial Nets». O artigo descreve uma estrutura que permite aos sistemas de IA gerar conteúdos realistas, sobretudo imagens.
• 2016: Investigadores da DeepMind publicam «Mastering the game of Go with deep neural networks and tree search» na Nature. O AlphaGo, o sistema de inteligência artificial apresentado no artigo, acaba por vencer Lee Sedol, um dos melhores jogadores profissionais de Go.
• 2017: Investigadores da Google publicam «Attention Is All You Need», que apresenta a arquitetura transformer, base da maioria dos grandes modelos de linguagem modernos.
• 2020: Investigadores da OpenAI publicam «Language Models Are Few-Shot Learners». Demonstram que o escalonamento dos modelos de linguagem (aumentar a dimensão dos componentes fundamentais sem alterar o código) melhora a sua capacidade de executar eficazmente uma série de tarefas.
• 2022: A OpenAI lança o ChatGPT a 30 de novembro, levando a IA generativa conversacional a uma utilização generalizada.

Seis avanços recentes importantes na investigação em IA (2025–2026)

• 2025: Investigadores da DeepSeek publicam «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning». O artigo demonstra que capacidades avançadas de raciocínio podem emergir da aprendizagem por reforço (RL).
• 2025: Investigadores publicam «s1: Simple Test-Time Scaling». O artigo mostra que é possível melhorar o desempenho de raciocínio com recursos de treino relativamente modestos.
• 2025: Investigadores da Google DeepMind publicam «AlphaEvolve: A coding agent for scientific and algorithmic discovery». O AlphaEvolve é um sistema baseado no Gemini que desenvolve e melhora autonomamente algoritmos complexos.
• 2025: A Google DeepMind anuncia o Genie 3, um modelo do mundo capaz de gerar ambientes virtuais navegáveis.
• 2026: Investigadores da Google DeepMind publicam «Advancing regulatory variant effect prediction with AlphaGenome» na Nature. O artigo apresenta o AlphaGenome, um modelo de IA que prevê a forma como as alterações nas sequências de ADN afetam o funcionamento dos genes, e espera-se que tenha aplicações médicas significativas.
• 2026: Investigadores publicam «Accelerating scientific discovery with Co-Scientist» na Nature. O artigo apresenta um sistema de IA multiagente capaz de gerar e aperfeiçoar hipóteses científicas para ajudar os cientistas a «descobrir novo conhecimento original».

Panorama das principais instituições de investigação em IA

A produção científica está distribuída por um vasto leque de organizações empresariais e públicas. Os institutos de investigação dedicados, muitos dos quais associados a universidades de topo, são responsáveis por uma grande parte da nova investigação. No entanto, as empresas e os laboratórios de IA a elas associados desempenham um papel importante.

Até que ponto está generalizada a utilização da IA como ferramenta de investigação?

Tanto os chatbots de IA mais populares (Perplexity, ChatGPT, Claude, etc.) como as plataformas dedicadas desenvolvidas com base nos principais modelos são amplamente utilizados em muitas disciplinas com forte componente de investigação.

Um estudo de grande escala da Microsoft com 5,5 milhões de sessões do Copilot revelou uma série de tarefas relacionadas com investigação nas áreas da descoberta, síntese e análise.

Eis as quatro principais formas como os profissionais utilizam a IA para investigação:

• Pesquisa de informação: Descoberta numa fase inicial (perguntas gerais); procura de investigação relevante; apoio em questões técnicas.
• Análise: Resumo de conteúdos; agregação, interpretação e apresentação de dados.
• Tomada de decisões e definição de estratégias: Utilizar a IA para comparar opções (como software); encontrar informação de apoio à tomada de decisões.
• Avaliação e diagnóstico: Recolher dados sobre um sistema ou programa cujos problemas é preciso resolver.

Tenha em conta que estas tarefas não se limitam ao mundo académico. Jornalistas, investigadores de mercado, advogados, analistas financeiros, profissionais de saúde, entre outros, são exemplos de profissionais que utilizam regularmente a IA para investigação.

Vantagens e desvantagens da utilização da IA na investigação

Embora não haja dúvida de que a IA é amplamente adotada como ferramenta de investigação, tem havido um debate sério sobre as suas vantagens e desvantagens. Grande parte das críticas tem-se centrado no problema, aparentemente insuperável, das alucinações.

Uma vez que a investigação é frequentemente uma tarefa de grande responsabilidade, é importante que os profissionais de todas as áreas compreendam em que aspetos as ferramentas de investigação com IA se destacam e onde ficam aquém.

Vantagens

• As tarefas de investigação repetitivas, como a triagem de literatura e a limpeza de dados, podem ser parcial ou totalmente automatizadas.
• Os não especialistas podem aceder a informação técnica fora da sua área.
• Os investigadores podem testar rapidamente hipóteses de investigação numa fase inicial através de simulações com IA.
• A IA é útil para pôr em causa pressupostos e apresentar alternativas fundamentadas em provas, mesmo face a posições bem desenvolvidas.

Desvantagens

• As alucinações continuam a ser um problema significativo e as salvaguardas não o resolvem totalmente.
• As nuances da informação podem ser muito importantes na investigação de nível mais avançado, e os LLM simplificam frequentemente em excesso temas complexos.
• Está demonstrado que a dependência excessiva da IA corrói o pensamento crítico e as capacidades de análise independente.
• Embora a IA seja uma boa ferramenta de agregação, não é exaustiva e pode deixar escapar fontes de informação e estudos importantes.

Exemplo da IA como ferramenta de investigação com a funcionalidade de Pesquisa Académica da Perplexity

Vejamos como poderá ser um fluxo de investigação básico. A Perplexity é uma das ferramentas preferidas dos investigadores porque dá acesso a vários modelos de terceiros, cada um com os seus pontos fortes, juntamente com ferramentas aprofundadas de pesquisa na web e de investigação académica.

Expandir

Neste exemplo, peço ao GPT 6.1-Sol que me ajude com um estudo de mercado para o lançamento de um produto dirigido à Geração Z. O modelo apresenta-me um resumo de investigação recente, juntamente com uma ligação para as fontes e um indicador de fiabilidade.

Expandir

Em seguida, peço-lhe que gere um gráfico das preferências de marketing da Geração Z com dados que obtém na web. Também tenho a opção de carregar os meus próprios dados, se quiser.

Expandir

Estes resultados exigem revisão e verificação de factos. No entanto, este exemplo simples demonstra como um processo que poderia facilmente ter demorado várias horas pode ser reduzido a minutos.

A melhor IA para investigação: as principais ferramentas para investigadores

As ferramentas de investigação com IA podem dividir-se em duas grandes categorias: chatbots de uso geral com funcionalidades de investigação e plataformas dedicadas de apoio à investigação académica.

A maioria dos profissionais que fazem investigação não académica verá que uma ferramenta de IA de uso geral é a que melhor se adequa às suas necessidades. Para os académicos, os principais fornecedores são bastante semelhantes. A escolha da ferramenta dependerá provavelmente do âmbito da tarefa e das preferências quanto a pequenas funcionalidades.

Ferramentas de IA de uso geral

• Perplexity: disponibiliza acesso a vários modelos de fornecedores terceiros e integrações com um vasto conjunto de serviços externos. As funcionalidades incluem investigação académica, pesquisa aprofundada, atribuição de fontes e análise de dados.
• ChatGPT, Claude e Gemini: enquanto principais ferramentas de IA de grande público com funcionalidades profissionais e empresariais, todas oferecem um conjunto semelhante de ferramentas de investigação. As funcionalidades incluem pesquisa na web, pesquisa aprofundada, análise de documentos, análise de dados e capacidades multimodais. Oferecem também integrações com aplicações e serviços externos.

Ferramentas de investigação dedicadas

• Semantic Scholar: trata-se de um motor de pesquisa académico gratuito desenvolvido pelo Allen Institute for AI (Ai2). É muito semelhante ao Google Scholar, mas incorpora mais funcionalidades de IA. É a fonte de literatura académica subjacente a muitas ferramentas de IA, mas não é, em si mesma, uma ferramenta especializada.
• Elicit e SciSpace: estas ferramentas apoiam a fase de descoberta da investigação académica e têm sido elogiadas pelas suas funcionalidades de triagem e síntese. Os investigadores utilizam-nas para extrair informação estruturada e resumir conclusões de grandes conjuntos de estudos. O SciSpace está disponível como integração no ChatGPT.
• ResearchRabbit e Connected Papers: ambas são ferramentas de revisão de literatura muito apreciadas pelas suas funcionalidades de mapeamento visual. Foram concebidas para projetos de longo prazo e revisões de literatura, em que a prioridade é encontrar investigação semelhante e mapear as relações entre artigos. Exigem muita intervenção e supervisão humanas.
• Scite e Consensus: ferramentas como o ResearchRabbit e o Connected Papers estão orientadas para a descoberta de literatura relevante e para a construção de uma visão geral de uma área temática. O Scite e o Consensus, por outro lado, centram-se numa avaliação direcionada: ajudam os utilizadores a determinar se uma afirmação específica é ou não sustentada pelas evidências atuais. Incluem frequentemente funcionalidades mais amplas de revisão de literatura, mas estas não são o seu foco principal.

Como utilizar a IA como ferramenta de investigação: método em 7 passos

Expandir

A chave para utilizar a IA de forma eficaz como ferramenta de investigação é encará-la como um complemento dos seus processos atuais, e não como um substituto. Também é importante ter em conta as restrições legais, sobretudo ao carregar dados sensíveis.

1. Calcular o tempo previsto de investigação

Planeie o seu processo de investigação recorrendo a métodos convencionais. Depois, avalie em que pontos a IA poderá assumir tarefas de descoberta, síntese e análise.

Calcule o tempo necessário para escrever prompts e verificar as conclusões. A IA pode facilmente poupar horas ou dias em revisões de literatura extensas. Mas, em questões mais pequenas e específicas, a vantagem face a uma pesquisa manual é reduzida.

2. Escolher as ferramentas certas (especializadas vs. de uso geral)

Determine se uma plataforma de investigação especializada oferece alguma vantagem face a um assistente de uso geral como o Perplexity. Preste atenção às funcionalidades de investigação específicas e à cobertura da sua área.

Se optar por uma ferramenta dedicada, escolha uma que tenha sido concebida para as suas tarefas específicas. Por exemplo, ferramentas como o Elicit suportam revisões de literatura estruturadas, enquanto o Scite analisa a forma como os artigos académicos são citados.

3. Verificar se os termos e condições da ferramenta permitem a utilização pretendida

Há dois aspetos a ter em atenção ao analisar os termos e condições de um fornecedor. Primeiro, a utilização dos seus dados e se estes são ou não mantidos totalmente confidenciais. Segundo, as condições relativas à propriedade dos resultados.

Não presuma que um plano pago garante automaticamente a confidencialidade dos dados ou direitos de utilização sem restrições.

4. Verificar eventuais restrições legais relativas aos seus dados

As informações que vai introduzir incluem dados sensíveis, documentos protegidos por direitos de autor, informações empresariais confidenciais ou conclusões não publicadas?

É importante confirmar que pode fornecê-las a um LLM. Podem existir várias restrições, desde a regulamentação de dados na sua jurisdição até às políticas internas da empresa. Poderá ter de averiguar de que forma e durante quanto tempo um determinado fornecedor de ferramentas armazena os dados. Poderá ser necessário utilizar uma plataforma empresarial aprovada.

5. Seguir as boas práticas na escrita de prompts

Criar bons prompts de investigação é uma arte. Formule claramente a sua questão de investigação, forneça o contexto relevante e defina o formato do resultado. Em tarefas de investigação complexas, poderá ter de dividir a questão em vários prompts mais pequenos.

Peça referências claras de todas as fontes utilizadas, mesmo que não estejam assinaladas no resultado. Isto é importante, uma vez que uma resposta gerada por IA pode não incluir citações de todas as fontes utilizadas.

6. Verificar todos os dados, afirmações técnicas e informações atuais

É essencial confrontar as afirmações com as fontes originais. Estas podem ser artigos científicos, investigação original, estatísticas oficiais ou documentação técnica. Preste especial atenção a dados numéricos, datas, citações e informações com validade temporal que possam já estar desatualizadas.

Ao fazer investigação, não deve presumir que, por uma fonte ser citada, a afirmação daí resultante está correta, nem sequer que a fonte existe. Em investigações complexas, é nesta fase que verifica se as nuances das afirmações e dos resumos estão corretas.

7. Divulgar a sua utilização de IA

Consulte os requisitos de divulgação da sua entidade empregadora, instituição académica ou organismo profissional competente. Aí encontrará informações sobre a medida em que tem de divulgar a utilização de IA.

As áreas com regulamentação e códigos de conduta rigorosos tendem a exigir uma divulgação mais detalhada. Mantenha registos das atividades realizadas com o apoio de IA (as plataformas costumam manter um registo de auditoria).

É ético utilizar IA na investigação e o que nos reserva o futuro?

O apoio à investigação tornou-se um dos principais casos de utilização da IA, e é fácil perceber porquê. A IA consegue processar grandes volumes de informação complexa, automatizar tarefas repetitivas e morosas e funcionar como parceira de reflexão para ideias e hipóteses em fase inicial.

No entanto, subsistem alguns problemas. Em particular, a utilização ética da IA na investigação é atualmente um dos debates mais ativos e controversos entre as instituições académicas.

As taxas de alucinação acompanham a complexidade do tema, e muitos engenheiros de referência consideram-nas um problema difícil que não pode ser totalmente resolvido. Além disso, sabe-se que a utilização de IA desgasta as capacidades de pensamento, que são de importância fundamental para os profissionais envolvidos em investigação complexa.

As organizações também podem proibir a utilização de IA por motivos de privacidade e propriedade intelectual, ou devido a preocupações com dados sensíveis. Além disso, a divulgação continua a ser importante para que revisores e pares possam compreender de que forma a IA foi utilizada no processo de investigação.

A IA vai tornar-se cada vez mais uma parte normal do quotidiano, tanto na esfera privada como na pública. Por isso, é muito provável que as regras em matéria de integridade da investigação e de atribuição continuem a evoluir, tornando-se mais claras e matizadas.