O ciclo mais lento da ciência não é pensar

Existe uma versão de fantasia da IA para ciência em que o modelo tem a ideia e o humano concorda com a cabeça. Não acredito nela e, mais importante, não acho que ela ataca o problema real. Quando rastreio para onde vai o tempo num projeto de pesquisa, pensar é a parte rápida. A parte lenta é tudo o que um pensamento precisa esperar antes de poder ser testado.

Para onde o tempo vai de verdade

Esperar acesso a um dataset que já existe em algum lugar. Esperar um colaborador mandar a versão do arquivo que ele quis dizer. Esperar um script de limpeza ser reescrito porque o aluno anterior levou o dele embora. Esperar o job de computação que falhou na sexta hora por causa de um caminho de arquivo. Esperar a busca na literatura atravessar os duzentos resumos que pareciam relevantes e não eram. Esperar a figura ser regerada depois que o revisor pediu um limiar diferente. Esperar a própria revisão.

Num sistema de software eu desenharia isso como um trace e veria uma barra longa de tempo ocioso com algumas barras curtas de trabalho real. Isso não é problema de pensamento. É problema de throughput, e responde a ferramentas diferentes.

No que a IA é boa de verdade aqui

Modelos de linguagem são excelentes nas tarefas que ficam entre um pensamento e outro: ler um corpus grande e extrair o que é relevante para uma pergunta precisa, reformular uma ideia vaga como uma ideia testável, rascunhar o código de análise para um teste bem especificado, explicar um método estatístico que o pesquisador nunca usou, traduzir entre o vocabulário de duas subáreas que descrevem a mesma coisa de jeitos diferentes. Cada uma dessas é uma espera que fica curta.

Nenhuma delas é o pensar. O pesquisador continua decidindo qual pergunta importa, continua julgando se a evidência extraída é confiável, continua dono do resultado. O modelo removeu atrito, não julgamento.

No que a IA é ruim, e deve continuar sendo

Decidir que uma hipótese é verdadeira. Gerar um número que parece resultado sem a análise que o produz. Preencher uma lacuna na evidência com uma frase plausível. Já passei tempo suficiente avaliando funcionalidades de modelos de linguagem em produção para saber que fluência e correção são propriedades independentes. Uma ferramenta para ciência precisa ser construída de modo que saída fluente nunca seja confundida com saída validada. Isso é uma decisão de design, tomada antes do modelo, e é onde está a maior parte do trabalho.

A engenharia por baixo

A espera domina não porque cientistas são desorganizados. É porque a infraestrutura embaixo deles nunca foi projetada como sistema. Dados não têm interfaces estáveis. Código não tem ambiente reprodutível. Resultados não têm proveniência. Toda passagem de bastão perde estado. IA em cima disso é um jeito mais rápido de produzir confusão. IA em cima de um sistema projetado, com dados versionados, pipelines reprodutíveis e evidência presa a cada afirmação, é uma aceleração genuína das partes que merecem ser rápidas.

Então minha ordem de operações é sempre a mesma: conserte o encanamento, depois adicione a inteligência. Impressiona menos numa demo e é o único jeito que conheço de produzir algo em que um cientista possa confiar.

Mantenha o pensar lento

Quero ser explícito sobre isso porque o mercado empurra na outra direção. A lentidão do pensamento científico real não é defeito. Ficar com um resultado que não encaixa, discutir com um colega, dormir sobre o assunto, voltar aos dados com outra pergunta: é daí que vêm as descobertas, e isso não deve ser otimizado. O que deve ser otimizado são as seis semanas entre ter a pergunta e conseguir olhar a resposta. Essas seis semanas são engenharia. Encurtá-las é comigo.