TL;DR
- IA agêntica não é chatbot: você para de perguntar e começa a delegar atribuições estruturadas ao modelo.
- O que delegar: extração de papers, cruzamento de fontes, organização de notas, verificação de afirmações. O que nunca delegar: decidir o que é verdade, atribuir significado a um achado, defender o trabalho de cabeça.
- Skills personalizadas capturam todo o processo iterativo (não só o prompt inicial) e melhoram a cada sessão. As melhores são as que você criou, não as que baixou da internet.
- Três fases: acelerar o que já faz / fazer o que antes não era possível / repensar o processo do zero (AI-first).
- Ética: divulgação total + capacidade de defender os achados sem consultar o AI.
- Ferramentas 2026: Elicit, SciSpace, NotebookLM, Scite, Google Co-Scientist, Gemini Spark.
Este artigo complementa o e-book gratuito Claude Cowork em 1 hora. Ele cobre em detalhes o sistema de skills, memória entre sessões e fluxos de trabalho que aparecem neste post: é o guia prático para implementar o que você vai ler aqui.
Essa semana participei de uma LinkedIn Live com Robert Kötter, da TwentyOne Skills (Alemanha), para uma audiência de PhDs e pós-doutorandos de vários países sobre IA agêntica na pesquisa acadêmica. As perguntas que surgiram me mostraram que existe um salto grande entre “usar IA” e “trabalhar com um colaborador que executa”.
Vou detalhar aqui o que falei, o que vai além do que coube na live, e as ferramentas que fazem diferença hoje.
A diferença que ninguém explica direito
A maioria das pessoas usa IA como uma máquina de inserir texto. Você digita algo, recebe algo de volta, decide se é útil. Funcional, mas mantém você no modo passivo.
Um colaborador opera de outra forma. Você dá uma atribuição:
Leia esses cinco papers, extraia a principal afirmação de cada um, sinalize as contradições entre eles e adicione ao log de evidências.
Isso não é um prompt. É uma tarefa delegada. O momento em que você para de perguntar e começa a delegar é quando a dinâmica muda completamente.
Neste exato momento, estou escrevendo três livros simultaneamente no Claude Cowork. Cada livro tem um arquivo de onboarding, um CLAUDE.md próprio, que diz ao colaborador o que é o projeto, o que já está decidido e não se muda, as regras que se aplicam àquele manuscrito. Quando abro uma nova sessão e digo “vamos continuar o capítulo três, use o protocolo de extração que definimos antes”, ele sabe precisamente o que fazer. Porque eu disse antes.
O que você pode delegar sem medo
Claude, e sistemas agênticos em geral, são muito bons em tarefas que envolvem processar grandes volumes de texto, manter contexto entre documentos e sessões, e executar instruções estruturadas.
Delegar sem receio:
- Extrair afirmações centrais de artigos científicos
- Identificar contradições entre papers e sua própria tese
- Organizar notas ditadas em estrutura coerente
- Sinalizar lacunas no argumento (“compare meu argumento com esses papers e me diga onde estou alinhado e onde estou me contradizendo”)
- Rascunhar seções a partir de notas estruturadas
- Verificar empresas e afirmações citadas em pesquisas de mercado (para isso, scripts em Python consomem menos tokens e funcionam muito bem)
O que você nunca delega:
- Decidir o que é verdade
- Atribuir significado a um achado
- Defender seu trabalho de cabeça, sem precisar voltar ao AI
Se você consegue explicar seus achados sem abrir o computador, você os compreendeu. Se não consegue, você não pesquisou: você terceirizou a cognição.
Skills: o que diferencia um agente útil de um que só gera ruído
Todo mundo fala em criar um bom prompt. Eu parei de guardar prompts. Guardo processos.
Quando chego a um output que funciona, depois de várias iterações e correções, peço para salvar o processo, não o prompt inicial, mas todo o refinamento, as correções e os apontamentos que fiz ao longo do caminho. Isso vira uma skill, um arquivo legível em linguagem natural.
A parte que as pessoas raramente entendem: você pode ler a skill e verificar se o AI entendeu corretamente o que você quis dizer. Se algo está errado na documentação, você corrige. É como pedir para um assistente te explicar de volta o que entendeu. Se a explicação faz sentido, ele está pronto para executar.
E skills melhoram ao longo do tempo. O AI comete um erro, você chama a atenção, pede para salvar esse aprendizado de volta na skill. Na próxima sessão, o mesmo erro não se repete.
Uma advertência importante: resista ao impulso de baixar skills prontas da internet, mesmo de fontes confiáveis. Elas foram criadas para o processo de outra pessoa, não para o seu. As melhores skills são as que você criou iterando no seu próprio trabalho, na sua área de especialidade.
Para aprofundar como a engenharia de prompts avançada funciona como base para criar boas skills, vale ler sobre raciocínio encadeado e estruturas de instrução.
As três fases de adoção (e por que pular etapas sai caro)
Tem uma sequência natural, e quem a ignora gasta muito tempo corrigindo problemas que não precisariam existir.
Fase 1: mesmo ritmo, mais velocidade. Continue fazendo o que você fazia antes, no mesmo processo, só acelerando com IA. Dez papers viram dez, não cem. Essa é a fase de aprendizado: você descobre o que o AI faz bem, o que faz mal e o que não faz. Vai refinar seu processo e começar a calibrar sua persona digital (“eu não escrevo assim”, “não é esse o ângulo que defendo”).
Fase 2: coisas que não eram possíveis antes. Quando o AI já está calibrado para o seu trabalho, você começa a fazer cruzamentos que antes não teria tempo de fazer. Cruzar papers de um campo com os de outro. Comparar seu argumento com 30 fontes de uma vez. Verificar 1.000 empresas antes de citar qualquer uma. Aqui a produtividade realmente muda.
Fase 3: repensar o processo do zero, AI-first. Você não está mais acelerando seu fluxo antigo. Está projetando um fluxo novo que só funciona com AI. Essa fase só faz sentido depois que as duas anteriores estão bem digeridas.
Uma armadilha real: quando você começa a economizar horas, a dopamina de cruzar tarefas da lista pode te levar a trabalhar mais, não menos. Pesquisa da Berkeley Haas publicada na HBR em fevereiro de 2026 mostra que a IA intensifica o trabalho em quase todas as categorias analisadas, e profissionais que ganham tempo com automação tendem a reinvesti-lo em mais tarefas em vez de reservá-lo para a vida pessoal. Use o tempo economizado de forma intencional. Quem não faz isso só aumenta o ritmo até a próxima quebra.
Ética: o único critério que não muda
Essa foi a pergunta mais recorrente na live: como usar IA na pesquisa acadêmica sem comprometer a integridade?
Minha resposta: divulgação total. Diga que usou IA. Diga como usou. Isso adiciona credibilidade ao processo, não remove.
Há um teste que você precisa passar: defender seus achados sem recorrer ao AI. Se for questionado numa banca ou apresentação, a resposta precisa vir da sua cabeça. O AI participou como assistente de pesquisa. A autoria é sua.
Dizer que não usou IA nenhum é, na maioria dos casos, uma meia-verdade. Tradução automática, ditado por voz, busca no Google: tudo isso é IA em alguma camada. O que proponho aqui é transparência sobre o uso em nível mais profundo. Quem pratica essa honestidade agora vai construir credibilidade no longo prazo.
O caso Bixonimania deixou isso muito claro. Em 2024, a pesquisadora Almira Osmanovic Thunström, da Universidade de Gotemburgo, publicou um paper falso sobre uma doença fictícia chamada “Bixonimania”, supostamente um escurecimento da pele ao redor dos olhos causado por exposição à luz azul e ao hábito de esfregar os olhos. O paper tinha sinais óbvios de fraude: o autor principal era afiliado a uma universidade inexistente e os agradecimentos citavam a “Professora Maria Bohm da Frota Estelar a bordo da USS Enterprise”.
Mesmo assim, ChatGPT, Gemini, Microsoft Copilot e Perplexity passaram a descrever a condição como real. O paper chegou a ser citado em uma publicação da Cureus, revista médica com revisão por pares, antes de ser retraído em março de 2026. A história completa foi publicada pela Nature em abril de 2026. A lição é dura: para áreas em que você não é especialista, leia o paper original. Não delegue a compreensão de algo completamente novo a um resumo gerado por AI.
O pensamento crítico na era da IA tem exatamente a ver com isso: saber o que você precisa verificar pessoalmente, e o que pode confiar ao agente.
Como ensinar nesse cenário
Para quem está na docência, a mudança necessária é mudar como você avalia, não proibir o uso de IA.
Minha abordagem: os alunos podem usar IA da forma que quiserem. Na hora de apresentar, precisam explicar o que fizeram, por que escolheram aquele enquadramento, por que o projeto vai funcionar no mundo real. Com as próprias palavras, sem consultar nada.
Apresentação substitui redação. Menos avaliações, mais profundas, com defesa ao vivo. Quando o aluno consegue explicar o processo inteiro de cabeça, o conhecimento é dele.
O nível dos projetos vai subir. Estudantes de graduação podem hoje fazer cruzamentos que antes exigiriam um doutorando com muito tempo livre. O desafio do professor é garantir que esse suporte técnico não substitua a formação do raciocínio crítico.
Ferramentas de IA para pesquisadores em 2026
O Claude Cowork é o eixo do fluxo que descrevi aqui, mas o ecossistema de ferramentas para pesquisadores vai além.
Descoberta e mapeamento de literatura
- PubMed: base de dados de referência para ciências da saúde, mantida pela National Library of Medicine. Sem IA nativa, mas é a fonte que alimenta o Elicit e o Semantic Scholar. Ponto de entrada obrigatório para pesquisadores da área.
- Elicit: busca semântica em papers com extração automática de dados. Muito útil para meta-análises aceleradas.
- Semantic Scholar: busca acadêmica com insights sobre influência de papers e conexões entre autores, gerados por IA.
- Consensus: responde perguntas de pesquisa com evidências extraídas diretamente de estudos científicos.
- Litmaps: visualiza o mapa de citações de um campo, ótimo para entender a genealogia de ideias.
- ResearchRabbit: mapeamento visual de redes de citação a partir de um paper semente. Integra com Zotero e sugere trabalhos relacionados conforme você explora. Usado por pesquisadores de Harvard, Stanford, Oxford e NIH.
- Connected Papers: gera um grafo visual de papers relacionados a partir de um único artigo de entrada. Útil para entender rapidamente o estado da arte de um campo sem ler dezenas de listas.
Síntese e análise
- SciSpace: lê e explica papers, responde perguntas sobre o conteúdo, identifica metodologias.
- NotebookLM: ancoragem total nas fontes que você sobe. Não alucina além do que está nos documentos. Em 2026 ganhou Deep Research e tabelas de dados para meta-análise.
- Scite: busca de citações com contexto (se o paper foi citado em suporte ou contradição de uma afirmação).
Escrita acadêmica
- Writefull: revisão de linguagem acadêmica e verificação de fluência em inglês científico.
- Perplexity: busca com citações de fontes, útil para verificação rápida de afirmações.
O ecossistema Google para ciência
Na Google I/O em Mountain View, vi de perto o que está vindo:
- NotebookLM: já disponível, com fontes verificadas e Deep Research.
- Google Co-Scientist: sistema multi-agente com “disputa de hipóteses” para geração de hipóteses. Ainda em programa fechado. Demis Hassabis (Nobel de Química 2024) está à frente do DeepMind, que desenvolve esse produto.
- AlphaEvolve: combina LLMs com busca evolutiva de programas, voltado para descoberta computacional (acesso antecipado via Google Cloud, ainda sem disponibilidade geral).
- Gemini Spark: o equivalente do Claude Cowork no ecossistema Google, com uma vantagem específica: acessa Gmail, Google Keep, Maps, Calendar e Docs. O contexto é maior. Funciona em nuvem, então você começa no desktop e continua no celular (disponível nos EUA para assinantes AI Ultra desde maio/2026; sem data confirmada para o Brasil).
Por onde começar na IA na pesquisa acadêmica
Se você é pesquisador ou docente e nunca usou IA de forma agêntica, minha sugestão concreta:
Pegue seu próximo projeto e faça exatamente como você faria antes. Mesmo processo, mesma quantidade de papers, mesma metodologia. Só acrescente o Claude Cowork no fluxo. Crie um arquivo de onboarding do projeto: quem você é, o que está pesquisando, o público do trabalho, as regras que se aplicam.
Execute. Quando o AI errar, corrija e peça para salvar o aprendizado. Ao fim do projeto, você terá uma skill personalizada para o seu processo e uma visão muito mais clara do que faz sentido delegar.
A segunda fase, fazer coisas que antes não eram possíveis, vai aparecer naturalmente. Você não precisa forçar.
Se quiser começar hoje, o Claude Cowork é a ferramenta que uso para tudo que descrevi aqui: desktop, acesso a arquivos, memória entre sessões e sistema de skills. É onde os três livros estão sendo escritos.
Para descobrir qual curso da ESPM faz mais sentido para a sua trajetória em IA e inovação, vale conversar com o Consultor de Carreira, um agente que indica os cursos da minha curadoria conforme o seu perfil.
Perguntas frequentes sobre IA na pesquisa acadêmica
O que é IA agêntica na pesquisa acadêmica? IA agêntica é quando você para de perguntar ao modelo e começa a delegar tarefas a ele. Em vez de um chatbot que responde perguntas, você tem um colaborador que executa atribuições estruturadas: ler papers, extrair afirmações, identificar contradições, organizar notas. A diferença prática é que o modelo opera com memória entre sessões e executa processos que você definiu previamente.
O que nunca delegar ao AI na pesquisa? Três coisas: decidir o que é verdade, atribuir significado a um achado, e defender seu trabalho de cabeça sem recorrer ao AI. Se você não consegue explicar seus achados sem abrir o computador, você não pesquisou: terceirizou a cognição.
Quais são as melhores ferramentas de IA para pesquisadores em 2026? Para descoberta e mapeamento de literatura: Elicit, Semantic Scholar, Consensus, Litmaps, ResearchRabbit e Connected Papers. Para síntese e verificação: SciSpace, NotebookLM e Scite. Para escrita acadêmica em inglês: Writefull. Para busca com citações: Perplexity. No ecossistema Google para ciência: NotebookLM (Deep Research), Google Co-Scientist e Gemini Spark.
Como usar IA na pesquisa sem comprometer a ética acadêmica? Divulgação total: informe que usou IA e como usou. Isso agrega credibilidade ao processo, não remove. Você precisa conseguir defender seus achados de cabeça, sem consultar o AI. O modelo participou como assistente de pesquisa. A autoria e a responsabilidade intelectual são suas.
O que foi o caso Bixonimania? Em 2024, a pesquisadora Almira Osmanovic Thunström, da Universidade de Gotemburgo, publicou um paper falso sobre uma doença fictícia. Semanas depois, os principais AIs já citavam a condição como real. O paper chegou a ser citado em uma publicação com revisão por pares antes de ser retraído. A lição: para áreas em que você não é especialista, leia o paper original. Não delegue a compreensão de algo novo a um resumo gerado por AI.
Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro consultivo de empresas em tecnologia e inovação. Fundou sete startups ao longo da carreira. Leciona na ESPM, Insper, USP, PUCRS e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.
Um comentário em “IA na pesquisa acadêmica: do chatbot ao colaborador que executa”