A última aula funcionou como um fechamento conceitual e prático do curso. Depois das aulas anteriores, centradas na construção de contexto, na ecologia das contas/projetos e na coleitura com IA, este encontro deslocou a discussão para dois eixos principais: primeiro, uma reflexão filosófica sobre técnica, tecnologia e cosmotécnica; depois, uma introdução prática ao uso de agentes de IA em tarefas de pesquisa e organização acadêmica. A aula também teve um caráter de balanço: retomou Umberto Eco, discutiu integridade acadêmica, abordou o impacto das IAs no trabalho e abriu caminhos para pensar uma relação mais situada, tropical e crítica com essas tecnologias.

1. Abertura: encerramento do curso e continuidade do grupo

A aula começou com uma conversa informal sobre a experiência do curso, a chegada dos participantes e algumas dificuldades de acesso à plataforma. Também apareceu a ideia de manter o grupo de WhatsApp como espaço de continuidade, troca de textos, sugestões e acompanhamento de novas turmas. Foi destacada a importância de manter uma turma pequena, com cerca de 20 participantes, porque isso permite conversa, escuta das demandas e acompanhamento mais próximo. Acima disso, o curso tenderia a virar palestra, perdendo parte do caráter dialógico.

Também houve uma breve conversa sobre plataformas de inscrição, como Sympla e Even3, mostrando que a própria organização do curso já fazia parte de uma ecologia técnica: inscrição, comunicação, links de acesso, grupos, gravações, resumos e materiais complementares.

2. Retomada de Umberto Eco: pesquisar é aprender um método

Um dos pontos de partida conceituais da aula foi a releitura de Como se faz uma tese, de Umberto Eco. A obra foi situada no contexto da universidade italiana dos anos 1970, especialmente no momento em que camadas populares começavam a entrar mais fortemente na universidade. Eco escrevia para estudantes que muitas vezes não tinham tempo livre, recursos para comprar livros caros, familiaridade com bibliotecas ou hábito consolidado de pesquisa.

Nesse contexto, a tese de Eco era apresentada como uma aprendizagem de método. Pesquisar significava aprender a delimitar um tema, identificar fontes primárias e secundárias, fazer fichamentos, organizar argumentos, comparar materiais e construir um percurso intelectual. A aula conectou esse ponto ao presente: mesmo com a digitalização e agora com as IAs, alguns elementos permanecem centrais. A pesquisa continua exigindo método, delimitação, leitura, comparação, crítica e responsabilidade intelectual.

A diferença é que, na era da IA, esse método passa a ser reorganizado por novas mediações. A questão deixa de ser apenas “como fazer uma tese?” e passa a incluir: como construir contexto com IA? Como verificar fontes? Como usar modelos sem delegar a responsabilidade intelectual? Como diferenciar apoio, coescrita, automação e autoria?

3. Para além da visão instrumental da tecnologia

A aula insistiu em um ponto fundamental: não basta pensar a IA como ferramenta. Reduzir uma tecnologia ao seu uso instrumental — “eu uso para fazer X” — impede perceber que toda técnica também transforma quem a utiliza. Essa reflexão foi articulada com autores como Simondon, Latour, McLuhan e Yuk Hui.

O exemplo da escrita foi usado para mostrar isso. A escrita é uma tecnologia tão naturalizada que muitas vezes esquecemos sua dimensão técnica. No entanto, ela reorganizou profundamente a memória, a administração, o calendário, as leis, a ciência, as artes, as formas de documentação e até a própria experiência do tempo. A escrita não apenas serviu ao pensamento; ela transformou o pensamento.

A aula trouxe também exemplos de pessoas que não se comunicam pela escrita, mas pelo áudio no WhatsApp. Esse ponto serviu para mostrar que diferentes tecnologias criam diferentes mundos de ação. O caso do encanador mencionado na aula ilustra um tipo de saber prático, incorporado, não necessariamente formalizado por escrito, mas altamente sofisticado. Isso permitiu conectar a discussão sobre IA ao tema mais amplo dos saberes técnicos, das práticas situadas e dos conhecimentos que não cabem facilmente nos modelos formais da academia.

4. IA, trabalho e precarização

A discussão sobre técnica levou naturalmente ao tema do impacto da IA no trabalho. Um dos participantes chamou atenção para o risco de o discurso “a IA vai tirar empregos” ser usado como ameaça para reduzir salários, intensificar a precarização e naturalizar relações de trabalho mais desiguais. Também foi lembrado que existe trabalho humano invisibilizado por trás do treinamento e da moderação de sistemas de IA.

A resposta da aula buscou uma posição intermediária: é inegável que algumas atividades serão transformadas, automatizadas ou reorganizadas, mas isso não significa aceitar passivamente o discurso empresarial do inevitável. O exemplo dos digitadores, citado a partir da experiência do pai de André no contexto da computação por cartão perfurado e do Serpro, mostrou que mudanças técnicas podem levar à requalificação e à redistribuição de funções, não necessariamente à demissão direta.

A discussão também passou pelo setor de serviços, supermercados, caixas automáticos, estoquistas, robôs e carrinhos com leitores. A observação sobre Salvador foi interessante: mesmo quando há caixas de autoatendimento, muitas pessoas não os utilizam, especialmente quando há produtos que precisam ser pesados ou quando o processo exige mediação humana. Isso reforçou a ideia de que a adoção tecnológica nunca é apenas técnica; ela depende de hábitos, confiança, infraestrutura, cultura local e desenho social do serviço.

5. Yuk Hui e a pergunta pela cosmotécnica

O eixo filosófico principal da aula foi a apresentação de Yuk Hui. A partir dele, foi feita uma crítica à ideia de que a técnica é universal, neutra e funcional. A pergunta central apresentada foi: todas as culturas pensam a técnica do mesmo modo?

A resposta de Yuk Hui é não. A modernidade ocidental tende a tratar a tecnologia como uma promessa universal de mundo, como se todos os povos devessem seguir o mesmo caminho de modernização. Essa visão reduz diferentes técnicas a uma única categoria chamada “tecnologia” e tende a organizar o planeta como recurso disponível para o desenvolvimento técnico.

A aula aproximou esse debate de Heidegger, especialmente da ideia de que a tecnologia moderna não é apenas um conjunto de instrumentos, mas um modo de revelar o mundo. Nessa perspectiva, a natureza aparece como estoque, reserva, recurso explorável. O petróleo, os minérios, a energia, a água e os territórios passam a ser compreendidos como insumos para alimentar sistemas técnicos.

Yuk Hui aceita a força dessa crítica, mas pergunta se ela vale para todas as tradições culturais. Para ele, Heidegger ainda pensa a técnica a partir de uma história ocidental. A cosmotécnica, então, seria a tentativa de compreender como diferentes culturas articulam técnica, cosmos, moral, território, natureza e formas de vida.

6. Da técnica neutra à tecnodiversidade

A aula contrastou duas formas de compreender a técnica. Na visão instrumental, a técnica é meio para um fim, neutra, universal e substituível. Na visão cosmotécnica, a técnica expressa uma forma de vida. Uma rede de pesca, uma canoa, uma casa, uma folha de bananeira usada para embalar alimento ou um algoritmo não são apenas meios; eles organizam relações entre humanos, não humanos, território e mundo.

O exemplo do abará embalado na folha de bananeira foi usado como imagem regional de uma solução técnica não separada do ambiente. Ao contrário do plástico, a folha de bananeira integra alimento, território, cultura e sustentabilidade. Esse exemplo permitiu pensar uma técnica menos voraz, menos extrativa e mais incorporada a uma forma de vida.

A aula também aproximou essa discussão de Nego Bispo, especialmente da crítica à ideia de “desenvolvimento” como afastamento do envolvimento. Em vez de desenvolver no sentido de separar, seria preciso pensar formas de envolvimento, confluência e relação.

Outro ponto importante foi a comparação entre tradições culturais. Na tradição grega, a técnica aparece muitas vezes vinculada ao mito de Prometeu: roubo do fogo, transgressão, domínio e emancipação. Já em outras tradições, como a chinesa, a técnica pode ser pensada como continuidade entre cosmos, comunidade, corpo e prática. O exemplo da medicina chinesa, com os conceitos de Tao e Qi, serviu para mostrar como uma técnica pode não ser compreendida adequadamente quando traduzida apenas pelos parâmetros da ciência ocidental.

7. Cosmotécnica tropical, antropofagia e Gilberto Gil

A partir de Yuk Hui, a aula propôs pensar uma possível “cosmotécnica tropical”. A pergunta era: como o Brasil poderia se relacionar com as tecnologias digitais e com a IA sem apenas importar modelos prontos, categorias externas e imaginários técnicos vindos dos centros de poder?

A hipótese apresentada foi aproximar esse debate da antropofagia modernista: a capacidade de devorar influências externas, digeri-las e devolvê-las com outro sabor, outro ritmo e outro sentido. Essa lógica atravessaria a cultura brasileira em várias áreas: modernismo, bossa nova, cinema novo, música popular, samba, tropicalismo, funk e cultura digital.

Gilberto Gil apareceu como uma figura importante nesse percurso. Desde “Cérebro Eletrônico” até sua atuação como ministro da Cultura, Gil teria elaborado uma relação singular com a técnica, a cibernética e a cultura digital. Em vez de separar tecnologia e cultura, sua trajetória ajudaria a pensar um modo brasileiro, híbrido, musical, político e antropofágico de lidar com o digital.

Essa parte da aula foi importante porque deslocou a pergunta sobre IA. Em vez de apenas perguntar “como usar melhor a IA?”, a questão passa a ser: que relação queremos construir com essas tecnologias? Que mundo elas ajudam a compor? Que práticas, saberes e territórios elas podem fortalecer ou enfraquecer?

8. Discussão com a turma: técnica, território e saberes tradicionais

Na conversa com os participantes, surgiram exemplos que reforçaram a importância de pensar técnica e território de forma integrada. Um dos comentários retomou a experiência com trabalhadores da construção civil que não respondiam mensagens escritas, mas respondiam bem por áudio. Isso mostrou novamente que a tecnologia só funciona dentro de um contexto social, cultural e comunicacional.

Também apareceu o exemplo de técnicas tradicionais de construção no Maranhão, substituídas por modelos importados de pousadas e edifícios que não se adaptam bem ao clima local, exigindo ar-condicionado e aumentando o consumo energético. Esse exemplo ilustrou como uma técnica considerada “moderna” pode apagar saberes locais mais adequados ao território.

A discussão passou ainda por alimentação, saúde, plantas, chás, saberes populares e alimentos ultraprocessados. A IA foi pensada, nesse ponto, não apenas como ameaça, mas também como possível aliada para analisar hábitos alimentares, rótulos, composições nutricionais e práticas de consumo, desde que usada dentro de bons contextos e com critérios críticos.

9. Impacto ambiental das IAs e do ecossistema digital

Outro ponto importante foi a discussão sobre impacto ambiental. A aula reconheceu a importância do debate sobre água, energia e data centers, mas chamou atenção para o risco de tratar a IA isoladamente, como se fosse a única responsável por impactos ecológicos do mundo digital.

Foi lembrado que streaming, redes sociais, bancos, serviços de nuvem, plataformas digitais e outros sistemas também dependem de data centers. Além disso, o uso de água por grandes sistemas agroindustriais e industriais é muito maior do que o dos data centers. Isso não diminui a necessidade de discutir o impacto das IAs, mas ajuda a evitar uma crítica seletiva ou desproporcional.

O ponto central foi: a crítica ambiental à IA é necessária, mas precisa ser situada em uma crítica mais ampla à nossa ecologia técnica, energética, alimentar, produtiva e digital.

10. Introdução aos agentes de IA

A segunda grande parte da aula foi dedicada aos agentes de IA. A apresentação começou com cautela: os agentes ainda estão em fase inicial, apresentam riscos, exigem supervisão e podem causar problemas quando recebem permissões amplas demais. Mesmo assim, apontam para uma transformação profunda da relação com computadores.

A diferença básica apresentada foi: um chatbot responde; um agente executa. Ele pode abrir aplicativos, navegar por páginas, acessar arquivos autorizados, clicar, baixar documentos, operar planilhas, acionar ferramentas e realizar sequências de tarefas.

Foi mostrado o caso da integração entre ChatGPT e Gamma. A partir da área de configurações e aplicativos, é possível conectar serviços externos. Uma vez conectado ao Gamma, o ChatGPT pode abrir o aplicativo dentro da própria interface e executar tarefas, como criar slides com base em um projeto ou contexto já preparado. No exemplo da aula, isso foi usado para gerar uma apresentação sobre cosmotécnica e Yuk Hui, com melhor redução de texto por tela.

11. Demonstração prática: agente, Drive, planilhas e Python

A aula apresentou uma gravação de tela de um experimento com agente. O agente recebeu a tarefa de abrir uma pasta no Google Drive, acessar arquivos, baixar dados para um ambiente virtual, abrir terminal, usar Python, analisar planilhas, gerar documentos e produzir uma visualização gráfica.

Esse exemplo foi conectado diretamente à pesquisa acadêmica. Uma pasta no Drive poderia conter artigos, entrevistas, transcrições, planilhas de questionários, relatórios ou documentos administrativos. O agente poderia abrir cada arquivo, extrair informações, produzir resumos, organizar tabelas, gerar gráficos ou consolidar dados.

A ideia central foi mostrar que, em breve, parte do trabalho de pesquisa poderá ser feita por meio de comandos em linguagem natural que acionam sequências de ações em diferentes aplicativos. Isso não elimina a revisão humana; pelo contrário, aumenta a necessidade de supervisão, validação e clareza metodológica.

12. Cuidados de segurança: contas secundárias, permissões e isolamento

A aula insistiu bastante nos riscos. Para testar agentes, André explicou que criou uma sessão separada no Linux, sem acesso às contas pessoais, justamente para evitar que um agente tivesse poderes indevidos sobre arquivos, e-mails ou dados sensíveis.

Foram mencionados riscos como agentes apagarem arquivos, mexerem em e-mails, executarem ações não desejadas ou consumirem créditos de API. Também foi explicado que, quando um agente roda no computador, ele precisa se comunicar com um modelo de linguagem. O “corpo” do agente pode estar na máquina, mas o “cérebro” muitas vezes está na nuvem, sendo pago por tokens ou operações.

A recomendação implícita da aula foi: testar agentes em ambientes controlados, com contas secundárias, pastas específicas, permissões limitadas e supervisão constante. Em tarefas simples e repetitivas, eles podem ser úteis; em ações sensíveis, ainda exigem extremo cuidado.

13. Para que servem agentes na pesquisa?

A turma discutiu várias possibilidades de uso. Uma delas foi o levantamento bibliográfico: colocar artigos em uma pasta e pedir ao agente que abra cada um, faça resumos, selecione os mais relevantes e organize uma tabela. Outra possibilidade foi o tratamento de entrevistas: abrir áudios, enviá-los a uma ferramenta de transcrição, salvar os textos em uma pasta, revisar e organizar os arquivos.

Também apareceram exemplos administrativos, como abrir muitas planilhas de avaliação de curso, consolidar respostas, gerar gráficos e produzir relatórios. Outro exemplo citado foi o de uma colega que tinha milhares de PDFs e precisava extrair números de notas fiscais — tarefa repetitiva, cansativa e ideal para automação assistida.

A diferença em relação a ferramentas como NotebookLM foi esclarecida: no NotebookLM, o usuário precisa inserir os documentos; com um agente, em tese, seria possível pedir que ele abrisse uma pasta, selecionasse arquivos, enviasse para outro serviço, retornasse, salvasse resultados e encadeasse ações em vários ambientes.

14. Ambivalência: fascínio, medo e produtividade

A discussão com a turma revelou uma ambivalência importante: os agentes geram fascínio, mas também medo. Por um lado, podem economizar tempo e ajudar em tarefas repetitivas. Por outro, atravessam fronteiras sensíveis: acessar Drive, e-mail, arquivos pessoais, computador local.

Uma participante perguntou se esse tipo de recurso não estaria ligado à lógica da produtividade extrema: uma pessoa fazendo o trabalho que antes exigiria várias. Essa questão trouxe de volta o debate sobre produtivismo, automação e intensificação do trabalho.

A resposta foi que os usos são variados. Agentes podem servir a executivos, programadores e empresas, mas também podem ser ferramentas de acessibilidade para pessoas com dificuldades motoras, instrumentos de apoio a pesquisadores com grande volume de material ou auxiliares em tarefas administrativas repetitivas. O problema não é apenas a tecnologia em si, mas a cosmotécnica na qual ela é inserida: eficiência para quê? A serviço de quem? Com quais limites? Com qual supervisão?

15. IA, revisão bibliográfica e risco de alucinação

A aula retomou um ponto recorrente do curso: modelos de linguagem podem alucinar referências. Uma participante relatou ter pedido referências e revisões com base em critérios como PRISMA, mas encontrou artigos falsos, títulos trocados e autores confundidos. A recomendação foi usar ferramentas especializadas, como bases acadêmicas e plataformas voltadas à literatura científica, conectadas ou combinadas ao ChatGPT.

A ideia foi reforçada: o ChatGPT puro é muito bom para linguagem, organização, síntese e formulação, mas não deve ser usado sozinho como mecanismo confiável de busca bibliográfica. Para pesquisa acadêmica, é preciso combinar IA com bases reais, verificação manual e critérios metodológicos explícitos.

16. Produção acadêmica, excesso de artigos e responsabilidade

Outro debate importante foi o crescimento da produção acadêmica mediada por IA. Um participante observou que quem antes escrevia um artigo por ano agora pode tentar escrever cinco, muitas vezes com baixa qualidade. Isso cria pressão sobre revistas, pareceristas e editores, que não estão preparados para uma avalanche de textos produzidos rapidamente.

A aula conectou esse ponto à integridade acadêmica. O problema não é apenas usar IA, mas usar IA sem critério, sem transparência, sem domínio do campo e sem responsabilidade sobre o resultado. Também foi mencionado o fenômeno de “humanizar” textos para esconder o uso de IA, como tirar travessões ou alterar marcas estilísticas detectáveis.

A posição defendida na aula foi que o uso sério da IA exige mais trabalho, não menos. Usar bem IA significa construir contexto, revisar, comparar, pedir alternativas, checar fontes, avaliar argumentos e assumir responsabilidade. O problema está na “tentação do botão”: delegar rapidamente, com pouco contexto e pouca revisão, gerando textos genéricos, superficiais e possivelmente errados.

17. Estudantes, IA e cotutoria

No fechamento, a aula voltou ao tema educacional. Foi rejeitada a generalização de que estudantes jovens seriam simplesmente preguiçosos ou interessados apenas em delegar tarefas. Em experiências recentes com estudantes de computação e bacharelado interdisciplinar, alguns relataram usar IA como forma de serem provocados, estimulados e ajudados a aprender mais.

A aula retomou uma tipologia de estudantes: o estudante que mergulha na utopia acadêmica; o minimalista, que quer fazer apenas o necessário para passar; o estratégico, que performa a vida acadêmica como caminho profissional; e o perdido, que não sabe bem por que está ali. Essas categorias foram apresentadas como fluidas: um mesmo estudante pode ocupar posições diferentes em diferentes disciplinas ou momentos (Essa tipologia foi desenvolvida pelo sociólogo Saeed Paivandi). 

Nesse contexto, a IA pode funcionar como cotutora. Não substitui o professor, a sala de aula ou a experiência pedagógica, mas pode oferecer acompanhamento personalizado. Foram mencionadas experiências como GPTs acadêmicos institucionais e tutores de matemática como o Khanmigo. A promessa é um apoio individualizado, disponível a qualquer hora, capaz de responder a dúvidas específicas e acompanhar ritmos distintos de aprendizagem.

18. Fechamento: uma perspectiva tropical para a IA

A última aula terminou retomando o sentido geral do curso: aprender a pesquisar com IA não é apenas aprender ferramentas. É construir uma relação crítica, situada e responsável com essas tecnologias. Isso envolve método, contexto, leitura, escrita, ética, integridade, supervisão, imaginação pedagógica e reflexão filosófica.

A ideia de uma cosmotécnica tropical ofereceu uma chave de fechamento: não se trata de rejeitar a IA, nem de adotá-la como destino inevitável. Trata-se de deglutir essas tecnologias, compreendê-las, adaptá-las, tensioná-las e reinscrevê-las em nossas práticas, territórios, problemas e formas de vida.

O curso foi encerrado com o convite para manter o grupo ativo, compartilhar materiais e preservar os links das gravações como conteúdo restrito da turma, já que os encontros incluíam falas e participações dos alunos. A experiência foi apresentada como abertura de janelas e caminhos para pensar uma relação mais crítica, criativa e situada com a IA na pesquisa acadêmica.

Ideias-chave da aula

1. Pesquisar com IA continua exigindo método.
   A IA muda o ambiente da pesquisa, mas não elimina delimitação, leitura, fichamento, comparação, verificação e responsabilidade.
2. Tecnologias não são apenas instrumentos.
   Elas transformam formas de pensar, trabalhar, escrever, organizar o tempo e compor relações sociais.
3. A IA deve ser pensada conceitualmente.
   A aula propôs sair da pergunta “como usar?” para incluir “que mundo essa técnica ajuda a produzir?”.
4. Cosmotécnica é uma chave para desuniversalizar a tecnologia.
   Diferentes culturas pensam e praticam a técnica de modos distintos. Não há uma única história universal da tecnologia.
5. Uma cosmotécnica tropical pode aproximar IA, antropofagia, território e cultura digital brasileira.
6. Agentes de IA apontam para uma nova etapa da automação.
   Eles não apenas respondem, mas executam tarefas em aplicativos, arquivos e sistemas.
7. Agentes exigem segurança e supervisão.
   O uso responsável passa por contas secundárias, ambientes isolados, permissões limitadas e revisão humana.
8. O risco principal não é a IA em si, mas a delegação sem contexto.
   A “tentação do botão” produz superficialidade, alucinação e perda de responsabilidade intelectual.
9. A IA pode funcionar como cotutora.
   Em contextos pedagógicos bem desenhados, pode apoiar ritmos diferentes de aprendizagem sem substituir o professor.
10. O desafio é político, pedagógico e cosmotécnico.
    A questão não é apenas usar IA, mas decidir como integrá-la a formas de pesquisa mais críticas, plurais e responsáveis.

Continue neste percurso

Anterior: Aula 3 — Coescrita, meta-reflexão e co-inteligência

Veja o curso e suas edições ou explore todas as aulas e materiais.

A terceira aula deu continuidade ao eixo central do curso: compreender a pesquisa acadêmica com IA não apenas como uso instrumental de ferramentas, mas como uma transformação nas formas de leitura, escrita, organização da informação e construção de contexto. A aula foi bastante dialogada, partindo das questões dos alunos sobre o texto “Fantasmas da coescrita” (preprint), avançando para a discussão sobre GPTs customizados, cosmotécnica, etnografia com IA, co-inteligência segundo Ethan Mollick, uso da lousa/canvas, criação de slides com Gamma e experimentações em grupos de conversa com IA.

1. Abertura: acesso, plataforma e dinâmica da aula

A aula começou com uma breve conversa sobre problemas técnicos e sobre o uso da plataforma Sympla para os encontros síncronos. Foi comentado que os links de acesso são individualizados, o que pode gerar problemas quando uma pessoa usa o link de outra. Houve o exemplo de uma aluna que entrou com o perfil de uma colega e depois foi derrubada quando a titular do link acessou a sala.

Esse comentário inicial serviu também para reforçar uma dimensão prática do curso: as tecnologias de organização, acesso e mediação dos encontros não são neutras. Elas condicionam a experiência pedagógica, podem facilitar o gerenciamento de turmas, mas também criar ruídos de participação.

A aula, então, começou a partir das perguntas de Rosana sobre o texto indicado para leitura.

2. “Fantasmas da coescrita”: o texto como exemplo de meta-reflexão

A primeira discussão mais substantiva surgiu a partir do texto “Fantasmas da coescrita”. Rosana destacou algumas questões que chamaram sua atenção: a ideia dos “fantasmas”, os modelos customizados, a autoria, o processo criativo e o conceito de cosmotécnica.

A resposta esclareceu que o objetivo de compartilhar o texto não era fazer uma aula teórica aprofundada sobre todos os autores e conceitos presentes nele. A intenção principal era mostrar um experimento de meta-reflexão: isto é, um processo em que a IA não é usada apenas para produzir conteúdo, mas para pensar sobre o próprio processo de produção, leitura, autoria e pesquisa.

A expressão “fantasmas” foi explicada a partir da ideia de ghostwriter: alguém que escreve por outro, de maneira muitas vezes invisível. No contexto da coescrita com IA, a metáfora ajuda a pensar esses modelos como presenças auxiliares, interlocutores ou índices recursivos que participam da construção do texto, ainda que não apareçam como autores tradicionais.

O ponto principal foi: muitos pesquisadores, estudantes e professores provavelmente já estão usando GPTs customizados, modelos com arquivos, projetos e bases de referência para dialogar com autores e teorias, mas essas práticas ainda aparecem pouco explicitadas. A aula propôs, então, tornar visível esse tipo de prática e refletir criticamente sobre ela.

3. GPTs customizados como “índices remissivos recursivos”

Um dos conceitos mais importantes da aula foi a ideia de que um GPT customizado pode funcionar como uma espécie de índice remissivo recursivo.

A comparação é interessante: um índice remissivo tradicional permite localizar temas, conceitos e passagens dentro de um livro. Já um modelo customizado, alimentado com textos de determinado autor ou campo, permite fazer perguntas, testar relações, comparar conceitos e voltar recursivamente às fontes. Ele não apenas aponta onde algo aparece; ele também ajuda a reorganizar, relacionar e tensionar o material.

Foi discutido o exemplo de criar um GPT com a obra de um autor, como Bourdieu, Flusser, Pierre Lévy ou Latour. A partir daí, o pesquisador poderia conversar com esse modelo para compreender melhor conceitos, fases da obra, mudanças de perspectiva e possíveis relações entre textos.

Mas houve uma ressalva importante: autores com obras extensas talvez devam ser divididos por fases, temas ou recortes. Um GPT com “todo Bourdieu”, por exemplo, pode ficar amplo demais. Em alguns casos, pode ser mais interessante criar modelos separados: um para a fase inicial, outro para os textos sobre cultura, outro para a dimensão política, e assim por diante.

O risco principal é que o modelo pode produzir formulações criativas que parecem coerentes com o autor, mas que não estão efetivamente publicadas na obra. Por isso, a recomendação foi clara: esses modelos ajudam a pensar, mas não dispensam a leitura direta dos textos originais.

4. Cosmotécnica: construir sentido próprio para a relação com as máquinas

A partir das dúvidas de Rosana, a aula entrou no conceito de cosmotécnica, associado ao filósofo Yuk Hui. Esse foi um dos momentos conceituais mais importantes da aula.

A cosmotécnica foi apresentada como uma forma de dar sentido à experiência com as tecnologias. Sem uma narrativa conceitual, a relação com as máquinas pode oscilar entre o medo e a alienação. O conceito ajuda a pensar que a tecnologia não precisa ser vista como algo universal, homogêneo e inevitável, produzido por uma única tradição histórica.

Foi feita uma distinção entre técnica e tecnologia. A técnica foi associada às formas históricas e culturais pelas quais diferentes comunidades produziram utensílios, ferramentas e modos de agir sobre o mundo. Já a tecnologia moderna, vinculada à ciência, à indústria e ao desenvolvimento capitalista, tende a afastar as pessoas da possibilidade de modificar, adaptar e recriar os objetos técnicos.

A partir disso, foi discutida a importância de experimentar formas próprias de interação com IA. Mesmo sem desenvolver um modelo do zero, é possível criar usos, contextos e práticas que dialoguem com perspectivas locais, decoloniais, do sul global ou com autores que escapem do repertório hegemônico das grandes plataformas.

Foi citado, como exemplo, um possível experimento com transcrições de palestras de Nego Bispo, buscando criar um modelo que dialogasse com sua oralidade e com sua forma própria de pensamento. A questão não é apenas técnica, mas também política: apropriar-se das tecnologias e recriá-las de acordo com contextos culturais e visões de mundo diferentes.

5. IA, etnografia e organização de grandes corpos de dados

A partir da intervenção de Zeca, antropólogo, a aula passou a discutir o uso da IA em pesquisas etnográficas. Ele trouxe uma preocupação importante: como lidar com diários de campo, entrevistas, anotações e materiais subjetivos sem que o modelo simplifique ou distorça a experiência etnográfica?

A resposta situou a IA como uma nova camada na história das tecnologias de organização da informação. Assim como a escrita, a imprensa, a eletrificação e a digitalização transformaram a forma de registrar e organizar conhecimento, a IA introduz uma nova etapa: ela permite interagir com grandes corpos de texto, categorizá-los, reorganizá-los e gerar hipóteses de leitura.

No caso da etnografia, a IA pode atuar como auxiliar na organização de entrevistas transcritas, diários de campo, relatos, categorias e interlocutores. Mas foi feita uma comparação importante com a fotografia na antropologia visual: a fotografia também parecia, inicialmente, uma captura objetiva do real, mas depois se percebeu que ela envolve recorte, enquadramento, escolha e interpretação.

Do mesmo modo, a IA pode auxiliar, mas não substitui o olhar do pesquisador. Ela pode organizar, mas não deve apagar a singularidade do campo. No caso de materiais etnográficos, foi recomendado instruir o modelo de forma explícita:

“Este é um material etnográfico. Preserve a expressão do interlocutor. Não resuma. Não sintetize. A redundância é importante porque faz parte do campo.”

Esse ponto foi central: a IA tende a otimizar para clareza, síntese e coerência. Mas, em alguns tipos de pesquisa, especialmente na etnografia, a repetição, a hesitação, a expressão oral e a redundância podem ser dados importantes.

6. Alucinação, criação conceitual e risco interpretativo

A aula também discutiu a ambiguidade da chamada “alucinação” dos modelos. Em algumas áreas, como literatura ou filosofia, uma formulação inesperada pode ser produtiva. Em outras, especialmente quando se trata de citação, evidência ou análise empírica, pode ser perigosa.

Foi dado o exemplo do próprio conceito de “pedagogia do contexto”, que surgiu na interação com a IA a partir do material do curso. Nesse caso, o modelo ajudou a nomear algo que já estava sendo construído na prática. Mas o uso de um conceito sugerido pela IA exige cautela: é preciso verificar se o termo já existe, se tem outro sentido consolidado e se não está sendo atribuído indevidamente a um autor ou campo.

Essa discussão abriu uma questão metodológica importante: quando um conceito surge na interação entre pesquisador e IA, como registrar isso? Uma possibilidade levantada foi tratar esse processo de forma reflexiva, incluindo no texto uma nota metodológica ou uma dimensão autoetnográfica. Em áreas como a antropologia, a autoetnografia pode ajudar a explicitar como o pesquisador interagiu com o modelo e como certas categorias emergiram no processo (ver Marilyn Strathern).

7. Escrita, autoria e a dimensão híbrida do texto

Outro eixo da aula foi a discussão sobre escrita. Beatriz comentou que escrever é uma forma de descobrir o que se pensa. A aula acolheu essa ideia, mas ampliou o argumento: talvez hoje essa descoberta não aconteça apenas pela escrita tradicional. Ela pode começar também por áudio, transcrição, conversa, palestra gravada ou diálogo com IA.

Foi lembrado que muitas ideias surgem oralmente em aulas, debates e palestras. Ao transcrever esses momentos e reorganizá-los, o pesquisador pode descobrir formulações que já estavam em curso, mas ainda não estavam estabilizadas como texto.

Essa reflexão reforça a ideia de que a coescrita com IA não deve ser pensada apenas como “a máquina escrevendo pelo humano”. Ela pode funcionar como uma tecnologia de escuta, reorganização, retomada e lapidação de ideias.

Também apareceu uma crítica ao termo “humanizar” texto. A aula problematizou essa expressão porque ela pressupõe que o texto gerado anteriormente não teria humanidade. Em vez disso, foi sugerido pensar os textos como criações híbridas, atravessadas por humanos, máquinas, leituras, referências, estilos e processos de edição.

8. Ethan Mollick e a co-inteligência

Na segunda parte da aula, foi apresentada uma sistematização das ideias de Ethan Mollick, especialmente a partir de seu livro sobre co-inteligência. A obra foi indicada como uma leitura acessível e útil para pensar a IA no trabalho acadêmico.

A primeira dica atribuída a Mollick é experimentar a IA em quase todas as etapas da pesquisa, desde que não haja impedimentos éticos, legais ou institucionais. Isso não significa aceitar tudo que a IA produz, mas testar empiricamente onde ela ajuda e onde atrapalha.

Um conceito importante apresentado foi o da fronteira irregular da IA. A IA pode resolver com facilidade algumas tarefas que parecem difíceis, mas falhar em tarefas aparentemente simples. Por isso, não faz sentido partir de regras abstratas como “IA serve para escrever” ou “IA não serve para pesquisar”. O mais adequado é experimentar, testar, verificar e mapear seus usos em cada situação.

A IA pode ajudar em diferentes etapas: formular perguntas de pesquisa, gerar palavras-chave, resumir textos, comparar conceitos, testar hipóteses argumentativas, revisar clareza, simular objeções de banca, organizar cronogramas e estruturar etapas de trabalho.

Mas a responsabilidade final continua sendo do pesquisador. A IA pode sugerir, organizar e acelerar, mas não assume autoria, julgamento crítico ou responsabilidade ética.

9. Papéis atribuídos à IA: tutor, orientador, parecerista, bibliotecário

Uma recomendação prática importante foi o uso de papéis. Em vez de pedir apenas “resuma esse texto”, é mais produtivo orientar o modelo:

“Atue como orientador de pesquisa em antropologia e identifique o argumento central, os conceitos principais, os pressupostos teóricos, as fragilidades da argumentação e perguntas para aprofundamento.”

Outros papéis possíveis foram mencionados:

• tutor;
• coeditor;
• parecerista de revista;
• bibliotecário;
• debatedor;
• leitor médio;
• aluno simulando dúvidas sobre uma aula;
• orientador metodológico.

Essa estratégia permite modular a resposta da IA conforme a necessidade da pesquisa. O modelo não é apenas um respondedor genérico; ele pode ser configurado situacionalmente para agir de acordo com uma tarefa específica.

10. Prompt não como mágica, mas como construção de contexto

Outro ponto importante foi a crítica à ideia do prompt como “palavra mágica”. A aula reforçou que a qualidade da resposta não depende apenas de encontrar o prompt perfeito, mas de construir um contexto de trabalho.

Foi sugerido dividir as solicitações em etapas:

1. indicar o tema central;
2. formular possíveis problemas de pesquisa;
3. avaliar qual problema está mais delimitado;
4. sugerir palavras-chave;
5. organizar o levantamento bibliográfico;
6. comparar autores;
7. revisar a argumentação;
8. simular críticas ou objeções.

Esse método se conecta diretamente à ideia central do curso: a pesquisa com IA depende de uma pedagogia do contexto. A boa interação não está apenas na pergunta isolada, mas no processo cumulativo de orientação, resposta, correção, reorientação e aprofundamento.

11. Tutor individual e aprendizagem personalizada

A aula também apresentou a ideia de configurar a IA como um tutor individual. O pesquisador pode explicar seu nível de formação, sua área, seu projeto e o tipo de apoio que deseja.

Por exemplo:

“Sou estudante de mestrado em Saúde Coletiva. Estou lendo este artigo e quero que você me ajude a compreender os argumentos principais, mas sem substituir minha leitura.”

A IA pode perguntar ao estudante sobre o texto, testar sua compreensão, propor comparações entre autores, explicar conceitos em diferentes níveis de complexidade e transformar uma intuição inicial em uma pergunta de pesquisa mais delimitada.

Essa função é especialmente interessante porque aproxima o uso da IA de um processo formativo, e não apenas produtivo.

12. Delegar, centauro e ciborgue

Um dos momentos mais úteis da apresentação de Mollick foi a distinção entre diferentes formas de organizar o trabalho com IA.

Há tarefas que só o pesquisador pode fazer: formular o julgamento final, assumir a responsabilidade, interpretar a pertinência dos dados, tomar decisões éticas e definir o sentido da pesquisa.

Há tarefas que podem ser delegadas à IA: organização de notas, revisão gramatical, formatação de referências, criação de quadros, sínteses preliminares e infográficos.

Há também o modo centauro, em que há uma divisão clara entre humano e IA. O pesquisador define categorias, critérios e hipóteses; a IA organiza os dados conforme essas orientações.

E há o modo ciborgue, em que o trabalho se torna mais integrado: escrever, revisar, argumentar, reescrever e reorganizar em um fluxo contínuo. Foi mencionado que esse modo aparece especialmente no processo de elaboração das colunas, em que o texto vai e volta tantas vezes entre autor e modelo que a separação entre contribuição humana e contribuição maquínica se torna menos evidente.

Essa distinção ajudou a mostrar que “usar IA” não é uma coisa única. Existem diferentes graus de integração, delegação e colaboração.

13. A tentação do botão

A aula também alertou para um risco: a tentação do botão. É a ideia de que a IA pode resolver tudo automaticamente, bastando clicar ou pedir uma resposta pronta.

Essa tentação é especialmente forte quando o prazo está apertado. Mas foi reforçado que delegar tudo ao modelo é arriscado. A IA pode tomar desvios, simplificar demais, errar referências, inventar conexões ou gerar uma argumentação aparentemente boa, mas frágil.

O fluxo recomendado foi: exploração, delimitação, busca, coleitura, revisão, interpretação e responsabilidade final do pesquisador.

14. Análise de dados e planilhas

A aula também abordou brevemente o uso da IA para análise de dados quantitativos. Foi mencionado um experimento com dados de estudantes de um curso do ISC, incluindo planilhas com quase mil alunos e questionários de avaliação de componentes curriculares.

O ponto principal foi que a IA trabalha bem com planilhas e dados organizados, mas a qualidade da resposta depende da qualidade do material fornecido. Quando as planilhas estavam confusas, os resultados foram piores. Quando os dados foram limpos, organizados e enviados em uma aba única, o modelo conseguiu gerar gráficos e análises mais consistentes.

Foi citado um erro ocorrido quando os componentes curriculares estavam identificados por siglas: ao gerar o relatório, o modelo inventou nomes completos a partir dessas siglas. Esse exemplo reforçou a importância de explicar ao modelo o significado das variáveis, siglas e categorias.

15. Demonstração prática: Eco, pesquisa acadêmica e lousa/canvas

Na parte prática, foi demonstrado o uso de um projeto com o livro Como se faz uma tese, de Umberto Eco. A proposta era refletir sobre o que mudou na pesquisa acadêmica desde a década de 1970, quando Eco escreveu o livro, até o cenário atual de digitalização e IA.

A IA foi usada para pensar o que permanece relevante em Eco: a importância do recorte, a distinção entre fonte e comentário, a organização da documentação e a necessidade de produzir um trabalho verificável.

Depois, foi pedido ao modelo que pensasse uma proposta de artigo sobre isso. Em seguida, o texto foi aberto na lousa/canvas, recurso que transforma a resposta em um documento editável.

A demonstração mostrou que, na lousa, é possível editar trechos específicos, pedir para reescrever apenas um parágrafo, alterar o nível do texto, aumentar ou reduzir a extensão e trabalhar de forma mais próxima a um editor de texto. Esse recurso foi apresentado como útil para revisar e lapidar textos sem precisar copiar tudo imediatamente para outro ambiente.

16. Gamma e criação de slides

Também foi apresentada a ferramenta Gamma, usada para transformar textos, resumos ou transcrições em apresentações. A diferença destacada é que, enquanto o ChatGPT pode gerar imagens ou propostas de slides conceituais, o Gamma é especializado em apresentação visual.

Ele permite criar cartões, escolher estilos, editar textos, inserir imagens, modificar a estrutura e ajustar a estética com mais facilidade. Foi observado, porém, que ele funciona por créditos: depois de um período de uso gratuito, pode exigir pagamento.

A ferramenta foi usada para apresentar a sistematização das dicas de Ethan Mollick, mostrando como um resumo produzido com IA pode ser transformado em material didático visual.

17. Grupos com IA e coescrita coletiva

No final da aula, surgiu uma pergunta sobre a funcionalidade de grupos no ChatGPT. A dúvida era como pensar a coescrita quando não há apenas uma pessoa conversando com o modelo, mas várias pessoas em um mesmo ambiente.

Foi explicado que as conversas em grupo permitem uma dinâmica semelhante a um grupo de WhatsApp com IA: pessoas entram, mencionam o modelo, interagem entre si e com a IA.

Mas foram indicadas limitações importantes:

• o grupo não fixa contexto da mesma forma que um projeto;
• o material pode precisar ser reenviado em outro dia;
• o modelo não leva automaticamente o contexto pessoal de cada usuário para o grupo;
• isso evita que informações privadas de uma pessoa vazem em uma conversa coletiva.

Apesar das limitações, a funcionalidade foi apresentada como promissora para dinâmicas de aula, oficinas e experimentações colaborativas.

18. Encaminhamento para a Aula 4

A aula terminou indicando que o próximo encontro seria dedicado a novas experimentações práticas, com destaque para o tema dos agentes de IA. A ideia é mostrar que a discussão sobre IA está entrando em uma nova etapa, na qual os modelos não apenas respondem ou ajudam a escrever, mas começam a executar sequências de ações, interagir com ferramentas e participar de fluxos mais complexos de trabalho.

Síntese final

A terceira aula consolidou três movimentos principais do curso.

Primeiro, aprofundou a ideia de meta-reflexão: usar a IA não apenas para produzir textos, mas para pensar sobre o próprio processo de pesquisa, leitura, autoria e construção de conceitos.

Segundo, apresentou a IA como uma nova camada na história da organização da informação, articulando escrita, digitalização, etnografia, análise de dados e coescrita.

Terceiro, sistematizou uma abordagem prática inspirada em Ethan Mollick: experimentar a IA em diferentes etapas, atribuir papéis ao modelo, construir contexto progressivamente, verificar tudo, evitar a tentação da automação total e manter a responsabilidade final com o pesquisador.

A aula mostrou que pesquisar com IA não significa substituir a leitura, a escrita ou o pensamento crítico. Significa reorganizar essas práticas em uma nova ecologia cognitiva, na qual humanos e máquinas participam de processos híbridos de leitura, escrita, interpretação e criação.

Complemento sobre Umberto Eco

Slide

Continue neste percurso

Anterior: Aula 2 — Coescrita, coleitura e pesquisa com IA

Próxima: Aula 4 — Agentes e Cosmotécnica

Veja o curso e suas edições ou explore todas as aulas e materiais.

Curso: Pesquisa Acadêmica com IA

Coescrito com IA por Andre Stangl.

A segunda aula aprofundou a ideia de que pesquisar com IA não é apenas “usar uma ferramenta”, mas aprender a habitar uma nova ecologia cognitiva, marcada por coescrita, coleitura, metarreflexão, curadoria intelectual e gestão da atenção. A aula combinou discussão conceitual, troca com os participantes e demonstrações práticas no ChatGPT, especialmente com GPTs customizados e projetos.

1. Abertura: metapresença e experiência de aula online

A aula começou com uma conversa sobre a própria condição do encontro remoto. A partir de uma referência a Naomar de Almeida Filho, foi apresentada a noção de metapresença ou metapresencialidade: a ideia de que encontros mediados por plataformas digitais não são simplesmente “a distância”, mas constituem outro tipo de presença.

A discussão apontou que a presença online depende de elementos como câmera aberta, galeria de rostos, interação síncrona e percepção das reações dos participantes. A tela, nesse sentido, não elimina a presença, mas a transforma. O encontro online foi pensado como uma forma de coabitação mediada, em que os participantes estão “juntos” de outro modo.

Também apareceu a ideia de salas híbridas ou metapresenciais, com várias telas, alunos presenciais e remotos em interação, indicando que a educação online pode deixar de ser apenas uma substituição emergencial da sala física e passar a ser pensada como outro ambiente de aprendizagem.

2. A IA como campo instável e em rápida transformação

Em seguida, a aula situou o curso dentro de um contexto mais amplo de debate na UFBA sobre inteligência artificial. Foi mencionada a formação de uma rede de professores, pesquisadores e estudantes interessados em estudar, experimentar, normatizar e formar pessoas para o uso de IA.

Um ponto importante foi a sensação de defasagem permanente: a cada semana surgem novos modelos, agentes, ferramentas multimodais, recursos de áudio, vídeo, imagem e texto. Antes mesmo de se consolidar uma metodologia para o uso de IA generativa em texto, já aparecem agentes autônomos, modelos multimodais e plataformas que reorganizam automaticamente slides, conceitos e narrativas.

Daí surgiu uma das teses centrais da aula: não se deve aceitar automaticamente aquilo que a IA produz. O material gerado pode trazer boas categorias, insights e conexões inesperadas, mas precisa sempre ser revisto, interrogado e reposicionado pelo pesquisador. A IA participa do processo de criação, mas não substitui a responsabilidade intelectual humana.

3. Coescrita, coleitura e pesquisa com IA

A aula reforçou que o trabalho com IA deve ser compreendido como um processo de cocriação, coescrita e coleitura. A pesquisa com IA não consiste apenas em pedir respostas, mas em construir progressivamente um contexto de interlocução.

A partir da experiência das edições anteriores do curso de coescrita, foi destacado que o uso da IA, inicialmente mais associado à literatura, narrativa e experimentação estética, passou a mostrar grande potencial para a pesquisa acadêmica.

Nesse ponto, a portaria do CNPq sobre integridade em pesquisa foi mencionada como um marco importante, pois oferece algum norte institucional para pensar o uso acadêmico da IA. O universo universitário ainda aparece como um campo de dúvidas, desinformação e insegurança, tanto entre alunos quanto entre professores, pesquisadores e estruturas administrativas.

4. Flusser, escrita e pós-história

Um dos blocos teóricos centrais da aula foi dedicado a Vilém Flusser, especialmente ao livro A escrita. A partir dessa obra, foi apresentada a ideia de que a escrita não é apenas um conteúdo, mas um gesto: escrever envolve corpo, superfície, linearidade, memória e organização do pensamento.

Flusser aparece como um pensador particularmente atual porque, ainda em 1989, já discutia a possibilidade de “máquinas de escrita pensante”. A aula mostrou como essa intuição se conecta ao presente, em que modelos de linguagem participam de processos de escrita, organização textual, tradução, síntese e criação.

A discussão levou à noção de pós-história. Em Flusser, esse conceito não significa simplesmente o fim da história, mas a passagem de uma cultura centrada na escrita linear para outra forma de organização simbólica, mais ligada às imagens técnicas, aos códigos, aos aparelhos e aos programas.

A oposição entre escrita e oralidade foi usada para ilustrar essa mudança. Ler um texto é seguir uma linha. Falar, por outro lado, pode manter coerência sem seguir a mesma linearidade. A oralidade pode juntar temas, tons, desvios e ênfases de forma menos sequencial. As mensagens de áudio no WhatsApp foram usadas como exemplo cotidiano dessa transformação: certas coisas são mais facilmente ditas do que escritas.

A IA entra como uma nova camada dessa transformação. Ela permite gravar aulas, reuniões e palestras, transcrever esse material e reorganizá-lo em textos, resumos, mapas conceituais e projetos. Com isso, práticas de oralidade, escrita e memória começam a se misturar.

5. Memória persistente, contexto e curadoria

Outro ponto importante foi a ideia de que, com os modelos de linguagem, a relação entre usuário e IA vai sendo calibrada ao longo do tempo. A IA “educa” o usuário e o usuário “educa” a IA, no sentido de que a interação vai criando padrões, preferências, recorrências temáticas e modos narrativos.

A memória persistente e os projetos permitem que o modelo reconheça etapas anteriores de um trabalho, estilos de escrita, temas de pesquisa e caminhos argumentativos. Isso pode ser muito produtivo em um mundo saturado de informação.

Mas esse aumento de produtividade também gera um novo problema: a IA produz muito material, e esse material precisa ser lido, filtrado, revisado e avaliado. Por isso, o trabalho com IA exige curadoria intelectual. O pesquisador precisa reconhecer quando a IA abre um caminho interessante e quando ela conduz a uma direção fraca, imprecisa ou inadequada.

6. Dieta midiática e gestão da atenção

A aula trouxe uma pausa importante sobre o cuidado com a atenção. O uso intenso de IA foi relacionado a um problema mais amplo: vivemos em um ambiente de excesso informacional.

Foi apresentada a ideia de uma “dieta midiática”: reduzir a exposição às timelines, evitar a dispersão constante das redes sociais, concentrar a entrada de informação em fontes mais filtradas, como jornais, e criar práticas de equilíbrio.

A meditação foi mencionada como uma experiência pessoal de cuidado com a atenção, mas a recomendação foi mais ampla: cada pessoa precisa encontrar formas de pausa, desconexão e recomposição — seja por meditação, caminhada, atividade física, praia, cachoeira ou outro tipo de prática.

A metáfora do fármaco foi usada: a tecnologia pode funcionar como remédio, mas o excesso pode virar veneno. A IA, portanto, deve ser usada com dose, ritmo e consciência.

7. Debate com os alunos: escrever com IA ou pesquisar com IA?

Uma participante destacou que veio ao curso não necessariamente para entregar a escrita à IA, mas para compreender como a IA pode ajudar na pesquisa. Ela afirmou gostar do artesanato da escrita, da tela em branco, da construção do parágrafo e do trabalho autoral.

Esse comentário abriu uma distinção importante: há pessoas que gostam de escrever e há pessoas que precisam escrever. Para algumas, a IA pode ajudar na clareza, na organização didática, na revisão e na ampliação de argumentos. Para outras, a escrita continua sendo uma prática subjetiva, artesanal e prazerosa.

A resposta da aula foi acolher essa diferença. A IA não precisa ocupar o mesmo lugar para todos. Ela pode ser usada para encontrar bibliografia, localizar casos, organizar materiais, traduzir textos, revisar escopos e ajudar na leitura, sem necessariamente substituir o momento autoral da escrita.

8. Da perspectiva mecanicista à perspectiva recursiva

A aula introduziu uma distinção conceitual importante: estamos saindo de uma perspectiva mais mecanicista para uma perspectiva mais recursiva.

Em uma visão mecanicista, espera-se que a ferramenta obedeça diretamente ao comando: o usuário pede algo, a máquina entrega exatamente aquilo. Mas os modelos generativos funcionam de modo diferente. Eles variam, reinterpretam, completam, desviam, propõem caminhos e exigem ajustes contínuos.

Essa dimensão foi relacionada a Yuk Hui e à ideia de recursividade. A interação com IA não é linear: envolve tentativa, erro, reorientação, retorno, ajuste e nova tentativa. Por isso, a aula reforçou que a frustração com a IA muitas vezes vem da expectativa errada de que ela deveria funcionar como uma máquina determinística.

9. Alucinação como problema e como possibilidade

A aula tratou também das chamadas “alucinações” da IA. Em contextos de saúde, direito, ciência e decisão institucional, elas são perigosas, pois podem produzir informações falsas com aparência de autoridade.

Mas foi apresentada uma leitura mais complexa: em campos criativos, a alucinação pode aparecer como invenção, deslocamento ou abertura narrativa. Em literatura, por exemplo, respostas inesperadas podem gerar caminhos de criação.

Ainda assim, no campo acadêmico, a aula insistiu na necessidade de verificação. A IA não deve ser tomada como fonte final. Ela pode ajudar a formular hipóteses, encontrar relações e sugerir caminhos, mas precisa ser confrontada com fontes, textos, dados e critérios de pesquisa.

10. Metarreflexão: GPTs customizados como “índices remissivos recursivos”

O centro prático da aula foi a demonstração dos GPTs customizados. A ideia apresentada foi criar um modelo alimentado com livros, artigos ou materiais de um autor, para que ele responda com base naquele corpus.

Esse procedimento foi chamado de metarreflexão. A IA não deve “fingir ser Freud”, “fingir ser Nietzsche” ou simular a personalidade de um autor. O objetivo não é teatralizar o autor, mas criar uma camada de leitura sobre sua obra.

A fórmula apresentada foi muito boa:

Um GPT customizado pode funcionar como um índice remissivo recursivo.

Ou seja, em vez de apenas procurar uma palavra no índice de um livro, o pesquisador pode conversar com o corpus: perguntar por conceitos, relações, tensões, fases da obra, diferenças entre livros e possíveis aplicações a fenômenos contemporâneos.

11. RAG: explicação didática

A aula aproximou essa prática da ideia de RAG, sigla de Retrieval-Augmented Generation, ou geração aumentada por recuperação.

Em termos simples, RAG é uma técnica em que o modelo não responde apenas com base no treinamento geral, mas consulta uma base específica de documentos fornecida pelo usuário. No caso da aula, essa base pode ser composta por livros, artigos, capítulos ou materiais de um autor.

Assim, em vez de perguntar “o que é pós-história?” para um modelo genérico, pode-se perguntar a um GPT alimentado com obras de Flusser. A resposta tenderá a se orientar por aquele conjunto documental.

A recomendação metodológica foi evitar misturar muitos autores em um mesmo GPT. Para maior consistência, é melhor criar GPTs por autor, por livro ou por fase de autor. No caso de autores com fases muito distintas, como Wittgenstein ou Latour, pode ser interessante criar modelos separados.

12. Demonstração prática: Flusser e Simondon

Na demonstração, foi mostrado um GPT baseado em Flusser. Ao perguntar sobre pós-história, o modelo respondeu a partir da obra do autor, articulando escrita, imagens técnicas, programas, aparelhos e liberdade.

Depois, foi demonstrado o processo de criação de um GPT sobre Gilbert Simondon. A aula mostrou o caminho: acessar a área de GPTs, criar um novo GPT, definir seu objetivo, subir um PDF, orientar o modelo a responder com base naquele material e configurar o compartilhamento.

A partir disso, o GPT foi usado para explicar o conceito de individuação. Depois, o modelo foi provocado com uma questão mais interpretativa: se a individuação poderia ser pensada como uma forma de animismo. A resposta exigia cruzar Simondon com outras referências, mostrando como a IA pode ajudar a explorar hipóteses teóricas sem substituir a revisão crítica do pesquisador.

Experimente conversar com o GPTs Flusseriana – https://chatgpt.com/g/g-Kywx5YrPT-flusseriana

13. GPTs customizados, projetos e NotebookLM

Uma pergunta importante feita durante a aula foi sobre a diferença entre criar um GPT customizado e montar um projeto.

A resposta indicou que os projetos são práticos para organizar materiais próprios, pesquisas em andamento, livros específicos, capítulos e tarefas pessoais. Eles são úteis quando o pesquisador quer trabalhar com um conjunto de documentos sem necessariamente compartilhar esse ambiente com outras pessoas.

Já os GPTs customizados têm a vantagem de poderem ser mais individualizados e compartilháveis. Podem funcionar como tutores, guias de estudo, modelos baseados em autores ou assistentes especializados em determinado corpus.

A aula destacou que não há ainda uma resposta definitiva sobre qual opção é melhor. O campo está em construção. A escolha depende do objetivo: uso pessoal, compartilhamento com alunos, criação de tutor, organização de pesquisa, estudo de autor ou leitura de um corpus específico.

O NotebookLM também apareceu como ferramenta próxima dessa lógica, embora a aula tenha destacado que a experiência principal do curso está sendo feita com o ChatGPT.

14. Possibilidades pedagógicas: tutores de disciplina

Uma aplicação importante discutida foi a criação de GPTs como tutores de componentes curriculares. A ideia é alimentar um GPT com ementa, textos, artigos e materiais de uma disciplina, configurando-o para ajudar os estudantes a estudar aquele conteúdo.

Esse tutor não substituiria o professor, mas poderia funcionar como apoio para leitura, revisão, perguntas, explicações e aprofundamento. A aula também apontou desafios: como compartilhar com os alunos, como verificar a qualidade das respostas, como orientar o uso e como lidar com turmas grandes.

A recomendação foi testar com cuidado, preferencialmente em contextos menores ou controlados, antes de disponibilizar amplamente.

15. Velocidades e modos de resposta do modelo

Na parte final, foi demonstrada a diferença entre respostas mais rápidas e respostas mais reflexivas. O modelo pode responder de forma instantânea ou pode ser configurado para “pensar” mais antes de responder.

Esse recurso é útil em perguntas conceituais complexas, cruzamentos teóricos, análise de documentos e temas polêmicos. Em uma pergunta simples, talvez não seja necessário. Mas em questões de pesquisa, o modo mais reflexivo pode melhorar a qualidade da resposta, reduzir incoerências e explicitar melhor o caminho argumentativo.

Também foi mostrada a possibilidade de visualizar parte do processo de decisão do modelo, acompanhando fontes consultadas, etapas de busca e referências usadas.

16. Pesquisa aprofundada

Outro recurso apresentado foi a pesquisa aprofundada. Ela permite que o modelo faça uma investigação mais longa, varrendo fontes, artigos, páginas e bancos de dados.

A aula alertou, porém, que esse recurso pode produzir muito material e exigir bastante tempo de revisão. Por isso, deve ser usado quando a pergunta realmente justificar uma investigação mais ampla. A pesquisa aprofundada pode ser poderosa, mas também aumenta a carga de curadoria intelectual.

17. Tradução com IA

A aula também trouxe orientações práticas sobre tradução. A IA pode ser muito boa para traduzir textos entre línguas de ampla circulação, especialmente textos jornalísticos, acadêmicos ou objetivos.

Mas há cuidados importantes:

1. Não mandar textos muito longos de uma vez.
2. Dividir o material em partes pequenas, como duas páginas por vez.
3. Explicar antes o objetivo da tradução.
4. Pedir explicitamente para não resumir.
5. Pedir uma tradução fiel, profissional e sem recriação.
6. Revisar termos técnicos, conceitos consolidados e escolhas terminológicas.

Foi destacado que a IA tende, em alguns casos, a resumir quando recebe textos longos. Por isso, é preciso calibrar o comando e verificar o resultado. Em textos literários, regionais, poéticos ou com forte marca estilística, a tradução automática tende a ser mais problemática.

18. Cuidados éticos e limites

A aula também tocou em temas sensíveis ligados ao uso social da IA: simulação de pessoas falecidas, uso como conselheiro emocional, criação de personagens, relações afetivas com modelos e riscos de plataformas sem salvaguardas adequadas.

O ponto principal foi que a IA já está sendo usada para muito mais do que escrita acadêmica. Ela aparece em aconselhamento, companhia, geração de imagens, robótica, medicina, guerra, programação e diversas outras áreas.

Por isso, o curso delimitou seu escopo: o foco aqui é a IA como auxiliar de pesquisa, reflexão, leitura, escrita e organização do conhecimento, sem perder de vista que esse universo é muito mais amplo e exige atenção ética.

19. Encaminhamento para a próxima aula

A aula terminou com uma proposta prática: os participantes deveriam experimentar os recursos discutidos ao longo do fim de semana. A ideia era que cada um trouxesse, na aula seguinte, experiências concretas de uso da IA em seus próprios projetos de pesquisa.

O objetivo da próxima etapa seria olhar para aplicações reais: como cada participante está usando ou pode usar IA em seu cotidiano acadêmico, que dificuldades aparecem, que soluções são possíveis e que caminhos metodológicos podem ser construídos coletivamente.

Síntese final

A segunda aula consolidou a passagem da discussão geral sobre IA para uma metodologia de uso acadêmico mais precisa. O eixo principal foi a ideia de que pesquisar com IA exige construir contexto, calibrar modelos, revisar respostas, cuidar da atenção e transformar a IA em parceira de leitura e reflexão.

A noção mais forte da aula foi a de metarreflexão: usar modelos customizados, projetos e bases documentais para conversar com autores, livros, artigos e conceitos. Nesse sentido, a IA não aparece como substituta da pesquisa, mas como uma nova camada de mediação intelectual — um índice remissivo recursivo, capaz de ampliar formas de leitura, comparação, tradução, organização e problematização.

Abaixo estão os slides gerados com o GPT. Ainda não fiz uma revisão final do material, então podem conter ajustes a serem feitos. Estou compartilhando aqui apenas como complemento à aula e apoio para o acompanhamento dos conteúdos.

Continue neste percurso

Anterior: Aula 1 — Pesquisar com IA é construir contexto

Próxima: Aula 3 — Coescrita, meta-reflexão e co-inteligência

Veja o curso e suas edições ou explore todas as aulas e materiais.

Curso: Coescrita e Pesquisa Acadêmica com IA
Aula 1 — 28/04/2026

Este resumo foi elaborado a partir da transcrição da primeira aula do curso, realizada em formato síncrono, com apresentação dos participantes, contextualização conceitual e demonstrações práticas de uso da IA em processos de pesquisa acadêmica.

Coescrito com IA por Andre Stangl.

1. Abertura da aula e organização inicial

A aula começou com uma breve ambientação técnica. Foi explicado que o encontro estava sendo realizado pela plataforma Sympla, com sala do Zoom integrada, e que a gravação seria disponibilizada posteriormente aos participantes. Também foi reforçada a importância do grupo de WhatsApp como espaço de apoio, comunicação rápida e acompanhamento do curso.

Desde o início, ficou claro que a proposta do curso não seria apenas expositiva. A intenção era criar um espaço de troca, experimentação e reflexão coletiva. A turma, com cerca de 21 inscritos, foi apresentada como um grupo diverso, composto por professores, pesquisadores, estudantes de pós-graduação, profissionais da saúde, da educação, da comunicação, da nutrição, da psicanálise, da edição de livros e de áreas ligadas à cultura digital.

A apresentação dos participantes foi importante para mapear expectativas. Entre os interesses mencionados apareceram:

• uso da IA na orientação de mestrado e doutorado;
• apoio à pesquisa qualitativa e quantitativa;
• escrita acadêmica;
• revisão de textos;
• leitura de artigos em inglês;
• jornalismo investigativo;
• saúde digital;
• educação e letramento em IA;
• uso crítico, ético e autoral da IA;
• preocupação com confiabilidade, limites e normatização.

Esse momento ajudou a configurar o curso como um espaço interdisciplinar, não centrado apenas em aspectos técnicos, mas também em implicações epistemológicas, pedagógicas e institucionais do uso da inteligência artificial na pesquisa.

2. O primeiro deslocamento conceitual: IA não é apenas “ferramenta”

Um dos primeiros pontos conceituais da aula foi a problematização da expressão “usar IA”. A ideia central apresentada foi que essa formulação pode ser limitada, porque pressupõe uma relação instrumental simples: o usuário dá um comando e a máquina executa uma tarefa.

A aula propôs deslocar essa visão mecanicista para uma compreensão mais recursiva e dialógica da relação com os modelos de linguagem. Em vez de pensar a IA apenas como uma ferramenta externa, é mais produtivo entendê-la como parte de uma nova ecologia cognitiva.

A comparação com outras tecnologias de organização da informação foi central. A escrita, por exemplo, também é uma tecnologia. No entanto, ela foi tão profundamente incorporada às práticas de conhecimento que deixou de ser percebida como algo externo. Ninguém, ao escrever um artigo ou organizar uma pesquisa, pensa explicitamente: “agora vou usar a tecnologia da escrita”. A escrita já faz parte do próprio modo como entendemos a produção acadêmica.

O mesmo raciocínio foi estendido à oralidade. Embora possa parecer estranho chamar a fala de tecnologia, ela também organiza memória, conhecimento, transmissão cultural e formas de pensamento. Essa observação permitiu ampliar o debate para além da tradição ocidental escrita, reconhecendo a importância de formas orais de produção e circulação do conhecimento, especialmente em povos tradicionais e comunidades indígenas.

A partir disso, a IA foi situada numa longa história das tecnologias cognitivas: oralidade, escrita, imprensa, tecnologias eletrônicas, tecnologias digitais e, agora, modelos generativos. A IA não surgiu do nada, nem pertence exclusivamente às big techs. Ela é resultado de décadas de pesquisa em cibernética, computação, linguagem, estatística, matemática e inteligência artificial, envolvendo universidades, pesquisadores e centros de pesquisa desde meados do século XX.

3. IA como mudança na ecologia cognitiva

A aula propôs compreender a inteligência artificial generativa como uma transformação comparável, em certa medida, à escrita ou à imprensa. Essa comparação não significa dizer que todas essas tecnologias são iguais, mas reconhecer que elas reorganizam as condições de produção, circulação e validação do conhecimento.

No caso da IA, a mudança aparece especialmente na escrita, na leitura, na busca, na organização de informações e na relação com conceitos. O professor apresentou sua experiência pessoal com a IA desde dezembro de 2022, destacando que a prática cotidiana de escrita e pesquisa foi profundamente modificada.

Nesse ponto, apareceu a noção de coescrita: a IA não substitui simplesmente o pesquisador, mas participa de um processo de formulação, reformulação, revisão e organização das ideias. Essa participação pode ser produtiva, mas também exige critério, supervisão e consciência dos riscos.

A aula também destacou que os modelos estão mudando rapidamente. O que hoje parece uma funcionalidade avançada pode se tornar comum em poucos meses. Por isso, o curso foi apresentado como uma experiência situada em um campo instável, em permanente transformação.

4. Pesquisa com IA como construção de contexto

O eixo central da aula foi a ideia de que pesquisar com IA é construir contexto.

O modelo não responde apenas à pergunta isolada. A qualidade da resposta depende do contexto que o usuário fornece: textos, artigos, livros, objetivos, critérios, perguntas, exemplos, referências, estilo desejado e sucessivas correções.

A aula apresentou essa ideia como uma possível pedagogia do contexto. Esse conceito surgiu na própria interação com o modelo, a partir do material preparado para a aula. O ponto foi usado como exemplo de como a IA pode devolver ao pesquisador uma formulação nova, uma síntese ou uma expressão conceitual que não estava previamente nomeada, mas estava implícita no processo.

A partir disso, foi feita uma distinção importante:

• pesquisar com IA não é apenas buscar respostas;
• pesquisar com IA é estabilizar contextos progressivamente;
• o contexto não é dado de uma vez;
• ele é construído, negociado, corrigido e refinado.

Essa noção é decisiva para diferenciar o uso acadêmico da IA de um uso mais superficial, semelhante ao uso de um buscador. Muitas pessoas ainda interagem com o ChatGPT ou outros modelos como se estivessem diante de um “Google melhorado”. Mas a proposta da aula foi mostrar que os modelos de linguagem podem operar de forma mais rica quando são tratados como ambientes de construção progressiva de sentido.

5. Prompt: menos fórmula mágica, mais início de conversa

Outro ponto importante foi a relativização da “engenharia de prompt” como algo excessivamente técnico ou misterioso. A aula reconheceu que bons prompts ajudam, mas criticou a ideia de que seria necessário dominar fórmulas complexas para começar a usar IA em pesquisa.

O prompt foi apresentado como uma pergunta inicial, um gesto de abertura do contexto. Ele pode ser simples. O mais importante é compreender que a interação não termina na primeira resposta. O pesquisador pode pedir esclarecimentos, corrigir, aprofundar, solicitar reformulações, pedir que o próprio modelo melhore a pergunta ou ajude a estruturar a investigação.

Assim, o prompt não é uma chave mágica. Ele é o início de uma conversa orientada.

O professor mostrou que costuma começar uma interação de várias formas:

• colando uma reportagem;
• subindo um artigo em PDF;
• apresentando uma questão de pesquisa;
• pedindo uma estrutura inicial;
• solicitando resumo, análise ou comparação;
• pedindo ao modelo que ajude a organizar um caminho de investigação.

O valor não está apenas no comando inicial, mas na sequência de interações que vai refinando o campo de trabalho.

6. Projetos, pastas e contextos persistentes

A aula apresentou a função de Projetos no ChatGPT como uma segunda camada importante da construção de contexto. A ideia foi explicar que uma conversa isolada tem limites. Com o tempo, uma conversa longa pode ficar confusa, pesada ou menos precisa, porque há limites de contexto e de processamento.

Os projetos funcionam como “pastas de contexto”. Eles permitem organizar materiais, conversas e arquivos relacionados a um mesmo tema, autor, curso, pesquisa ou livro.

Foi dado o exemplo de um projeto dedicado à releitura de Umberto Eco, especialmente o livro Como se faz uma tese. Nesse caso, o professor mostrou como é possível subir o PDF de um livro, pedir uma estrutura detalhada da obra e depois abrir conversas específicas para cada capítulo ou seção.

Essa prática foi apresentada como uma forma de coleitura ou de fichamento ampliado. A IA não substitui a leitura do livro, mas pode ajudar a:

• mapear a estrutura geral da obra;
• identificar capítulos relevantes;
• produzir uma primeira aproximação;
• organizar fichamentos;
• formular perguntas;
• comparar trechos;
• apoiar a decisão sobre quais partes merecem leitura mais detida.

Também foi feita uma observação técnica importante: a qualidade do PDF importa. Arquivos compostos apenas por imagens, sem texto selecionável, dificultam o trabalho do modelo. Nesses casos, pode ser necessário OCR, e a chance de erro aumenta. Para a IA trabalhar melhor, o ideal é usar PDFs com texto reconhecível e selecionável.

7. A conta como infraestrutura cognitiva

A aula também discutiu a diferença entre usar versões gratuitas e pagas dos modelos. O professor explicou que seus experimentos estão concentrados principalmente na versão paga do ChatGPT, porque ela oferece mais continuidade, mais recursos e menos interrupções.

Mas o ponto principal não foi fazer propaganda de uma ferramenta específica. A questão foi mostrar que a conta, o histórico, os projetos e a memória formam uma espécie de infraestrutura cognitiva. Quanto mais o pesquisador interage com o modelo, mais o modelo aprende sobre seu estilo, seus temas, suas preferências e suas demandas recorrentes.

Isso levou a uma ideia importante: o usuário também “educa” o modelo, ao mesmo tempo em que aprende a interagir melhor com ele. A relação é recursiva. O modelo vai se ajustando ao usuário, e o usuário vai aprendendo como orientar, corrigir e explorar o modelo.

Essa personalização pode ser útil, mas também pode gerar problemas. O modelo pode, por exemplo, insistir em relacionar qualquer tema aos autores que o usuário costuma pesquisar. No caso do professor, foram mencionados autores como Yuk Hui, Bruno Latour, McLuhan e Flusser. Isso pode ser produtivo em alguns contextos, mas inadequado em outros.

8. Memória, personalização e estilo

Na parte prática, foi demonstrada a área de configurações do ChatGPT, especialmente os recursos de personalização e memória. A aula mostrou que é possível ajustar o tom do modelo, definindo se ele deve ser mais profissional, amigável, direto, eficiente, criativo ou informal.

Também foi demonstrado como uma memória pode ser salva e apagada. O exemplo usado foi simples: o professor escreveu “sou baiano, memorize isso”, mostrou que a memória foi registrada e depois explicou que ela poderia ser excluída.

A memória foi apresentada como um dos elementos mais importantes da relação com a IA, porque ela cria continuidade entre interações. Mas essa continuidade exige cuidado. O usuário precisa saber que certas informações podem ser armazenadas, revisadas ou apagadas.

A discussão sobre estilo também apareceu a partir de uma pergunta de participante. Foi perguntado como manter o estilo pessoal em textos gerados ou revisados com IA. A resposta indicou que é possível pedir explicitamente ao modelo para preservar o estilo, manter expressões, conservar a estrutura argumentativa e apenas melhorar clareza, coesão ou fluidez.

Ao mesmo tempo, o professor explicou que, em seus textos jornalísticos e de divulgação científica, muitas vezes deseja justamente uma linguagem mais acessível, menos acadêmica e menos hermética. Nesse caso, a IA ajuda a traduzir debates complexos para um público mais amplo.

9. Oralidade, transcrição e nova escrita

Um tema importante da aula foi a relação entre IA, oralidade e escrita. O professor explicou que tem usado gravações, transcrições e modelos de linguagem para transformar falas, aulas e encontros em resumos expandidos, textos reflexivos ou materiais de apoio.

Esse procedimento foi apresentado como uma mudança importante na prática de escrita. Em vez de começar sempre diante da página em branco, o pesquisador pode falar, gravar, transcrever e depois trabalhar o texto com a IA.

Isso permite reaproveitar a experiência oral como matéria-prima da escrita. A aula sugeriu que essa mudança pode reativar dimensões da cognição ligadas à fala, à improvisação, à conversa e à elaboração progressiva das ideias.

Essa discussão dialogou com a crítica à centralidade exclusiva da escrita acadêmica tradicional e abriu espaço para pensar outras formas de produção do conhecimento.

10. Modelos diferentes, usos diferentes

Embora o foco da aula tenha sido o ChatGPT, também foram mencionados outros modelos e plataformas, como Gemini, Claude, DeepSeek e NotebookLM.

A ideia apresentada foi que não existe uma única ferramenta definitiva. Cada modelo pode ter pontos fortes diferentes:

• ChatGPT: muito usado pelo professor para coescrita, organização textual e construção de contexto;
• Gemini/NotebookLM: mais voltado a experiências multimodais, como áudio, imagem, vídeo, podcast e organização de fontes;
• Claude: citado como modelo com boa qualidade textual em certos contextos;
• DeepSeek: mencionado como útil em alguns temas ligados à China ou a bases de dados chinesas.

Também foi comentada a possibilidade de usar um modelo para melhorar o prompt a ser usado em outro. Essa prática mostra que a pesquisa com IA pode envolver uma ecologia de modelos, e não apenas uma plataforma isolada.

11. Ética, transparência e normatização acadêmica

Uma parte significativa da aula foi dedicada à questão ética e normativa. Foi discutido que o ambiente acadêmico ainda está tentando entender como lidar com o uso de IA.

A aula mencionou a recente política de integridade científica do CNPq como um sinal de que o debate está avançando, mas ainda há muitas incertezas. Uma das questões levantadas foi a dificuldade de relatar detalhadamente todo o processo de uso da IA. Em trabalhos complexos, uma coluna, artigo ou parecer pode envolver dezenas de interações, versões e reformulações. Relatar todos os prompts seria, em alguns casos, quase produzir outro documento.

Por isso, foi sugerido que a transparência talvez precise ser pensada em níveis. Em alguns casos, basta declarar que a IA foi usada para revisão, tradução, organização bibliográfica ou apoio à estruturação. Em outros, quando a IA participa mais diretamente da formulação de conceitos ou argumentos, a situação se torna mais complexa.

O professor também comentou sua própria experiência com textos coescritos, colunas jornalísticas e artigos acadêmicos. Foi destacada a diferença entre assumir publicamente o uso da IA e ocultar essa participação. No jornalismo, por exemplo, esse tema tem gerado reações fortes de leitores e profissionais.

12. IA, pareceres e crise do sistema acadêmico

A discussão ética se aprofundou quando surgiu o tema dos pareceres acadêmicos. Um participante relatou que alguns periódicos internacionais já perguntam aos pareceristas se usaram modelos de IA em suas avaliações. Outro mencionou que periódicos como Cadernos de Saúde Pública orientam explicitamente que artigos submetidos para parecer não sejam colocados em modelos de linguagem.

A aula reconheceu a importância dessa preocupação, especialmente quando se trata de material inédito, sigiloso ou sensível. Ao mesmo tempo, foi feita uma crítica à ideia de proibição absoluta, pois a IA pode ser uma auxiliar poderosa na leitura, análise e elaboração de pareceres.

A posição apresentada foi pragmática: quando solicitado a fazer pareceres, o professor informa que usa IA como apoio. Se a revista ou organização não aceitar, pode buscar outro parecerista. A IA não substitui a leitura humana, mas pode ajudar a organizar critérios, comparar argumentos, verificar coerência e produzir uma avaliação mais estruturada.

Esse ponto levou a uma reflexão mais ampla: o sistema de periódicos acadêmicos já está em crise, pressionado pelo produtivismo, pelo excesso de submissões e pela dificuldade de conseguir pareceristas. A IA tende a intensificar essa crise, mas também pode revelar problemas que já existiam.

13. Dados, segurança e privacidade

A aula também abordou a questão dos dados. Foi feita uma distinção entre usos mais abertos e usos envolvendo informações sensíveis.

O professor explicou que, em sua própria prática, a maior parte das interações com IA envolve temas que poderiam estar publicamente disponíveis: debates acadêmicos, textos, conceitos, colunas, pesquisas e experimentos. No entanto, quando se trata de dados de saúde, informações pessoais, patentes, documentos sigilosos ou avaliações inéditas, o cuidado precisa ser muito maior.

Foi mencionado que empresas oferecem planos com maior controle de dados, especialmente para usos corporativos ou áreas sensíveis. Também foi discutido que modelos locais, rodando no próprio computador, podem se tornar uma alternativa importante no futuro, ainda que hoje tenham limitações em relação aos modelos de fronteira.

Nesse ponto, a aula apontou para um horizonte possível: cada pesquisador ou grupo de pesquisa poderá, no futuro, ter seus próprios modelos locais, treinados ou alimentados com bases específicas, sem depender integralmente de grandes plataformas em nuvem.

14. Encaminhamento final da aula

Ao final, a aula retomou o caráter experimental do curso. A primeira aula funcionou como uma introdução conceitual e prática, preparando o terreno para os próximos encontros.

Os principais aprendizados foram:

1. A IA não deve ser compreendida apenas como ferramenta mecânica.
2. A pesquisa com IA depende da construção progressiva de contexto.
3. O prompt é apenas o início de uma interação, não uma fórmula definitiva.
4. Projetos, arquivos e memória permitem criar contextos mais persistentes.
5. A coescrita com IA exige revisão, critério e responsabilidade autoral.
6. A transparência sobre o uso da IA ainda está em processo de normatização.
7. A IA transforma não apenas a escrita, mas também a leitura, a oralidade, os pareceres e a organização da pesquisa.
8. O campo está mudando rapidamente, exigindo acompanhamento contínuo e reflexão crítica.

A aula terminou com o compromisso de disponibilizar a gravação e os materiais de apoio, além de continuar a conversa no grupo de WhatsApp. O próximo encontro foi anunciado como continuidade da jornada, com aprofundamento das práticas de pesquisa, coescrita e meta-reflexão com IA.

Abaixo estão os slides gerados com o GPT. Ainda não fiz uma revisão final do material, então podem conter ajustes a serem feitos. Estou compartilhando aqui apenas como complemento à aula e apoio para o acompanhamento dos conteúdos.

Continue neste percurso

Próxima: Aula 2 — Coescrita, coleitura e pesquisa com IA

Veja o curso e suas edições ou explore todas as aulas e materiais.