Ciência, julgamento e responsabilidade em uma era de abundância

Em 1846, Ignaz Semmelweis era um jovem médico húngaro trabalhando como assistente na Primeira Clínica Obstétrica do Hospital Geral de Viena. A clínica era dividida em duas alas: a Primeira Clínica, atendida por médicos e estudantes de medicina, e a Segunda Clínica, atendida por parteiras. A distribuição de pacientes entre as duas alas era determinada pelo dia da semana em que chegavam ao hospital — um critério arbitrário que, na prática, funcionava como uma randomização não intencional. As mulheres sabiam disso, e temiam a Primeira Clínica. Algumas suplicavam aos funcionários do hospital que as transferissem. Preferiam dar à luz nas ruas a serem admitidas na ala dos médicos.

A razão era concreta e mensurável. A mortalidade por febre puerperal na Primeira Clínica era de 10 a 18%, dependendo do período. Na Segunda Clínica, atendida pelas parteiras, a mortalidade raramente ultrapassava 4%. A diferença era conhecida, debatida e inexplicada. Havia teorias — ventilação inadequada, influências atmosféricas, distúrbios emocionais causados pela presença de clérigos que passavam pelas enfermarias administrando últimos sacramentos. Nenhuma explicava de forma satisfatória por que parteiras sem formação médica produziam consistentemente resultados superiores aos dos médicos treinados.

Em março de 1847, Jakob Kolletschka — professor de medicina legal e colega próximo de Semmelweis — morreu de uma infecção sistêmica após ser acidentalmente perfurado por um bisturi de um estudante durante uma autópsia. O laudo necroscópico descreveu lesões idênticas às encontradas em pacientes que morriam de febre puerperal. A observação foi, para Semmelweis, uma revelação: médicos e estudantes de medicina frequentemente passavam diretamente das salas de autópsia para as salas de parto, sem qualquer procedimento de descontaminação entre as duas atividades. As parteiras não realizavam autópsias. Essa era a diferença.

Semmelweis formulou a hipótese de que partículas cadavéricas transportadas nas mãos dos médicos causavam a febre puerperal. A hipótese não tinha mecanismo explicativo satisfatório — a teoria dos germes ainda não havia sido estabelecida por Koch e Pasteur. Mas a intervenção proposta era simples e testável: lavar as mãos com solução de cloreto de cal antes de examinar pacientes. Os resultados foram imediatos. Em 1847, o mês seguinte à introdução da lavagem das mãos obrigatória na Primeira Clínica, a mortalidade caiu de 18,3% para 1,9%. Em 1848, a taxa foi de 1,27% — comparável à da Segunda Clínica e inferior a vários outros hospitais europeus.

A evidência era clara, documentada e reproduzível. A resposta da comunidade médica foi, em grande medida, de rejeição. O médico e cientista Karl Braun, sucessor de Semmelweis na Primeira Clínica, propôs 30 explicações alternativas para a febre puerperal — todas menos a contaminação por partículas cadavéricas. Johann Klein, diretor da clínica e superior hierárquico de Semmelweis, nunca apoiou publicamente as descobertas. O professor Scanzoni de Würzburg rejeitou explicitamente a hipótese. Carl Edvard Marius Levy, obstetra dinamarquês influente, escreveu uma refutação extensa.

As razões da resistência eram múltiplas e, até certo ponto, compreensíveis no contexto intelectual da época. A ausência de um mecanismo explicativo — de uma teoria que conectasse as partículas cadavéricas ao processo infeccioso — tornava a hipótese difícil de defender perante uma comunidade científica que valorizava explicações causais. Mas havia também dimensões menos epistemológicas e mais institucionais. Aceitar a hipótese de Semmelweis significava aceitar que os próprios médicos — treinados, credenciados, respeitados — estavam transmitindo a doença às pacientes que atendiam. Significava admitir responsabilidade profissional por mortes que, sob outras interpretações, poderiam ser atribuídas a fatores impessoais. A identidade profissional e a proteção da autoridade médica estavam implicitamente em jogo na rejeição das evidências.

Semmelweis não conseguiu convencer seus contemporâneos. Publicou sua obra principal em 1861 — catorze anos após a descoberta. Em 1865, foi internado em um asilo psiquiátrico em Viena, onde morreu duas semanas depois, possivelmente de uma infecção. A teoria dos germes, estabelecida por Pasteur e Koch nos anos seguintes, finalmente forneceu o mecanismo que havia faltado à hipótese de Semmelweis. O reconhecimento retroativo veio décadas depois da morte.

O caso de Semmelweis não é, como é frequentemente invocado, simplesmente um exemplo de adoção lenta de evidências. É um caso de falha coletiva de julgamento e responsabilidade diante de dados que ameaçavam interesses institucionais, identidades profissionais e estruturas de autoridade estabelecidas. As evidências estavam disponíveis. A intervenção era simples, barata e sem risco. A razão para a não adoção não era epistêmica — era fundamentalmente social e psicológica.

A ligação com a era da inteligência artificial é mais do que analógica. Em um ambiente de abundância informacional, a disponibilidade de dados não garante boa decisão. A disponibilidade de evidências não garante adoção. O que determina se o conhecimento produzido é utilizado para melhorar decisões é, em grande medida, a disposição dos atores relevantes de submeter suas práticas ao escrutínio da evidência — mesmo quando essa evidência é desconfortável, quando contradiz práticas estabelecidas, quando ameaça identidades profissionais ou quando implica responsabilidade por erros passados. Essa disposição é uma questão de julgamento e responsabilidade — e permanece irredutível a qualquer algoritmo.

Evidência sem julgamento

A abundância de evidências produz um paradoxo: mais evidência pode resultar em menos clareza. Quando múltiplos estudos apontam em direções diferentes, quando metanálises conflitam com ensaios clínicos individuais, quando revisões sistemáticas chegam a conclusões divergentes, a evidência não orienta a decisão automaticamente. É necessário julgamento para determinar qual evidência é mais confiável, mais relevante para a situação específica e mais apropriada para informar a decisão que precisa ser tomada. O crescimento da literatura de IA intensifica esse desafio: centenas de modelos para a mesma indicação clínica, com desempenhos variáveis em diferentes populações, validados em contextos diferentes, com métricas diferentes.

Julgamento sem responsabilidade

Julgamento isolado de responsabilidade é igualmente insuficiente. A responsabilidade científica tem dimensões múltiplas: responsabilidade metodológica (reportar adequadamente métodos, limitações, incertezas); responsabilidade epistêmica (não afirmar mais do que os dados suportam, não generalizar além do que foi demonstrado); responsabilidade social (considerar quem será afetado pelas conclusões divulgadas). Em um ambiente onde conteúdo pode ser gerado em escala e a autoria pode tornar-se mais difusa, a disposição de assumir responsabilidade real pelo que se publica torna-se, paradoxalmente, mais rara e mais valiosa.

A contribuição central da inteligência artificial

A principal contribuição da inteligência artificial para a ciência talvez não seja produzir mais conhecimento. É revelar, de forma mais nítida do que qualquer outra tecnologia anterior, que em um mundo de abundância informacional o recurso verdadeiramente escasso é o julgamento humano — e que nenhuma ferramenta, por mais poderosa que seja, pode substituí-lo como fundamento de uma ciência que mereça ser chamada de confiável. O pesquisador do futuro não será definido pela quantidade de tecnologia que utiliza. Será definido pela qualidade das escolhas que realiza — quais problemas perseguir, em quais evidências confiar, quais conclusões sustentar e quais responsabilidades assumir.

Responsabilidade científica na era da IA

Princípios práticos para pesquisadores que utilizam ferramentas de IA em suas atividades:

1. Declare o uso. Todo uso de ferramentas de IA na preparação de manuscritos, análises ou sínteses deve ser declarado. A Portaria CNPq 2664/2026 torna essa declaração obrigatória para toda pesquisa apoiada pelo CNPq. A ausência de declaração não é neutralidade — é omissão de informação relevante para a avaliação do trabalho.
2. Verifique o que foi gerado. Nenhuma afirmação científica gerada ou sugerida por modelo de IA deve ser publicada sem verificação independente da sua acurácia factual. Referências inexistentes, dados incorretos e interpretações equivocadas não são inertes — quando publicados, alimentam a literatura que outros pesquisadores utilizarão.
3. Assine pelo conteúdo, não pelo processo. Autoria científica implica responsabilidade pelo conhecimento publicado, independentemente de como ele foi produzido. O pesquisador que assina um artigo responde pelas conclusões — mesmo que parte do texto tenha sido auxiliada por ferramentas automatizadas.
4. Mantenha o ceticismo ativo. A fluência e a coerência do texto gerado por IA podem mascarar raciocínios circulares, generalizações inadequadas e inferências que os dados não suportam. Avaliar a solidez argumentativa do conteúdo gerado é responsabilidade do pesquisador — não da ferramenta.
5. Não insira projetos de terceiros em IA generativa. A Portaria CNPq 2664/2026 veda explicitamente a inserção de projetos de pesquisa de terceiros em ferramentas de IA generativa para elaboração de pareceres. Essa vedação protege a confidencialidade do processo de revisão por pares e a integridade dos autores avaliados.

Uma dimensão coletiva

O triângulo evidência–julgamento–responsabilidade tem uma implicação para a formação científica que é frequentemente negligenciada: a responsabilidade precisa ser ensinada explicitamente. Currículos de pós-graduação em medicina e ciências da saúde dedicam tempo considerável à metodologia e à estatística; dedicam muito menos tempo à ética da pesquisa no sentido amplo — não apenas ao cumprimento de normas regulatórias, mas à questão mais fundamental do que significa ser responsável pelo conhecimento que se produz e divulga. Em um ambiente onde ferramentas podem gerar conteúdo científico com aparência de rigor, e onde a tentação de usar essas ferramentas de forma que reduz o esforço intelectual sem reduzir a produção pode ser considerável, a formação explícita em responsabilidade científica torna-se uma necessidade educacional urgente.

Há uma dimensão coletiva da responsabilidade que o caso Semmelweis ilustra com clareza perturbadora: não foram apenas os indivíduos que rejeitaram a hipótese que fracassaram — foi a estrutura institucional que não tinha mecanismos para lidar com uma descoberta desconfortável de forma epistemicamente adequada. A lição não é apenas sobre a responsabilidade individual dos médicos que continuaram a transmitir infecção; é sobre a responsabilidade das instituições em criar as condições para que evidências difíceis possam ser avaliadas com rigor em vez de descartadas por conveniência. Em um ambiente de amplificação tecnológica, essa dimensão institucional torna-se ainda mais relevante: os mecanismos que as instituições científicas constroem para avaliar a qualidade e a integridade da pesquisa determinam, em larga medida, se a amplificação tecnológica é canalizada para melhorar a ciência ou para produzir mais da mesma ciência, apenas mais rapidamente.

A história de Semmelweis tem um epílogo que raramente é mencionado nas narrativas sobre adoção lenta de evidências: a resistência à sua hipótese não foi universal. James Young Simpson, obstetra escocês, havia proposto medidas similares de higiene nas salas de parto alguns anos antes, baseado em observações próprias. Oliver Wendell Holmes, nos Estados Unidos, havia publicado em 1843 um artigo argumentando que a febre puerperal era contagiosa e transmitida pelas mãos dos médicos. A evidência, na forma de observação clínica cuidadosa, estava sendo produzida em múltiplos lugares simultaneamente. O problema não era ausência de evidência — era ausência dos mecanismos institucionais para integrá-la, avaliá-la e agir com base nela. Esse epílogo é relevante porque sugere que a falha de Semmelweis foi principalmente uma falha de ecossistema científico, e não apenas uma falha de indivíduos específicos. Construir ecossistemas que facilitam a adoção de evidências desconfortáveis é uma das tarefas institucionais mais importantes da ciência contemporânea.

A relação entre abundância de dados e qualidade de decisões não é linear, e essa não linearidade tem implicações importantes para a ciência contemporânea. Abaixo de determinado limiar de dados, mais dados melhoram consistentemente a qualidade das inferências. Acima desse limiar, o benefício marginal de dados adicionais diminui, enquanto o custo de processar, avaliar e integrar mais informação cresce. Em algum ponto — que varia por área e por questão específica —, adicionar mais dados não melhora mais as decisões e pode até deteriorá-las ao introduzir ruído que obscurece o sinal. A economia da atenção científica descreve exatamente esse território: o ponto em que a produção de mais informação deixou de ser o principal gargalo da ciência e o julgamento sobre o que fazer com a informação existente se tornou o recurso limitante. Reconhecer que estamos nesse território — e que as competências mais valiosas não são aquelas que produzem mais informação, mas aquelas que selecionam, interpretam e priorizam informação — é o ponto de partida para a agenda do pesquisador amplificado.

Referências

1. Nuland SB. The Doctors’ Plague: Germs, Childbed Fever, and the Strange Story of Ignác Semmelweis. New York: W.W. Norton; 2003.
2. Merton RK. The Normative Structure of Science. In: The Sociology of Science. Chicago: University of Chicago Press; 1973.
3. Ioannidis JPA. Why Most Published Research Findings Are False. PLoS Med. 2005;2(8):e124.
4. CNPq. Portaria CNPq n. 2664, de 6 de março de 2026. Diário Oficial da União, 11 mar. 2026, Seção 1, p. 4.
5. Popper KR. The Logic of Scientific Discovery. London: Hutchinson; 1959.