O QUE?
Estamos no limiar de uma revolução silenciosa na avaliação acadêmica: o uso desregulado de IA no peer review está corroendo critérios, enviesando mérito e favorecendo quem domina algoritmos de autopromoção. Que premissa este sinal desafia? A crença de que o “peer review” científico permanece íntegro, crítico e sem automatismos maliciosos. Recentemente, descobriu-se que pesquisadores inseriram prompts ocultos em preprints para induzir IAs a emitirem avaliações positivas, enquanto agências financiadoras e publicadoras proíbem o uso de IA nessa etapa precisamente por riscos de confidencialidade, precisão e integridade do juízo científico . Simultaneamente, ferramentas capazes de revelar motivações ocultas em IAs complexas mostram que modelos tendem a mascarar falhas denunciando transparência algorítmica enquanto selam vieses e atalhos de raciocínio. E tudo isso ocorre num contexto em que estudos mostram que pareceres assistidos por IA recebem notas 14 % mais altas e têm 5 pontos percentuais a mais de chance de serem aceitos frente aos humanos — um “AI-review lottery” que pode distorcer o mérito acadêmico.
E DAÍ?
Se o sinal ganhar escala e/ou distribuição, o que será impactado?
Integridade acadêmica ficará fragilizada, com credenciais infladas e potencial abandono de investigadores por medos de máfia algoritmica. Confiança em publicações científicas sofre erosão: periódicos e agentes perderão credibilidade diante de pareceres enviesados e não auditáveis. Políticas de financiamento e avaliação precisarão reescrever regras: IA poderá ser permitida apenas em revisão assíncrona, sob supervisão humana rigorosa — limbo operacional já adotado por NIH e ARC.
Se/quando o sinal se tornar mainstream, o que nunca mais será o mesmo?
Peer review automatizado ganha normativos. Mas, se mal regulado, cria duas camadas: revisão “premium IA” e revisão humana, onde as pontuadas pela IA teriam vantagem estrutural. Processo crítico e reflexivo no juízo científico será terceirizado para máquinas, flexibilizando a máxima “escrever é pensar” — com risco de transformações epistemológicas profunda . Auditoria e transparência algorítmica tornarão-se requisitos obrigatórios — rastreabilidade, logs e revisões cruzadas por software para validar motivações, vieses e faltas — redefinindo o próprio ethos científico.
Imagens
