Existe uma maneira muito simples de imaginar o impacto da inteligência artificial sobre a ciência.
Se pesquisadores conseguirem trabalhar mais rapidamente, a produção científica aumentará.
Parece lógico.
Mas a hipótese contém uma suposição escondida: a de que o trabalho do pesquisador é o principal gargalo da produção de conhecimento.
Um novo trabalho de Benjamin Jones, publicado em setembro de 2026 no volume The Economics of Transformative AI, mostra por que essa hipótese pode estar errada.
O modelo desenvolvido pelo economista argumenta que o impacto da IA sobre pesquisa e desenvolvimento depende de três fatores: quanto das tarefas de pesquisa pode ser executado por IA, quão produtiva a IA é nessas tarefas e quais são os gargalos que permanecem fora dela.
Essa última variável é a mais interessante.
Uma IA pode tornar uma parte da pesquisa dez vezes mais rápida e produzir um ganho muito menor no resultado final.
Não porque a IA não seja boa.
Mas porque a produção científica é uma cadeia.
E uma cadeia é limitada pelo que ainda não foi acelerado.
A ciência também possui uma função de produção
Economistas estão acostumados a pensar na produção como uma combinação de fatores.
Podemos representar, de forma simplificada:
$$ Y=F(K,L,A) $$
Capital, trabalho e tecnologia produzem bens e serviços.
A produção de conhecimento pode ser pensada de maneira semelhante.
Um projeto científico exige pesquisadores, equipamentos, dados, financiamento, capacidade computacional, tempo e instituições.
A IA acrescenta uma nova tecnologia ao processo.
Mas melhorar um fator não significa necessariamente aumentar proporcionalmente o produto.
Se outro fator continuar sendo o gargalo, o ganho agregado será limitado.
Imagine uma equipe de pesquisa
Considere uma equipe que desenvolve um novo medicamento.
Ela precisa:
formular hipóteses;
pesquisar a literatura;
analisar dados;
gerar moléculas candidatas;
realizar testes;
interpretar resultados;
conduzir experimentos;
validar segurança;
obter aprovação regulatória.
Agora imagine que a IA torne a etapa de geração de hipóteses 100 vezes mais rápida.
Isso é extraordinário.
Mas se os testes clínicos continuarem levando anos, a velocidade total do processo não aumentará 100 vezes.
O gargalo mudou de lugar.
É isso que o modelo de Jones procura capturar
Jones separa três elementos.
O primeiro é a participação das tarefas de pesquisa que a IA consegue executar.
O segundo é a produtividade da IA nessas tarefas.
O terceiro é a existência de gargalos.
O resultado é importante porque evita uma extrapolação comum:
se a IA é muito melhor em uma tarefa, a ciência inteira ficará proporcionalmente mais rápida.
Não necessariamente.
O efeito depende da arquitetura do processo científico.
Uma cadeia não é a soma de suas partes
Imagine uma fábrica com cinco etapas.
As quatro primeiras podem produzir 1.000 unidades por dia.
A quinta produz apenas 100.
Aumentar a produtividade das quatro primeiras para 10.000 unidades não aumenta a produção final para 10.000.
A quinta etapa continua limitando o sistema.
A produção permanece próxima de 100.
Essa lógica é conhecida na administração e na economia da produção como teoria das restrições.
A inteligência artificial introduz uma possibilidade particularmente interessante:
ela pode acelerar tanto algumas etapas que torna os gargalos restantes muito mais importantes.
O retorno marginal da inteligência pode aumentar
Aqui aparece uma consequência ainda mais interessante.
Se uma IA extremamente capaz consegue eliminar um gargalo, outro gargalo pode aparecer.
E, depois, outro.
Isso significa que o retorno de aumentar a inteligência do sistema pode depender da estrutura da tarefa.
Em algumas áreas, uma pequena melhoria na capacidade da IA pode produzir quase nenhum resultado adicional.
Em outras, superar determinado limiar pode liberar uma cadeia inteira de avanços.
O impacto não precisa ser linear.
Pense em desenvolvimento de medicamentos
Suponha que uma IA consiga identificar candidatos promissores em bilhões de combinações.
Isso resolve um problema de busca.
Mas ainda precisamos descobrir:
quais moléculas são seguras?
Depois:
quais funcionam em humanos?
Depois:
qual é a dosagem adequada?
Depois:
como fabricar em escala?
A IA pode reduzir radicalmente o custo de encontrar candidatos.
Mas não elimina automaticamente a biologia.
Esse é exatamente o tipo de gargalo que determina o retorno econômico da tecnologia.
O mesmo vale para software
Em software, o problema é ainda mais intuitivo.
Uma IA pode escrever milhares de linhas de código rapidamente.
Mas software não é apenas código.
É também:
definição de requisitos;
arquitetura;
testes;
integração;
segurança;
implantação;
suporte;
validação com usuários.
Se a geração de código ficar 10 vezes mais rápida, mas testes e implantação continuarem lentos, o produto final não ficará 10 vezes mais rápido.
Esse raciocínio encontra respaldo em evidência recente.
Um estudo com mais de 500 mil desenvolvedores do GitHub encontrou aumentos cumulativos de atividade de código de 30% com autocomplete, 180% com agentes interativos e 240% com agentes autônomos.
Mas o ganho diminuiu à medida que se avançava pela cadeia produtiva.
O aumento de 240% nos commits caiu para 80% no número de projetos e apenas 30% no número de releases efetivamente publicados.
É um resultado extremamente instrutivo.
A IA acelerou o trabalho.
Mas não acelerou tudo na mesma proporção.
O gargalo humano não desapareceu
O estudo sobre programação encontra evidência de complementaridade entre IA e trabalho humano, com elasticidade de substituição estimada em apenas 0,23.
Em linguagem econômica:
IA e seres humanos continuam sendo complementares em muitas etapas do processo.
Isso contraria uma interpretação simplista segundo a qual aumentar a capacidade do modelo necessariamente reduziria a necessidade de pessoas na mesma proporção.
Se a IA produz mais código, alguém ainda precisa decidir o que deve ser construído.
Se produz mais hipóteses científicas, alguém precisa determinar quais são relevantes.
Se produz mais resultados, alguém precisa decidir quais merecem confiança.
A consequência para empresas é enorme
Muitas empresas estão investindo em IA com uma lógica parecida:
“Qual tarefa podemos automatizar?”
Talvez a pergunta mais importante seja outra:
“Qual é o gargalo do nosso processo?”
Se o gargalo não for a tarefa que a IA consegue executar, automatizá-la pode gerar pouco ganho.
Uma empresa pode economizar milhares de horas produzindo relatórios e continuar lenta porque decisões precisam passar por quatro níveis hierárquicos.
Pode gerar código muito mais rapidamente e continuar lançando software no mesmo ritmo porque testes e aprovação continuam manuais.
Pode produzir análises de mercado em segundos e continuar tomando decisões lentamente porque ninguém possui autoridade para agir.
A tecnologia pode estar funcionando perfeitamente.
O processo é que está limitando o retorno.
A economia da IA será uma economia de gargalos
Essa talvez seja uma das melhores maneiras de pensar a próxima fase da revolução da inteligência artificial.
No começo, a pergunta era:
“A IA consegue fazer isso?”
Depois:
“Quanto tempo a IA economiza?”
Agora precisamos começar a perguntar:
“O que ainda impede o sistema de produzir mais?”
Essa mudança de pergunta é muito mais importante do que parece.
Porque o valor econômico da IA não depende apenas da inteligência do modelo.
Depende da capacidade das organizações de reorganizar os processos ao redor dele.
A ciência pode ser o grande laboratório
Isso é particularmente relevante para pesquisa científica.
Se a IA tornar barata a geração de hipóteses, a ciência pode enfrentar um problema novo.
Não teremos poucas hipóteses.
Teremos hipóteses demais.
O gargalo poderá migrar para experimentação, validação e capacidade de distinguir descobertas verdadeiras de resultados espúrios.
Nesse cenário, a produtividade científica não será limitada pela quantidade de ideias.
Será limitada pela capacidade de testá-las.
A grande mudança talvez seja descobrir onde investir
Se o modelo de Jones estiver correto, o impacto econômico da IA dependerá fortemente da identificação dos gargalos.
Isso muda a pergunta de política científica.
Em vez de apenas financiar IA, governos podem precisar financiar:
laboratórios, infraestrutura experimental, bases de dados, ensaios clínicos, equipamentos, pesquisadores e instituições capazes de absorver o aumento da capacidade intelectual proporcionado pela IA.
Se a IA aumenta a produção de hipóteses, precisamos aumentar a capacidade de testá-las.
Caso contrário, produziremos uma enorme quantidade de inteligência esperando por uma pequena quantidade de experimentos.
A verdadeira revolução pode ser organizacional
A IA não chega a uma economia vazia.
Ela entra em empresas, universidades, laboratórios e governos já existentes.
Essas instituições possuem processos.
Possuem hierarquias.
Possuem burocracias.
Possuem gargalos.
Possuem regras.
Por isso, uma tecnologia extraordinária pode produzir ganhos medíocres quando incorporada a uma organização que não muda.
A produtividade não nasce apenas do algoritmo.
Nasce da combinação entre algoritmo, pessoas, capital e organização.
É por isso que a próxima grande vantagem competitiva talvez não seja possuir o melhor modelo.
Pode ser descobrir como redesenhar uma organização para que o modelo consiga realmente produzir valor.
Fontes:
Benjamin F. Jones, Artificial Intelligence in Research and Development, em The Economics of Transformative AI, NBER, setembro de 2026.
Mert Demirer, Leon Musolff e Liyuan Yang, Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools, NBER Working Paper 35275, revisão de setembro de 2026.