Paper falso com IA passou? 57% da ciência tem slop

AI slop já contaminou mais da metade dos papers publicados

AI slop virou o ruído padrão da ciência e ninguém mais consegue fingir que é caso isolado. Quando 57% dos artigos publicados em 2025 mostram traços detectáveis de LLM, contra apenas 12% em 2023, o problema deixa de ser ético e passa a ser operacional. Para quem constrói com IA, isso importa porque a base que alimenta modelos, citações, RAGs e revisões sistemáticas está apodrecendo por dentro. O experimento que tentou forjar um paper falso só com ferramentas gratuitas mostra o quanto a barreira de entrada caiu. Não precisa de laboratório, não precisa de dados reais, não precisa nem de muito esforço. Precisa de alguns prompts, paciência e uma tarde livre.

O teste foi simples e incômodo. Um jornalista com doutorado antigo em sólitons ópticos, aqueles pulsos de luz que se propagam sem deformar, decidiu fazer 'vibe-research'. A ideia era pedir para o ChatGPT gratuito e o Gemini Flash gerar hipótese, simulação, código e texto completo, sem edição manual direta. Depois ele combinou com a editora do IEEE Access um war-game de verdade, tentar passar esse monstro pelos filtros da revista. A primeira fase era provar que um amador consegue criar algo convincente. A segunda, ainda mais pesada, era testar o que acontece quando a IA não só escreve, mas conduz a pesquisa.

O fato sem enfeite

O que aconteceu expõe uma falha estrutural, não um bug pontual. O autor escolheu se colocar como único autor para não envolver nomes falsos e limitou o tema ao que conhecia minimamente. O primeiro prompt, algo como gerar um paper original em sólitons ópticos, já retornou um rascunho com cara de artigo. O ChatGPT se recusou em alguns pontos a inventar dados sintéticos, o Gemini topou com menos resistência. O resultado inicial era fraco, cheio de generalidades, referências duvidosas e física rasa. Mas com iterações permitidas, o texto foi ganhando forma, gráficos plausíveis, metodologia com jargão correto, equações que parecem certas à primeira leitura.

O dado mais grave não está no experimento isolado, está no contexto. Mais de 12% das revisões no Nature Communications em 2025 foram apontadas como totalmente geradas por IA. E para cada 40 papers com evidência estatística de uso de IA, só um declara formalmente. Ou seja, a taxa real é maior que os 57%. Tem ainda a estimativa de centenas de milhares de publicações falsas por ano, muitas feitas em fábricas de papers que vendem autoria. A gerente de integridade de pesquisa do IEEE resumiu como erosão da confiança em séculos de processo científico. Não é exagero. Se revisão por pares, que já é trabalho voluntário e sobrecarregado, vira gargalo entupido de spam, o sistema inteiro trava.

Como funciona na visão de quem opera

Pensa em arquitetura, não em mágica. O pipeline do falso é ridiculamente barato. Entrada em linguagem natural, saída em LaTeX com resumo, introdução, método, resultados e conclusão. Custo marginal próximo de zero, latência de minutos por iteração, sem infra além do browser. Com modelos gratuitos como GPT-5.3 Mini e Gemini 3 Flash dá para gerar código Python de simulação de propagação não linear, plotar pulsos, inventar parâmetros de fibra e ajustar a narrativa até o revisor cansado não perceber. Não precisa acertar a física em profundidade, basta acertar o estilo acadêmico, que os modelos dominam muito bem.

Do outro lado, a defesa é cara e lenta. Detecção de texto por IA tem precisão fraca e gera falso positivo, o que é péssimo quando você acusa um pesquisador real. Checagem de código e dados exige reprodução, e quase nenhuma revista tem compute ou gente para rodar tudo. Verificação de referências, análise de imagens e triagem de integridade dependem de ferramentas fragmentadas e de revisores que fazem isso de graça, à noite, depois do trabalho. Minha inferência técnica, e deixo claro que é inferência, é que publishers estão tentando plugar LLM para triar LLM, o que cria uma corrida armamentista com latência assimétrica. Gerar slop leva segundos, provar que é slop leva horas. Enquanto não houver proveniência de dados, logs de experimento e artefatos executáveis, o filtro vai continuar entupido.

O que isso muda na prática para você

Quem ganha com isso no curto prazo são as fábricas de papers, os autores sob pressão por publicar e as ferramentas que vendem 'escrita assistida' sem fricção. Quem perde somos todos os que dependem da literatura como fonte de verdade. Se você treina modelos, monta dataset científico, usa RAG em medicina, engenharia ou direito técnico, seu recall agora vem com contaminação embutida. Se você é pesquisador, seu trabalho sério vai disputar atenção com milhares de clones bem formatados. Se você é revisor, seu trabalho voluntário virou moderação de spam.

Tem ajuste imediato que dá para fazer agora. Pare de confiar em PDF como verdade e passe a exigir artefatos. Para qualquer paper que você for citar em produto ou decisão, aplique um check mínimo de cinco minutos. Procure repositório de código, dados brutos, versão de modelo usada e declaração de uso de IA. Rode uma busca reversa nas referências, veja se os DOIs existem e se os autores citados realmente trabalham naquilo. Uma ação prática que eu recomendo para times: crie uma política interna de ingestão. Nenhum paper entra no seu RAG ou na sua revisão sem link para código executável ou dados verificáveis, e tudo que tiver sinal forte de geração sem declaração cai para quarentena. É chato, aumenta o custo de curadoria, mas evita que seu produto alucine com base em alucinação alheia.

• Quarentena de fontes: marque papers sem dados e sem código como não confiáveis para RAG.
• Checagem de proveniência: valide DOI, afiliação, histórico do autor e repositório antes de citar.
• Declaração explícita: se seu time usa IA para escrever, declare e versione prompts e saídas.

A tensão que ninguém quer encarar

Aqui está a dúvida real que fica depois do experimento. A automação da descoberta é inevitável e até desejável, agentes que formulam hipóteses e rodam simulações vão acelerar ciência de verdade. Mas onde termina assistência legítima e começa fabricação? Se a IA gera a hipótese, escreve o código, interpreta o gráfico e redige a conclusão, o humano ainda é autor ou só operador de aprovação? E o custo compensa? Publicar mais barato não significa descobrir mais rápido, pode significar apenas revisar mais devagar. A gente resolveu o gargalo da escrita e moveu o gargalo para a verificação, que é mais cara, mais escassa e menos escalável.

Existe ainda o risco de colapso recursivo. Modelos futuros treinados em literatura contaminada com slop vão aprender física medíocre, estatística inventada e estilo vazio. O filtro entupido de hoje vira o dataset envenenado de amanhã. Publishers falam em novas ferramentas, mas sem mudar incentivo, que é publicar volume para progressão de carreira, nenhuma ferramenta segura. Escala? Só se verificação virar parte do pipeline, com execução reproduzível e identidade verificada. Caso contrário, vamos normalizar um ecossistema onde parece ciência, cheira a ciência, mas nunca aconteceu em bancada nenhuma.

Conclusão prática

O experimento provou que forjar um paper convincente com IA gratuita já é trivial, e que os filtros atuais não foram feitos para esse volume. A ciência não vai acabar amanhã, mas a confiança que sustenta ela está vazando rápido. Fica a pergunta que todo operador deveria fazer antes do próximo deploy: se sua base de conhecimento fosse auditada hoje, quanto dela é descoberta real e quanto é apenas texto bem formatado?