Matemáticos continuam usando IA apesar dos riscos de atribuição

Um relatório recente da Wired documenta que uma parte considerável da comunidade matemática ainda recorre a grandes modelos de linguagem para assistência em provas, geração de conjecturas e verificação de código, apesar de expressarem desconforto sobre como as contribuições são registradas e como a privacidade dos dados é protegida. O estudo aponta que a adoção dessas ferramentas tem crescido de forma constante nos últimos dois anos, impulsionada pela facilidade de acesso e pela capacidade dos modelos de produzir sugestões plausíveis em questões que demandam raciocínio abstrato.

O artigo destaca que ferramentas como o ChatGPT da OpenAI, o Claude da Anthropic e o Codex de código aberto são usadas em grupos de pesquisa na Europa e na América do Norte, frequentemente para testar ideias rapidamente antes de redigir um artigo formal. Pesquisadores relatam que o uso desses sistemas permite iterar sobre conjecturas em minutos, algo que antes poderia levar semanas de cálculo manual ou programação dedicada.

Disputas de alto perfil ilustram a lacuna de atribuição

Tristan Buckmaster, pesquisador focado nas equações de Navier‑Stokes, acusou publicamente a OpenAI de publicar resultados que espelham seu trabalho ainda não publicado. A OpenAI respondeu que as trocas registradas em 8 de setembro e o pré‑print correspondente não influenciaram a saída do modelo, ressaltando a dificuldade de provar vínculos causais entre notas privadas de um pesquisador e a sugestão de um modelo. O caso gerou um debate intenso sobre a necessidade de mecanismos de rastreamento de treinamento de dados.

Andreas Thom, outro matemático, recebeu uma correção da OpenAI depois que a empresa omitiu um artigo de 2019 que informou diretamente suas próprias descobertas. A correção demonstra como até grandes organizações podem deixar de citar fontes críticas ao agregar material acadêmico, levantando questões sobre a transparência dos processos de curadoria de conhecimento adotados pelos provedores de IA.

Apelos coletivos por transparência

Em um esforço coordenado, vinte e cinco medalhistas Fields assinaram uma carta aberta, relatada pela Wired, pedindo que as empresas de IA reduzam a distância entre ciclos de desenvolvimento comercial e o ritmo mais lento e intensivo em verificação da pesquisa matemática. A carta, assinada por figuras como Terence Tao e Maryam Mirzakhani (postumamente), enfatiza a urgência de alinhar os prazos de lançamento de novos modelos com os padrões de rigor que caracterizam a matemática pura.

A carta enfatiza que, embora a IA possa acelerar cálculos rotineiros, ela não pode substituir o rigoroso processo de revisão por pares que valida cada passo lógico e reconhece toda contribuição intelectual. Os signatários alertam que a dependência excessiva de sugestões automatizadas pode criar um efeito de "código de confiança" que enfraquece a verificação independente.

Declaração de Leiden define a agenda

A Declaração de Leiden sobre Inteligência Artificial e Matemática, divulgada em 2 de junho de 2026, propõe medidas concretas para proteger a integridade do trabalho matemático. Ela exige divulgação obrigatória de qualquer auxílio de IA em publicações e que os autores assumam total responsabilidade pelas recomendações geradas por essas ferramentas, estabelecendo um padrão que pode ser adotado por revistas de alto impacto.

Segundo a declaração, argumentos plausíveis porém falsos produzidos por IA aumentam a carga sobre revisores e comprometem a verificabilidade independente, risco particularmente agudo em áreas onde um único passo errado pode invalidar uma prova inteira. O documento recomenda ainda a criação de comitês de ética específicos para projetos que envolvam IA em matemática avançada.

• Exigir declaração explícita de uso de IA em todas as submissões
• Manter um registro reproduzível de prompts e respostas do modelo
• Garantir que qualquer afirmação gerada por IA seja verificada independentemente antes da aceitação
• Proibir anúncios de resultados derivados de IA antes da publicação revisada por pares
• Criar trilha de auditoria vinculando cada resultado aos seus colaboradores humanos

A declaração também alerta contra anunciar avanços derivados de IA em calendários de marketing corporativo antes da disponibilidade das evidências científicas necessárias, prática que pode gerar hype prematuro e enganar agências de fomento. Essa recomendação visa proteger tanto a credibilidade das instituições de pesquisa quanto a confiança do público em descobertas que, por natureza, exigem validação meticulosa.

O objetivo maior não é banir a IA da matemática, mas preservar prova, crédito, transparência e autonomia dos pesquisadores, garantindo que a comunidade continue a se beneficiar da assistência computacional sem sacrificar o rigor. Assim, as diretrizes propõem um modelo de uso responsável que combina a velocidade dos modelos modernos com processos de verificação tradicionais, criando um ecossistema híbrido mais resiliente.

Para instituições de pesquisa brasileiras, o impacto prático é claro: departamentos precisarão adotar novos modelos de relatório, treinar equipes no uso responsável de IA e destinar recursos para a verificação independente de resultados sugeridos por IA. Ao fazer isso, poderão aproveitar a velocidade dos modelos modernos enquanto mantêm a confiança que sustenta a descoberta matemática, reforçando a posição do Brasil como protagonista em pesquisas de ponta no cenário internacional.