Vibe Researching as Wolf Coming: Can AI Agents with Skills Replace or Augment Social Scientists?

Este artigo introduz o conceito de "vibe researching" mediado por agentes de IA, argumentando que, embora essas ferramentas possam automatizar tarefas de alta codificabilidade e acelerar o pipeline de pesquisa, elas não substituem a originalidade teórica e o conhecimento tácito dos cientistas sociais, exigindo, em vez disso, uma abordagem de augmentação responsável que considere riscos de estratificação e crises pedagógicas.

O essencial

Imagine que a pesquisa científica é como construir uma casa. Antigamente, o pesquisador era o arquiteto, o pedreiro, o eletricista e o pintor. Ele fazia tudo: desenhava o plano, misturava o cimento, instalava a fiação e aplicava a tinta.

Agora, chegou um novo ajudante: o Agente de IA. Mas este não é um ajudante comum que só traz os tijolos. Este é um "robô mágico" que pode ler seus planos, misturar o cimento, instalar a fiação e até pintar as paredes, tudo sozinho, em questão de minutos.

O artigo de Yongjun Zhang, escrito em um futuro próximo (março de 2026), discute exatamente isso: o que sobra para o pesquisador humano quando a máquina faz quase todo o trabalho pesado?

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Que é "Vibe Researching"? (Pesquisa de "Vibe")

O autor cria um termo novo: "Vibe Researching". Pense no "Vibe Coding" (programar apenas dizendo o que você quer e deixando o computador fazer o resto).

• Antes: Você passava semanas lendo livros, coletando dados e escrevendo.
• Agora: Você diz para o robô: "Quero estudar como a música afeta o humor dos jovens em São Paulo". O robô então:
  • Lê milhares de artigos sobre o assunto.
  • Busca os dados no banco de dados.
  • Cria gráficos e tabelas.
  • Escreve o primeiro rascunho do artigo.
  • Simula como os revisores da revista vão criticar seu trabalho.

O pesquisador vira um curador. Ele não constrói mais a casa tijolo por tijolo; ele apenas aponta para onde quer que a casa fique e escolhe qual das 10 opções que o robô gerou é a melhor.

2. A Grande Diferença: O Robô vs. O Humano

O artigo usa uma "régua" para medir o que o robô pode e não pode fazer. Imagine duas caixas:

• Caixa 1: Regras Claras (O que o robô ama)
  • Coisas que seguem passos fixos. Exemplo: "Some esses números", "Procure todas as palavras 'amor' neste texto", "Verifique se há erros de gramática".
  • O Robô: É incrível aqui. É rápido, não cansa e não erra nessas tarefas.
• Caixa 2: O "Feeling" e a Intuição (O que o robô odeia)
  • Coisas que exigem experiência de vida, política do meio acadêmico, saber o que está "na moda" ou o que é realmente importante.
  • O Robô: É ruim aqui. Ele não sabe se uma ideia é "fresca" ou "clichê". Ele não sabe se um editor de revista vai gostar de um certo tom de voz. Ele não tem intuição.

3. O Perigo: A Ilusão de Competência

O autor avisa sobre um perigo sério: a armadilha da confiança.
Imagine que você nunca aprendeu a cozinhar, mas tem um robô chef que faz o jantar perfeito. Se você pedir para ele fazer, ele faz. Mas, se o robô colocar sal em vez de açúcar (um erro sutil), você não vai perceber porque não sabe cozinhar.

• O Risco: Se os pesquisadores usarem a IA para fazer tudo (desde a ideia até a escrita) sem nunca terem feito o trabalho manualmente antes, eles perdem a capacidade de julgar se o trabalho está bom ou errado.
• A Consequência: Podemos ter muitos artigos publicados que parecem perfeitos, mas que estão cheios de erros lógicos ou teóricos que ninguém consegue detectar.

4. O Que Sobrou para o Humano? (A Chave de Ouro)

O artigo diz que o pesquisador humano ainda é essencial, mas seu papel mudou. Ele não é mais o "faz-tudo", é o Mestre de Obras e o Arquiteto Criativo.

• O Robô faz a execução (os dados, a estatística, a formatação).
• O Humano faz a Originalidade.
  • Quem decide qual pergunta fazer?
  • Quem cria uma teoria nova que ninguém pensou antes?
  • Quem entende o contexto social e político que a máquina não vê?

Se o robô é o motor do carro, o humano é quem segura o volante e decide para onde ir. Se você tira o volante e deixa o carro ir sozinho, ele pode ir rápido, mas pode bater em um muro se não houver quem o guie.

5. Os 5 Mandamentos para Não Ser Enganado

Para usar essa tecnologia sem se perder, o autor sugere 5 regras de ouro:

1. Seja Honesto: Diga sempre onde a IA ajudou. "Eu usei um robô para escrever este parágrafo".
2. Verifique Tudo: Não confie cegamente. Leia, revise e teste o código que o robô fez.
3. Mantenha as Habilidades: Continue praticando o trabalho manual. Se você nunca escreveu um artigo à mão, não conseguirá julgar o que a IA escreveu.
4. Proteja a Criatividade: A ideia principal e a teoria devem vir da sua cabeça, não da máquina.
5. Compartilhe: Não deixe que só os ricos ou os que têm computadores caros usem essas ferramentas. Isso pode aumentar a desigualdade na ciência.

Conclusão: O Lobo Está na Porta

O título "Vibe Researching as Wolf Coming" (Pesquisa de Vibe como o Lobo Chegando) é uma referência a um conto chinês. O "lobo" não é um monstro mau, mas uma força real e poderosa que já chegou.

A mensagem final é: Não tente impedir o lobo (a IA), ele já está dentro da casa. A questão é: como vamos usar esse lobo para nos ajudar a correr mais rápido, sem deixar que ele nos devore e nos faça perder nossa capacidade de pensar por nós mesmos?

O futuro da ciência social não é "Humanos vs. Máquinas", mas sim Humanos com Máquinas, onde o humano mantém o controle criativo e a máquina faz o trabalho braçal.

Resumo técnico

Resumo Técnico: Vibe Researching e Agentes de IA nas Ciências Sociais

Referência: Zhang, Y. (Março 2026). Vibe Researching as Wolf Coming: Can AI Agents with Skills Replace or Augment Social Scientists? Stony Brook University.

1. Problema de Pesquisa

O artigo aborda uma transformação qualitativa na automação da pesquisa em ciências sociais. Diferente das ondas anteriores de automação (cálculo estatístico, coleta de dados, análise de texto), a quarta onda (pós-2024) introduz Agentes de IA capazes de executar fluxos de trabalho de raciocínio multi-etapa de forma autônoma.
O problema central é definir os limites da delegação: quando os agentes de IA podem executar todo o pipeline de pesquisa (da ideia à submissão), qual é a contribuição distintiva do pesquisador humano? O artigo questiona se o pesquisador se torna um mero curador de opções geradas por IA ou se mantém a autoria intelectual, especialmente diante do fenômeno emergente do "Vibe Researching" (uma analogia ao "vibe coding"), onde o pesquisador descreve o objetivo e a IA executa a maior parte do trabalho sem leitura detalhada das diferenças (diffs).

2. Metodologia e Caso de Estudo

O autor desenvolve uma estrutura conceitual de tarefas cognitivas e a aplica a um caso de estudo operacional concreto: o sistema scholar-skill.

• O Sistema Scholar-Skill:

  • É um plugin de 26 habilidades para o Claude Code (interface de linha de comando da Anthropic).
  • Arquitetura: Funciona como um orquestrador local que gerencia 18 fases de pesquisa, desde a formalização da ideia até a submissão ao periódico, passando por 53 "portões de qualidade" (quality gates) e 5 paradas obrigatórias (ex: segurança de dados, verificação de ética).
  • Capacidades Técnicas:
    • Formalização de Ideias: Gera perguntas de pesquisa testáveis usando um painel de 5 agentes (teórico, metodólogo, editor, etc.).
    • Revisão de Literatura: Sintetiza milhares de documentos, mapeia lacunas e deriva hipóteses.
    • Design Causal: Constrói DAGs (Diagramas Acíclicos Direcionados) e seleciona estratégias de identificação (DID, IV, RDD, etc.).
    • Análise de Dados: Executa pipelines estatísticos e computacionais (NLP, redes, modelos de equações estruturais) em R, Python e Stata.
    • Escrita e Submissão: Redige manuscritos calibrados para 22 periódicos específicos (ex: ASR, AJS, Nature), gerencia citações com verificação em 5 níveis (Zotero, CrossRef, Semantic Scholar, OpenAlex, Web) para evitar alucinações, e simula revisores de pares.
    • Reprodutibilidade: Constrói pacotes de replicação completos com verificação de correspondência entre código e texto.
  • Modos de Execução: Opera em "modo com dados" (executa análise real) ou "modo de modelo de código" (gera templates executáveis quando dados não estão disponíveis).

• Abordagem Teórica:

  • O autor não realiza testes empíricos estatísticos, mas desenvolve uma estrutura de tarefas cognitivas baseada em duas dimensões:
    1. Codificabilidade: O grau em que uma tarefa pode ser decomposta em regras explícitas.
    2. Requisito de Conhecimento Tácito: O grau em que a tarefa depende de conhecimento não articulável (política de campo, intuição editorial, redes de confiança).

3. Contribuições Principais

1. Definição do "Vibe Researching": O artigo nomeia e analisa o fenômeno onde a execução da pesquisa é delegada a agentes autônomos, distinguindo-o da automação anterior que era apenas assistiva dentro de uma única etapa.

2. Estrutura de Tarefas Cognitivas (A Matriz de Delegação):
   O autor classifica as tarefas de pesquisa em quatro tipos, cruzando codificabilidade e conhecimento tácito:

   • Tipo C (Execução): Alta automação, baixo conhecimento tácito (ex: rodar regressões, EDA). Delegável.
   • Tipo D (Comunicação): Média-alta automação, médio conhecimento tácito (ex: rascunho de texto, resposta a revisores). Parcialmente delegável (zona perigosa).
   • Tipo B (Planejamento): Média automação, alto conhecimento tácito (ex: seleção de estratégia de identificação, ética). IA gera opções; humano decide.
   • Tipo A (Formulação): Baixa automação, muito alto conhecimento tácito (ex: novas perguntas de pesquisa, inovação teórica). Não delegável; assistência apenas.
   • Insight Chave: A fronteira de delegação é cognitiva, não sequencial. Ela corta através de todas as etapas do pipeline, e não fica entre as etapas.

3. Análise de Capacidades e Limitações da IA:

   • Onde a IA brilha: Velocidade, cobertura de literatura, scaffolding metodológico (fornecer código complexo pronto para uso) e consistência.
   • Onde a IA falha: Originalidade teórica profunda (recombina o existente, não cria novos paradigmas como a "força dos laços fracos" de Granovetter) e conhecimento tácito de campo (política editorial, timing, nuances culturais).

4. Resultados e Implicações

O artigo identifica três implicações críticas para a profissão de cientista social:

1. A Tese da Augmentação (Ampliação) e sua Condição Frágil:

   • A IA amplifica a capacidade do pesquisador, mas apenas se o humano mantiver a capacidade de verificação crítica.
   • Existe um "paradoxo da automação-aumentação": delegar excessivamente tarefas que exigem julgamento humano pode corroer a própria capacidade do pesquisador de verificar o trabalho da IA, criando uma lacuna de verificação onde erros passam despercebidos.

2. Risco de Estratificação:

   • O "prêmio de produtividade da IA" pode aumentar a desigualdade acadêmica baseada em:
     • Custo: Acesso a modelos pagos e tokens.
     • Língua: Viés para inglês e periódicos de topo anglófonos.
     • Habilidade Técnica: Barreiras para pesquisadores sem treinamento computacional.
     • Campo: Ferramentas calibradas para áreas quantitativas/computacionais podem ser menos úteis para estudos de área ou qualitativos puros.

3. Crise Pedagógica:

   • O treinamento de doutorado tradicional foca em habilidades de execução (rodar regressões, codificar entrevistas). Como a IA agora executa essas tarefas, treinar alunos apenas para operar pipelines torna-se obsoleto.
   • Solução Proposta: Ensinar métodos como base para avaliação (não apenas produção) e investir pesadamente no treinamento de teoria profunda, que é onde a IA é mais fraca e o humano é insubstituível.

5. Significado e Princípios para Pesquisa Responsável

O artigo conclui que a "IA está na porta" e propõe cinco princípios para o uso responsável do Vibe Researching:

1. Divulgar (Disclose): Relatar explicitamente o uso de IA nas seções de metodologia.
2. Verificar (Verify): Revisar todo o código, análise e citações gerados pela IA. O pesquisador é o responsável final.
3. Manter Habilidades (Maintain Skills): Praticar deliberadamente tarefas delegadas para manter a capacidade de julgamento crítico.
4. Proteger a Originalidade (Protect Originality): A pergunta de pesquisa e a contribuição teórica devem permanecer inteiramente humanas.
5. Projetar para Acesso (Design for Access): Usar modelos abertos e compartilhar ferramentas para mitigar a estratificação.

Conclusão Final:
O artigo argumenta que, embora os agentes de IA possam executar o pipeline de pesquisa, eles não podem substituir o julgamento tácito e a imaginação teórica. O futuro da pesquisa em ciências sociais depende de uma governança deliberada que preserve o julgamento humano nos pontos críticos de decisão, transformando a IA em uma ferramenta de ampliação de alcance, e não em um substituto da autoria intelectual. A metáfora final compara a pesquisa à aviação: a segurança não vem de deixar os pilotos voarem sem supervisão, mas de sistemas que automatizam o rotineiro enquanto preservam o julgamento humano nas decisões críticas.