Assistente de pesquisa com IA: o que é e por que não é o mesmo que o ChatGPT

O problema: horas de leitura antes de escrever uma palavra

Uma revisão de literatura séria começa com dezenas de resultados de busca. O pesquisador — ou o pós-graduando que faz a sua primeira revisão sistemática — precisa abrir cada um, ler o resumo, às vezes o documento inteiro, e decidir se ele contribui para a sua pergunta. Essa triagem inicial é trabalho mecânico e repetitivo: ler para descartar, não para aprender. É também o ponto onde mais tempo se perde e onde é mais fácil que algo relevante passe despercebido porque ninguém chegou a abri-lo.

Um assistente de pesquisa com IA ataca justamente esse trecho. Recebe a pergunta de pesquisa, recupera os documentos pertinentes nas fontes conectadas à biblioteca e entrega uma síntese que permite decidir em minutos quais daqueles quarenta resultados merecem leitura completa. Não substitui a leitura do que finalmente será citado — isso continua sendo responsabilidade do pesquisador —, mas reduz drasticamente quanto é preciso ler para chegar a esse ponto.

Por que um assistente de pesquisa com IA não é o mesmo que o ChatGPT

Um modelo de linguagem genérico como o ChatGPT, usado sem nenhum mecanismo adicional, responde a partir do que memorizou no treinamento. Quando lhe pedem uma citação acadêmica, ele não a busca: gera a referência por padrão, com o formato e a aparência de uma referência real, ainda que o artigo não exista ou que os dados não correspondam ao documento citado. Estudos sobre o problema documentam taxas de citações fabricadas que vão de menos de um quinto a mais da metade das referências geradas, conforme o domínio e o modelo avaliado: um estudo publicado na Scientific Reports em 2023, por exemplo, encontrou referências inventadas em 55% das citações produzidas pelo GPT-3.5 e em 18% das produzidas pelo GPT-4. Não é uma falha rara: é o comportamento esperado de um modelo que não tem nenhum documento real à frente e do qual, mesmo assim, se exige uma resposta com aparência de precisão.

Um assistente de pesquisa acadêmico bem projetado funciona de outro modo, porque trabalha com recuperação de informação antes de gerar a resposta — o que a literatura técnica chama de RAG, retrieval-augmented generation: primeiro busca nas fontes reais conectadas à instituição e só depois redige o resumo a partir dos documentos efetivamente recuperados, com seus metadados reais. A pesquisa sobre essa técnica é clara em um ponto e honesta em outro: ela reduz substancialmente a fabricação de referências em relação a um modelo sem recuperação, porque ancora a resposta em texto que existe, mas não a elimina por completo — o sistema pode interpretar mal ou distorcer o conteúdo de uma fonte mesmo tendo-a à frente. Por isso, verificar cada citação antes de incorporá-la a um trabalho acadêmico continua sendo responsabilidade do pesquisador. A ferramenta reduz o trabalho, não a responsabilidade.

Há uma segunda diferença, mais prática: de quais fontes cada um lê. O ChatGPT, na versão aberta, não tem como saber quais bases de dados a sua universidade assina nem o que há no seu repositório institucional. Um assistente conectado ao metabuscador da biblioteca lê exatamente isso: o catálogo, o repositório, as revistas próprias em OJS, as bases assinadas e os agregadores acadêmicos abertos habilitados pela instituição. Responde a partir da coleção que a biblioteca pagou e curou e, por isso, pode citá-la com precisão.

Como o assistente lê, sintetiza e cita

O mecanismo tem quatro passos, e a ordem importa:

1. Recuperar o documento certo, não adivinhá-lo. O sistema converte a pergunta do pesquisador, feita em linguagem natural, em consultas especializadas contra as fontes conectadas. O resultado é um conjunto de documentos reais com metadados completos — autor, título, ano, publicação e DOI, quando existe.
2. Extrair os pontos-chave à luz da pergunta. Com o documento recuperado, o assistente identifica o que responde à pergunta: o problema, a metodologia, os principais achados e as limitações que o próprio autor reconhece. Se a pergunta é sobre métodos de avaliação, prioriza essa seção, mesmo que não seja a mais extensa.
3. Sintetizar na profundidade certa. O usuário escolhe o nível: microrresumo de relevância para a triagem, resumo executivo ou detalhado, ou resumos com foco em metodologia, em resultados ou em marco teórico. Quando a pergunta envolve vários documentos, o assistente aponta coincidências, contradições e lacunas entre eles — o coração de uma revisão de literatura.
4. Gerar a citação. A partir dos metadados, o sistema produz a referência em APA (7ª edição, de 2019: autor-data, com DOI quando existe, dominante em psicologia, educação, saúde e ciências sociais), em MLA (9ª edição, de 2021: autor-página e sistema de “contêineres”, usual em letras e humanidades) e em Chicago (com seus dois sistemas, notas e bibliografia ou autor-data, frequente em história, artes e edição), conforme o que a instituição ou a revista de destino exigir.

A exatidão da citação depende por completo da qualidade dos metadados de origem: se o documento recuperado tem um ano errado ou um autor incompleto, a citação herda o erro, com o formato certo e o dado errado. Por isso a qualidade da descrição no catálogo e no repositório — o terreno da extração de metadados com IA — é a base de qualquer camada de IA construída por cima. Se a sua instituição trabalha com outra norma de referência, como a ABNT, vale tratar esse ponto no diagnóstico do projeto.

Para quem foi pensado

O perfil de usuário é específico. O assistente serve a estudantes de graduação e pós-graduação que enfrentam a primeira revisão de literatura e ainda não sabem delimitar uma busca; a pesquisadores e professores que precisam acompanhar a produção do seu campo sem dedicar a isso um dia inteiro por semana; e a bibliotecas acadêmicas que querem oferecer um serviço de referência de alto nível sem que cada consulta dependa de haver um bibliotecário disponível naquele momento. Não foi pensado para substituir o orientador nem o critério do conselho editorial de uma revista: é uma ferramenta de triagem e síntese, não de avaliação acadêmica.

Como se integra ao BiblioMeta Académico

O assistente não funciona isolado: vai integrado ao BiblioMeta Académico, o metabuscador da BiblioLabTech para universidades. O BiblioMeta Académico é a camada de descoberta que unifica em um único ponto de busca o catálogo, o repositório institucional, as revistas próprias em OJS e as bases assinadas da biblioteca (entenda o modelo no guia de metabuscador para bibliotecas). O assistente se apoia nessa unificação: converte a pergunta em linguagem natural em consultas especializadas, recupera os documentos pertinentes e entrega o resumo e as citações. E, como o BiblioMeta Académico inclui acesso remoto integrado, o usuário chega ao texto completo mesmo fora do campus.

Essa dependência explica por que o assistente responde com precisão onde o ChatGPT não consegue: não é que tenha um modelo maior ou mais novo, é que tem um índice real do que a biblioteca contém e do que a instituição pagou para assinar. Sem essa camada de descoberta, qualquer assistente de IA volta a depender da memória de treinamento, com os mesmos riscos de um ChatGPT genérico.

Por isso, a ordem que a BiblioLabTech recomenda a uma biblioteca que começa do zero é: primeiro consolidar as fontes no metabuscador e, depois, ativar a camada de síntese e citação sobre esse índice. Pular o primeiro passo é a causa mais comum de um piloto decepcionante: se o metabuscador cobre metade das assinaturas, o assistente só consegue responder a partir dessa metade. Quando as fontes já estão conectadas, a implantação do assistente leva de sete a dez semanas, incluindo a validação com usuários reais; se o projeto parte do zero, o assistente é mais uma fase da implantação do metabuscador. O assistente vem incluído sem custo adicional em cada integração do BiblioMeta Académico, e o histórico de buscas pode ser operado de forma agregada e anônima, que é o que recomendamos.

O que ele não faz — e por que isso também é parte do projeto

Vale ser explícito sobre os limites, porque apresentá-lo sem eles seria vendê-lo mal. O assistente não substitui a leitura completa dos documentos que serão citados: acelera a decisão sobre quais merecem essa leitura. Não substitui o critério editorial nem o julgamento disciplinar do pesquisador sobre quais fontes são relevantes ou rigorosas. E, embora trabalhe sobre documentos reais, e não sobre invenções do modelo, a verificação final de cada citação continua sendo tarefa de quem assina o trabalho. Na prática, três verificações seguem sendo humanas:

• Pertinência: a fonte precisa servir ao argumento, e não apenas coincidir com as palavras-chave da busca.
• Fidelidade: o resumo precisa representar o que o documento original diz, sobretudo em artigos longos ou com achados matizados.
• Leitura: o que se cita precisa ter sido lido; o assistente reduz quanto é preciso ler para decidir o que merece leitura completa.

Quando a BiblioLabTech implanta o serviço em uma universidade, essa expectativa entra desde a capacitação inicial, com materiais para os usuários sobre o que uma pessoa sempre verifica. As universidades que incorporam isso à sua política de integridade acadêmica obtêm um resultado muito melhor do que as que apenas habilitam a ferramenta.

Quando faz sentido para a sua instituição

Faz sentido se a sua biblioteca já tem, ou está construindo, um metabuscador que unifique as fontes assinadas; se pesquisadores e pós-graduandos reclamam de quanto tempo leva uma revisão de literatura; ou se a biblioteca quer oferecer um ponto de consulta disponível fora do horário da equipe de referência. Ainda não faz sentido se a instituição não tem bases assinadas além do catálogo básico: um assistente que só consegue ler um catálogo pequeno não tem muito o que sintetizar, e o que convém primeiro é ampliar a coleção digital.

Há ainda um ganho menos visível: um assistente institucional evita que estudantes recorram a ferramentas genéricas de IA que não conhecem as assinaturas da instituição e que, sem recuperação de fontes reais, tendem a fabricar citações. Para dúvidas operacionais — horários, empréstimos, renovações —, o caminho é outro: o chatbot para bibliotecas. Para a pesquisa acadêmica, conheça o assistente de pesquisa com IA da BiblioLabTech ou fale com a nossa equipe.