O estudo do MIT que foi apagado da internet

Um paper do MIT viralizou com uma promessa irresistível: dar inteligência artificial a cientistas poderia acelerar descoberta científica em uma escala quase inacreditável. Meses depois, a própria instituição pediu que o estudo fosse retirado da internet. Se você trabalha com IA, essa história deveria mudar como você lê estatísticas.

O ponto mais importante não é o escândalo em si. É o hábito que quase todo mundo desenvolveu nos últimos anos: ver um número bonito sobre IA, compartilhar no LinkedIn, citar em reunião, mandar no grupo da empresa e seguir em frente sem perguntar se aquele dado realmente para em pé. Em um mercado tomado por hype, dinheiro e urgência, separar sinal de ruído virou uma competência estratégica.

Trabalho com tecnologia e cibersegurança em Big Tech há mais de uma década, e esse padrão me incomoda porque ele aparece em relatórios de mercado, promessas de vendor e benchmarks de produto. O caso desse paper do MIT é só a versão mais limpa do problema.

O que aconteceu com o paper do MIT que viralizou?

Em novembro de 2024, Aidan Rogers, então aluno de doutorado em Economia no MIT, publicou um paper de cerca de 70 páginas que rapidamente explodiu em visibilidade. O estudo analisava uma empresa industrial de ciência de materiais com pouco mais de 1.000 cientistas. Metade desse grupo teria recebido acesso a uma ferramenta de IA para gerar hipóteses; a outra metade, não.

Os números chamavam atenção de imediato. Segundo o paper, os cientistas com IA teriam alcançado 44% mais resultados patenteáveis e 14% mais inovações de produto no downstream da empresa. Em pesquisa e desenvolvimento de materiais, em um intervalo relativamente curto, parecia uma revolução.

Não demorou para a imprensa amplificar a tese. O estudo ganhou cobertura do New York Times, foi compartilhado por figuras muito influentes no mercado e passou a ser citado em centenas de outros trabalhos. Esse é exatamente o tipo de trajetória que transforma uma hipótese em “verdade pública” antes mesmo de o ecossistema ter tempo de digerir o que foi publicado.

A cronologia depois disso é o que torna a história tão relevante. Em fevereiro de 2025, economistas seniores do próprio MIT, incluindo Daron Acemoglu, levaram preocupações sobre a validade da pesquisa aos canais internos apropriados. O instituto abriu uma revisão confidencial. Em maio de 2025, o MIT comunicou ao repositório público onde o paper estava hospedado que o estudo deveria ser retirado. Em junho, o autor já não fazia mais parte do MIT.

Perceba a força desse desfecho. Não foi uma correção marginal, um erratum ou um ajuste de rodapé. A versão institucional do trabalho foi removida. Você ainda pode encontrar PDFs espalhados pela internet, mas o selo oficial desapareceu. Em um campo acostumado a celebrar resultados grandiosos, isso deveria acender um alerta enorme.

Por que esse caso não é só sobre uma fraude isolada?

A leitura superficial dessa história é: “cuidado, existe fraude em pesquisa de IA”. Isso é verdade, mas é insuficiente. A lição realmente útil é outra: muita pesquisa fraca só continua circulando porque quase ninguém faz a pergunta certa no começo.

No caso do paper do MIT, a pergunta decisiva não foi um truque estatístico obscuro. Foi algo muito mais básico: esses números batem com tudo que a literatura já sabe sobre pesquisa e desenvolvimento em ciência de materiais? Quando profissionais muito experientes olharam para o resultado, a reação não foi deslumbramento. Foi estranhamento.

E o motivo do estranhamento faz sentido. Um aumento de 44% em descoberta científica dentro de uma única empresa, em uma única indústria, num horizonte de cerca de 18 meses, é um efeito gigantesco. Segundo a leitura apresentada no vídeo, isso parecia estar muito acima do que a literatura já havia documentado para outras intervenções em P&D. Quando o tamanho do efeito sai demais da curva, você não comemora primeiro. Você investiga primeiro.

Esse é o ponto que a mídia quase nunca cobre bem. A maior parte das pessoas não tem repertório para testar plausibilidade. Então o paper entra no ciclo normal de hype: alguém publica, o título é sedutor, um jornal respeitado repercute, executivos compartilham, consultorias encaixam o dado em apresentações e pronto — nasce mais uma estatística zumbi.

Chamo de estatística zumbi porque ela continua andando mesmo depois que a confiança morreu. O estudo perde sustentação, mas o número sobrevive em decks, palestras, newsletters e posts motivacionais. Com IA, isso está acontecendo em velocidade industrial.

Como reconhecer quando um resultado parece bom demais para ser verdade?

Esse problema não é exclusivo de IA, mas a IA acelerou o ciclo. Em segurança, por exemplo, você provavelmente já viu a frase de que 95% das brechas acontecem por erro humano. Dependendo do relatório, até a definição de erro humano muda, mas o número segue vivo porque é fácil de repetir e poderoso para vender narrativa.

O mesmo vale para saúde e estilo de vida. Durante anos, muita gente repetiu que uma taça de vinho tinto por dia faria bem ao coração. Só que, quando estudos melhores apareceram, a história ficou muito menos simpática: qualquer quantidade de álcool já eleva risco cardiovascular em alguma medida. O estudo ruim passou; a conversa ficou.

Com IA, o intervalo entre a manchete e a correção está cada vez menor, mas o dano reputacional do dado ruim continua enorme. Há muito capital em jogo, muita ansiedade corporativa e muito medo de “ficar para trás”. Esse ambiente cria incentivo para que números chamativos circulem antes de serem realmente testados.

Por isso, uma disciplina simples faz diferença: sempre que você encontrar um resultado espetacular, troque a pergunta “isso é inspirador?” por “isso é plausível?”. Se a promessa for 10 vezes melhor que todo o histórico conhecido do setor, a reação correta não é entusiasmo automático. É suspeita metodológica.

No caso do paper do MIT, foi exatamente isso que aconteceu. O número não parecia apenas positivo; parecia absurdamente acima da curva. E foi esse desconforto inicial que levou pessoas experientes a puxarem o fio.

O que eu olho antes de confiar em um estudo de IA?

Eu gosto de reduzir isso a uma pequena lista de verificação prática. Não é uma garantia absoluta, mas já elimina muito ruído.

1. O tamanho da amostra é minimamente sério?

Se um estudo faz uma afirmação enorme com 20 ou 30 observações, eu já diminuo drasticamente o entusiasmo. No vídeo, eu argumento que algo na casa de 1.000 ou mais casos já muda o patamar da conversa quando a ambição do paper é tirar conclusões amplas. Não é número mágico universal, mas é uma boa defesa contra generalizações frágeis.

2. Existe confirmação independente?

Um estudo sozinho não deveria virar dogma. Se só um paper está dizendo aquilo, trate como hipótese promissora, não como verdade consolidada. O ideal é procurar se outras equipes independentes encontraram algo parecido, em contextos diferentes, com métodos diferentes.

3. Em que estágio está a evidência?

Paper recém-publicado, sem revisão ampla, ainda está muito perto do estado de hipótese. Muita gente trata preprint como se fosse consenso científico porque o PDF parece formal, tem gráficos bonitos e saiu de uma instituição famosa. Isso é erro básico de leitura.

4. O tamanho do efeito passa no teste de plausibilidade?

Esse talvez seja o filtro mais negligenciado. Quando você lê “50% mais rápido”, “10 vezes mais produtivo”, “44% mais descoberta”, pare e compare com tudo que você conhece do domínio. Se o número soar bom demais, considere três possibilidades antes de compartilhar:

• a metodologia é fraca;
• o contexto é extremamente específico e não generaliza;
• o resultado foi apresentado de forma mais universal do que realmente é.

5. Quem está contando essa história ganha algo com ela?

Nem todo conflito de interesse invalida um estudo, mas sempre vale observar quem se beneficia da narrativa. Em IA, muita gente ganha com otimismo exagerado: mídia, plataforma, vendor, investidor, executivo tentando justificar orçamento, consultoria vendendo aceleração. Quanto maior o incentivo para superdimensionar o efeito, maior precisa ser a sua disciplina de leitura.

O que esse caso muda para empresas e profissionais que investem em IA?

Muda quase tudo, porque boa parte das decisões de adoção hoje é feita com base em números de produtividade, qualidade ou eficiência. Se a organização não sabe distinguir evidência robusta de marketing disfarçado de ciência, ela pode direcionar milhões para a aposta errada.

Isso vale para compras de ferramenta, desenho de processos, metas de transformação, narrativa para conselho, planejamento de workforce e até reposicionamento de carreira. Quando um líder acredita em qualquer estatística de impacto sem validar a origem, ele corre o risco de construir estratégia em cima de ruído.

É por isso que eu acho que surge um novo perfil profissional muito valioso: a pessoa que consegue avaliar eficiência com evidência. Não é o cético que rejeita tudo. Também não é o entusiasta que compartilha tudo. É alguém capaz de ler um paper, entender amostra, comparar plausibilidade, identificar generalização indevida e transformar isso em decisão melhor.

Na prática, essa competência vale ouro em times de tecnologia, segurança, produto, dados, operações e liderança executiva. O mercado já está cheio de gente repetindo slogans sobre IA. O diferencial agora é saber dizer: “esse número se sustenta?”.

O que fazer agora antes de compartilhar o próximo número sobre IA?

Se você quiser uma regra simples para aplicar ainda hoje, eu faria o seguinte:

1. Pare de compartilhar a estatística antes de ler a fonte primária. Manchete, post e thread não são evidência.
2. Cheque amostra, método e contexto. Um número sem desenho de pesquisa é só decoração.
3. Procure replicação. Se ninguém independente confirmou, trate como hipótese.
4. Faça o teste de plausibilidade. Pergunte se o efeito está muito acima de tudo que já se conhece naquele domínio.
5. Marque a incerteza explicitamente. Se ainda for preliminar, diga que é preliminar.

Esse pequeno ritual já colocaria muito mais sanidade no debate público sobre IA. E, honestamente, evitaria boa parte do ruído que hoje circula como se fosse insight estratégico.

O caso do paper apagado do MIT não deveria te tornar cínico em relação à IA. Deveria te tornar mais rigoroso. A tecnologia continua avançando rápido, com casos de uso reais e impacto concreto. Mas justamente por isso você não pode terceirizar seu julgamento para a manchete mais conveniente.

Da próxima vez que aparecer um número “impossível de ignorar” sobre produtividade, inovação ou transformação com IA, faça a pergunta que importa antes de clicar em compartilhar: isso é evidência ou isso é só uma história bonita com aparência de ciência?

Este artigo foi gerado a partir do meu vídeo no YouTube. Assista à versão completa para acompanhar a história do paper, o contexto do caso e o raciocínio completo sobre como ler pesquisa de IA com mais rigor.