A discussão sobre softwares qualitativos não pode ignorar a presença crescente de sistemas de inteligência artificial, especialmente modelos de linguagem que produzem textos, resumos e classificações. Estes sistemas aparecem em plataformas de chat, em ferramentas de transcrição, em assistentes de escrita e em serviços que prometem resumir entrevistas ou sugerir códigos automaticamente.

Nesta parte da apostila, a ideia não é demonizar a IA, mas situá-la de forma crítica e metodologicamente rigorosa. Isso significa entender como estes modelos funcionam, quais são seus limites e quais usos podem ser considerados eticamente defensáveis em pesquisa qualitativa. Também significa reconhecer onde a IA não deve entrar, principalmente quando colocaria em risco a integridade dos participantes, a qualidade da análise ou a transparência do percurso metodológico.

5.1 O que é IA generativa e como ela opera

Modelos de linguagem de grande porte, frequentemente chamados de IA generativa, não pensam, não interpretam e não compreendem o mundo como seres humanos. Eles operam por meio de estatística preditiva: a partir de enormes bases de texto, ajustam bilhões de parâmetros para aprender quais sequências de palavras tendem a aparecer juntas. Quando você escreve uma pergunta, o modelo estima, passo a passo, qual é o próximo token mais provável dado o contexto anterior.

Em termos simples, a IA generativa é um mecanismo sofisticado de autocomplete. Ela produz enunciados coerentes, mas não necessariamente verdadeiros, e pode reproduzir padrões, preconceitos e lacunas existentes nos dados de treinamento. Sua capacidade de produzir textos convincentes é grande, mas isso não significa que esteja realizando análise qualitativa no sentido metodológico do termo.

Para a pesquisa qualitativa, isso traz um ponto central: a IA não sabe o que é um contexto de entrevista, não compreende a implicação de uma pausa, não percebe ironias ou contradições de modo consciente. Ela apenas replica formas de enunciação presentes nos dados de treino, o que pode ser útil para tarefas periféricas, mas é problemático quando se tenta delegar a ela decisões interpretativas.

5.2 A metáfora da caixa preta

A expressão caixa preta é usada para descrever sistemas cujo funcionamento interno é opaco. Mesmo quando se conhece a arquitetura geral do modelo, não é possível reconstruir exatamente como uma determinada resposta foi gerada, quais dados específicos tiveram mais peso ou qual caminho de cálculo levou àquela saída.

Em pesquisa qualitativa, isso gera tensões importantes. O campo valoriza a explicitação de decisões analíticas, a possibilidade de reconstruir o caminho da interpretação e a articulação entre dados empíricos, categorias e teoria. Quando se terceiriza parte desse caminho a um sistema opaco, perde-se a capacidade de justificar com clareza por que determinado código foi atribuído, porque um resumo destacou certos elementos e omitiu outros ou por que uma síntese soou mais harmônica do que o conflito real presente nas falas.

A caixa preta não é apenas um problema técnico. Ela é uma questão ética e epistemológica. Se a pessoa pesquisadora não consegue explicar como chegaram a determinada leitura dos dados, a confiança científica e a responsabilidade diante dos participantes ficam fragilizadas.

5.3 O que a IA pode fazer em pesquisa qualitativa, dentro de limites éticos

Embora a IA não deva assumir o papel de analista, há usos possíveis que podem ser considerados metodologicamente aceitáveis, desde que sejam explicitados no projeto e na redação dos resultados. Em geral, estes usos se localizam em tarefas de apoio, preparação e organização dos materiais, e não na etapa central de interpretação.

Alguns exemplos de usos aceitáveis, desde que feitos com cuidado:

• Geração de exemplos didáticos: criar pequenos exemplos fictícios para explicar conceitos teóricos, sem usar falas reais de participantes.
• Auxílio na organização do projeto: sugerir formas de estruturar capítulos, roteiros de entrevista ou fluxos de trabalho, sempre sob decisão humana.
• Auxílio técnico em código: uso de IA para escrever scripts em R ou Python que ajudem na preparação e limpeza de dados, que depois serão analisados qualitativamente.

Em todos esses casos, a IA atua como uma ferramenta auxiliar, e não como sujeito da análise. A decisão final continua nas mãos do pesquisador, que precisa ler, conferir, ajustar e assumir responsabilidade pelo que é mantido ou descartado.

5.4 O que a IA não deve fazer em pesquisa qualitativa

Há também fronteiras que, do ponto de vista ético e metodológico, não devem ser cruzadas.
Algumas práticas representam riscos altos de distorção dos dados, apagamento de conflitos e violação da confiança dos participantes.

Em especial, é problemático:

• Pedir que a IA codifique automaticamente entrevistas: o modelo não compreende o contexto de produção das falas nem a teoria que orienta a pesquisa. Ele tende a reproduzir categorias genéricas, naturalizando sentidos e apagando nuances.
• Enviar transcrições sensíveis para ferramentas externas sem avaliar privacidade: quando se usa serviços online, é preciso verificar políticas de uso de dados, armazenamento e treinamento adicional dos modelos.
• Usar resumos automáticos como se fossem análises: um resumo gerado por IA pode parecer organizado e elegante, mas ele não substitui o movimento interpretativo que articula dados, teoria e problema de pesquisa.
• Pedir que a IA invente dados ou falas representativas: usar textos gerados como se fossem falas de participantes, ou como se sintetizassem o grupo, é metodologicamente inadequado e fere a ética.

• Deixar de explicitar o uso de IA na metodologia: esconder que uma parte do processo foi mediada por IA impede a avaliação crítica da pesquisa por leitoras, leitores e pares acadêmicos.

Em síntese, a IA não deve ser o lugar onde a pesquisa delega decisões interpretativas. Ela não é analista, não é sujeito de pesquisa, não é coautora do trabalho. O uso de IA, quando existe, precisa ser descrito com transparência e localizado em tarefas auxiliares, claramente distinguidas do núcleo analítico.

5.5 Vídeo recomendado sobre IA e pesquisa qualitativa

Para ampliar a reflexão sobre IA, caixa preta e pesquisa, uma recomendação complementar é a entrevista de Caio (pesquisador da área) que discute de forma clara e acessível o funcionamento dos modelos de linguagem, seus limites e possibilidades no contexto acadêmico:

Entrevista com Caio sobre IA, pesquisa e ética (YouTube)


O vídeo aborda de maneira didática como modelos de linguagem funcionam, por que são considerados
caixas pretas, quais riscos aparecem quando se tenta usá-los como produtores de análise e como
podemos construir uma relação mais crítica com essas ferramentas. É um material útil para quem
quer levar o debate para sala de aula ou para grupos de pesquisa.

5.6 Ética do uso de IA na pesquisa: aprofundamento

Pensar a ética do uso de IA em pesquisa qualitativa exige juntar três camadas: entender minimamente como as ferramentas funcionam, refletir sobre o lugar metodológico que elas podem ocupar e discutir as implicações políticas e sociais de delegar tarefas analíticas a sistemas de caixa preta.

Em termos de funcionamento, modelos de IA são treinados com grandes coleções de textos que nem sempre são totalmente conhecidos, transparentes ou consentidos. Isso levanta questões sobre direitos autorais, extração de trabalho intelectual e assimetrias de poder entre quem produz dados e quem constrói modelos. Quando a pesquisa acadêmica utiliza essas ferramentas, entra em contato com esse ecossistema de disputas, mesmo que indiretamente.

Em termos metodológicos, a questão central é a responsabilidade. A pessoa pesquisadora precisam ser capazes de explicar, passo a passo, como chegaram às interpretações apresentadas. Se partes importantes deste caminho forem delegadas a um sistema opaco, a justificativa se fragiliza. Por isso, uma ética da pesquisa com IA passa pela recusa em terceirizar decisões analíticas fundamentais e pela defesa da explicabilidade do percurso.

Em termos políticos, a IA está inserida em um cenário de plataformas e empresas que lucram com dados. Isso inclui a possibilidade de que textos de participantes, mesmo anonimizados, sejam incorporados ao treinamento futuro de modelos, o que é incompatível com muitos princípios de confidencialidade em pesquisa qualitativa. Sempre que se pensar em usar IA com dados empíricos, é preciso verificar se a ferramenta permite desativar o uso para treinamento, se há contratos claros de privacidade e se o comitê de ética da instituição autoriza este tipo de fluxo.

Uma ética cuidadosa do uso de IA em pesquisa qualitativa inclui, no mínimo:

• Transparência: explicitar em relatórios, dissertações e artigos se, como e em que etapa a IA foi utilizada.
• Proporcionalidade: reservar o uso de IA a tarefas periféricas, sem entregar a ela decisões interpretativas centrais.
• Proteção de dados: evitar envio de materiais sensíveis para serviços externos sem garantias fortes de confidencialidade.
• Reflexividade: discutir com o grupo de pesquisa e com orientações acadêmicas o impacto deste uso na forma de ver e recortar o corpus.
• Reconhecimento dos limites: assumir que a IA não substitui leitura, escuta, convivência em campo nem o trabalho de interpretação situado.

Em termos práticos, uma forma responsável de integrar IA à pesquisa qualitativa é tratá-la como apoio técnico, sempre subordinado a decisões humanas fundamentadas. Em vez de perguntar o que a IA pode fazer no meu lugar, a pergunta se desloca para como manter o centro da análise na relação entre pessoa pesquisadora, corpus e teoria, usando ferramentas digitais apenas como apoio logístico e cognitivo, sem transferir a elas a autoridade epistêmica da pesquisa.