A IA que serve para algo além de gerar texto
Durante o último ciclo de hype em torno de modelos de linguagem, a conversa pública girou — e segue girando — em torno de chatbots, copilots de produtividade e geração de imagem. Mas existe um filão de aplicação quase invisível para o consumidor médio que começa a entregar resultados reais: o uso de LLMs (Large Language Models, ou modelos de linguagem de grande porte) como ferramenta de pesquisa em humanidades e ciências históricas.
Um post recente do Res Obscura levantou um ponto que incomoda parte da academia tradicional: os laboratórios de IA não estão priorizando, nem financiando, projetos que usam esses modelos para investigar manuscritos antigos, transmissões de conhecimento entre séculos ou criptografias históricas. O argumento é simples — se a capacidade de reconhecimento de padrões textuais dos LLMs evoluiu tanto, por que não aplicar isso a acervos que dormem em bibliotecas e arquivos digitais?
O que os pesquisadores já estão fazendo
Os casos de uso citados não são hipotéticos. Pesquisadores vêm aplicando modelos de linguagem a dois problemas clássicos de história da ciência e de história cultural:
- Rastreamento de transmissão de conhecimento alquímico — identificar como certas receitas, símbolos e procedimentos migraram entre manuscritos europeus entre os séculos XVI e XVIII, mapeando quem copiou de quem.
- Decifração de cartas cifradas do século XVII —破解 correspondências privadas que usavam códigos numéricos ou alfabéticos, inacessíveis a historiadores sem formação matemática pesada.
Em ambos os casos, o trabalho não é trivial. Manuscritos antigos trazem variabilidade ortográfica, abreviações da época, tinta desbotada e, frequentemente, múltiplos idiomas misturados na mesma página. O modelo precisa lidar com isso antes de qualquer análise de paternidade textual ou de cifra.
Onde o LLM realmente ajuda
A força do modelo aqui não está em inventar história — está em fazer em horas o que um pesquisador levaria meses. Três frentes merecem destaque:
- Reconhecimento óptico de caracteres (OCR) robusto para tipografias antigas. Modelos treinados em texto moderno tropeçam em glifos do século XVII. Versões ajustadas por fine-tuning (retreino especializado em um corpus menor e específico) sobre manuscritos digitalizados performam melhor.
- Agrupamento e comparação de variantes textuais. Quando se quer saber se dois manuscritos compartilham uma fonte comum, o LLM consegue calcular distâncias semânticas entre trechos e sugerir candidatos a "parente próximo" para revisão humana.
- Sugestão de chaves criptográficas. Para cifras de substituição simples, o modelo pode propor mapeamentos candidatos a partir de análise de frequência, acelerando a fase mais tediosa do trabalho.
Nada disso substitui o historiador. O LLM funciona como um estagiário muito rápido que sabe ler estilos variados e nunca se cansa — mas quem valida continua sendo o especialista humano.
Por que os laboratórios não investem nisso
Aqui está o incômodo do autor do Res Obscura: o financiamento de pesquisa em IA está concentrado em aplicações com retorno comercial claro. Benchmarks de raciocínio, geração de código, multimodalidade vídeo-texto. Humanidades digitais raramente aparecem em roadmaps de labs como OpenAI, Anthropic ou Google DeepMind.
O resultado é uma assimetria curiosa. Os mesmos modelos que poderiam acelerar décadas de pesquisa historiográfica permanecem subutilizados nesse campo, enquanto equipes competem para lançar o próximo agente autônomo de planilha. Não há nada de errado em perseguir produto comercial — é assim que o ecossistema se sustenta. Mas o argumento é que falta um mecanismo de fomento, talvez filantrópico ou público, para direcionar capacidade de IA a problemas de pesquisa sem mercado cativo.
O que ainda não sabemos
Existem ressalvas importantes. LLMs são conhecidos por alucinar — produzir afirmações factualmente incorretas com confiança estatística. Em pesquisa histórica, isso é especialmente perigoso: um modelo pode "inventar" uma fonte, atribuir um manuscrito ao autor errado ou sugerir uma cifra que parece plausível mas não tem fundamento.
Por isso, o uso responsável envolve sempre um humano verificando a saída contra o manuscrito original, e idealmente publicando o processo para revisão por pares. O modelo propõe, o pesquisador dispõe — e principalmente, comprova.
Um campo a observar
A interseção entre LLMs e ciências humanas ainda está em fase artesanal. Não há framework consolidado, nem benchmark público para medir desempenho em decifração de cifras históricas, por exemplo. Quem trabalha na fronteira está basicamente construindo o método do zero.
Para o leitor brasileiro, a lição é direta: a próxima revolução de aplicação em IA pode não vir de um assistente de e-mail, mas de uma biblioteca digital onde um pesquisador descobre, em uma tarde, o que antes exigiria uma carreira inteira.
Fontes consultadas
- Res Obscura — AI labs need to start funding historical
- Discussão no Hacker News — thread relacionado
