[Por KACHI Comunicação Científica & Marketing Farmacêutico]

A IA generativa está acelerando a produção de conteúdo científico. O próximo padrão de qualidade não é simplesmente adicionar referências – é verificar se cada fonte existe, se é a fonte correta e se sustenta exatamente o claim que está sendo comunicado.

A comunicação científica sempre dependeu de referências. Uma citação é mais do que um elemento de formatação: ela sinaliza, implicitamente, que existe uma fonte verificável e que essa fonte sustenta a afirmação apresentada. Em 2026, essa premissa merece um escrutínio maior. Uma auditoria de 2.471.758 artigos biomédicos no PubMed Central identificou 4.046 referências fabricadas em 2.810 artigos. A proporção de artigos afetados aumentou de aproximadamente 1 em 2.828, em 2023, para 1 em 277 nas primeiras sete semanas de 2026.¹

Para as equipes da indústria farmacêutica, isso não é um problema abstrato de publicação científica. A mesma literatura científica torna-se a evidência upstream para respostas de Informação Médica, planos de publicação, intercâmbio científico conduzido por MSLs, materiais de congressos, conteúdo educacional, claims promocionais, materiais de campo, websites e ativos omnichannel modulares. As regras de governança diferem entre atividades promocionais e não promocionais, mas ambas dependem de uma cadeia de evidências confiável.²

1. O problema é maior do que a “alucinação da IA”

Referências fabricadas – definidas operacionalmente como citações de publicações cuja existência não pôde ser verificada – podem surgir de diferentes fontes, incluindo paper mills, má conduta intencional, erros convencionais de citação e uso não crítico de ferramentas de escrita com IA. O aumento acentuado observado na literatura biomédica coincide com o período posterior à adoção ampla dos grandes modelos de linguagem, mas a auditoria não permite estabelecer causalidade; mudanças na atividade de paper mills e nas práticas de indexação também podem ter contribuído. Portanto, a conclusão adequada não é que a IA seja a única causa, mas que a integridade das referências se tornou um problema de controle de qualidade mais visível e escalável. Muitas das referências fabricadas identificadas não apresentavam defeitos óbvios: eram específicas para o tema, estavam corretamente formatadas, eram atribuídas a pesquisadores reais e apresentavam datas de publicação plausíveis.¹

O sinal não se limita à medicina. Outra auditoria publicada em 2026, que avaliou 500.000 artigos revisados por pares em química, física, ciência dos materiais, engenharia e ciência da computação, identificou 1.135 referências classificadas como fabricadas em 619 artigos. A prevalência de artigos afetados aumentou de 6,3 por 10.000 em 2023 para 23,0 por 10.000 no primeiro trimestre de 2026. Esse achado mais amplo reforça que o problema pertence ao ecossistema da informação científica, e não a uma única especialidade.³

2. Nem todos os sistemas de IA apresentam o mesmo risco de citação

Um dos motivos para evitar mensagens simplistas é que a arquitetura da IA e as condições de uso importam. Em um estudo de 2026 em neurointensivismo, três LLMs de uso geral foram solicitados a gerar referências em condições padronizadas, zero-shot e sem retrieval. Das 300 citações geradas, 55,0% apresentaram algum tipo de imprecisão e 28,3% foram completamente fabricadas. Os autores ressaltaram que esses resultados se aplicam ao uso memory-only, sem retrieval, e que referências geradas devem ser verificadas de forma independente antes de serem utilizadas em contextos clínicos, educacionais ou científicos.⁴

Outro estudo de 2026 avaliou o OpenEvidence, um sistema clínico de IA com retrieval-augmented generation (RAG), que utiliza fontes médicas indexadas e licenciadas. Entre 4.979 referências retornadas para prompts padronizados em oncologia, cardiologia, reumatologia, psiquiatria e infectologia, nenhuma referência foi confirmada como fabricada; três resumos de congressos apresentaram erros de atribuição. É importante destacar que o estudo avaliou se as referências existiam e como eram caracterizadas – e não se cada referência efetivamente sustentava o claim clínico apresentado na resposta da IA.⁵

3. A revisão por pares ajuda – mas “publicado” não significa “referência verificada”

Os processos de revisão por pares e editoriais parecem reduzir alguns problemas relacionados às referências, mas não foram concebidos para garantir a verificação bibliográfica. Em uma análise de 2026 com 42.249 preprints do medRxiv, referências fabricadas foram mais de duas vezes mais frequentes do que em artigos revisados por pares do PubMed Central (37,2 versus 16,4 artigos afetados por 10.000; razão de taxas de 2,27). Ainda assim, 12 preprints afetados foram posteriormente publicados em periódicos revisados por pares mantendo as referências fabricadas, e 10 desses artigos publicados acumularam citações adicionais.⁶

Para a indústria farmacêutica, a implicação não é desconfiar da revisão por pares. É evitar terceirizar a verificação da evidência ao status de publicação. Um artigo revisado por pares pode estar upstream de um claim promocional, de um deck científico de MSL, de uma resposta de Informação Médica ou de um material de treinamento científico; quando a evidência é reutilizada em diferentes canais e módulos, um erro upstream pode se tornar um problema downstream de qualidade de conteúdo em escala. O intercâmbio científico deve permanecer distinto da promoção, mas ambos exigem manejo preciso das fontes.²,⁶

4. A pergunta mais importante: a referência sustenta o claim?

A mudança mais útil para a comunicação científica é separar três perguntas que frequentemente são tratadas como se fossem uma só. Primeiro: a referência existe? Segundo: é a fonte correta? Terceiro: essa fonte sustenta exatamente o claim que está sendo comunicado? O estudo com OpenEvidence demonstra por que essa distinção é importante: verificar que 4.979 referências eram reais não estabeleceu se essas fontes sustentavam as afirmações clínicas às quais estavam associadas.⁵

Uma publicação real ainda pode ser citada incorretamente ou fora de contexto. Resnik e Hosseini diferenciam citações bibliograficamente incorretas, citações contextualmente imprecisas e citações alucinadas de trabalhos inexistentes. Na comunicação científica, a segunda categoria é especialmente importante: um artigo pode ser genuíno enquanto a frase construída a partir dele superestima a população, o desfecho, o comparador, o momento de avaliação, a magnitude do efeito ou o grau de certeza.⁷

Fontes: Lotan T, et al. npj Health Systems. 2026;3:87.⁵; Resnik DB, et al. Accountability in Research. 2026;33(7):2645390.⁷

5. Por que Pharma Marketing e Medical Affairs devem se importar

Medical Affairs é um stakeholder evidente, porque a IA já está sendo explorada para monitoramento da literatura, medical writing, respostas de Informação Médica, planejamento de publicações, suporte a MSLs e síntese de evidências. Um framework de governança de IA em Medical Affairs publicado em 2026 coloca a integridade científica e ética, a comunicação científica avançada e a responsabilização humana nominal entre seus princípios centrais. O framework recomenda que um profissional qualificado avalie a evidência e permaneça responsável pelo conteúdo liberado.²

Mas Pharma Marketing não deve interpretar a integridade das citações como um tema exclusivo de Medical Affairs ou Publications. O conteúdo de Marketing depende, em última análise, da substanciação dos claims. Seja o claim construído a partir de um desfecho pivotal, de uma análise secundária, de dados epidemiológicos, de uma diretriz ou de real-world evidence, a fonte precisa sustentar o que o ativo final afirma. Bakalos e colaboradores defendem que o processo de MLR deve aplicar os mesmos padrões de evidência a conteúdos assistidos por IA e a conteúdos produzidos por humanos, e que materiais gerados com IA devem cumprir os mesmos requisitos de precisão, balanceamento, referenciamento e compliance promocional.²

Isso se torna ainda mais importante à medida que o conteúdo se torna modular. Um único núcleo de evidência pode alimentar um visual aid, um e-mail, um módulo de website, um slide de campo, um material de treinamento ou outros conteúdos derivados. A arquitetura modular pode aumentar a consistência e a velocidade, mas também pode escalar um erro de fonte quando a verificação é frágil no núcleo. Portanto, a pergunta prática de qualidade se desloca para upstream: não “Este ativo tem referência?”, mas “A evidência por trás do claim reutilizável foi verificada?”. Essa é uma inferência operacional a partir dos requisitos de governança e proveniência das fontes descritos para Medical Affairs habilitado por IA.²

Fonte: Bakalos G, et al. Pharmaceutical Medicine. Publicado online, 2026.²

6. O padrão da publicação científica já está avançando em direção à verificação e à responsabilização

Em 2026, a JAMA Network atualizou suas orientações para desencorajar explicitamente o uso de ferramentas de IA para gerar, formatar ou gerenciar referências bibliográficas. Os editores relataram ter recebido manuscritos com múltiplas referências imprecisas ou inexistentes e recomendaram que os autores utilizem gerenciadores de referências convencionais e verifiquem a completude, a precisão e a integridade das referências. A orientação reitera que os autores permanecem responsáveis por todo o conteúdo submetido, independentemente do uso de IA.⁸

O International Committee of Medical Journal Editors (ICMJE) afirma, de forma semelhante, que a IA pode gerar conteúdo com aparência de autoridade, porém incorreto, incompleto ou enviesado, e que os humanos continuam responsáveis por revisar e assegurar a precisão. O ICMJE também enfatiza a transparência sobre o uso de IA e a responsabilidade humana pela atribuição adequada das fontes. Essas recomendações foram elaboradas para publicação científica, mas o princípio subjacente se aplica diretamente à comunicação científica regulada: a IA pode apoiar o workflow; a responsabilidade não pode ser delegada ao modelo.²,⁹

Fontes: Flanagin A, et al. JAMA. 2026;336(11):926-928.⁸; International Committee of Medical Journal Editors (ICMJE). 2026.⁹

Destaque editorial. Fontes: Flanagin A, et al. JAMA. 2026;336(11):926-928.⁸; International Committee of Medical Journal Editors (ICMJE). 2026.⁹

7. Um checklist prático de verificação de evidências em 5 pontos para conteúdos Pharma

Um padrão útil de controle de qualidade deve ser simples o suficiente para ser aplicado durante o desenvolvimento do conteúdo e, ao mesmo tempo, específico o suficiente para detectar diferentes tipos de falha. Os cinco controles a seguir sintetizam as evidências e as recomendações de governança de 2026 em um workflow prático para comunicação científica e promocional.¹,²,⁵

Fontes: Topaz M, et al. The Lancet. 2026;407(10541):1779-1781.¹; Bakalos G, et al. Pharmaceutical Medicine. Publicado online, 2026.²; Lotan T, et al. npj Health Systems. 2026;3:87.⁵; Flanagin A, et al. JAMA. 2026;336(11):926-928.⁸

8. A IA também pode se tornar parte do sistema de controle

A mesma tecnologia que cria novos modos de falha também pode fortalecer a verificação. Topaz e colaboradores utilizaram pipelines automatizados de checagem de referências para identificar citações que não puderam ser correspondidas em grandes bases bibliográficas e recomendaram a verificação automatizada rotineira antes da publicação.¹

Sistemas com retrieval-augmented generation podem reduzir o risco de inventar fontes ao ancorar as respostas em corpora de evidências controlados, embora o retrieval não elimine a necessidade de verificar se a fonte efetivamente sustenta a afirmação gerada.¹,⁵

Para Medical Affairs, Bakalos e colaboradores propõem workflows com retrieval-augmented generation restritos a corpora de evidências aprovados e controlados por versão, com atribuição das fontes e sign-off humano obrigatório. Também recomendam documentar o envolvimento da IA, a proveniência das fontes e as decisões de revisão. Isso aponta para um modelo pragmático para a indústria farmacêutica: combinar automação para ganhar velocidade e escala com verificação humana estruturada nos pontos em que a evidência se transforma em claim.²

A confiança começa upstream

A comunicação científica continua precisando de clareza, criatividade, relevância e velocidade. A IA pode aprimorar os quatro aspectos. Mas nenhum deles compensa uma cadeia de evidências que não tenha sido verificada. Portanto, o novo padrão não é simplesmente “citação presente”. É evidência verificada: a fonte existe, a fonte está correta, o claim é sustentado, o contexto é apropriado e um profissional qualificado permanece responsável pelo que é liberado.¹,²,⁵

Para Pharma Marketing e Medical Affairs, essa mudança é mais do que uma lição sobre publicação científica. É um princípio de qualidade de conteúdo para a era da IA – e um pré-requisito para manter a confiança quando a informação científica circula mais rapidamente, por mais canais e em mais formatos do que nunca.²,⁸,⁹

Como citar este artigo

KACHI Comunicação Científica & Marketing Farmacêutico. Na era da IA, uma citação já não é suficiente: da citação à evidência, um novo padrão para a comunicação científica [Internet]. São Paulo: KACHI; 2026. Disponível em: https://www.kachi.com.br/en/kachi-global-pharma-blog/ai-scientific-communication-evidence-verification

A KACHI é uma agência de comunicação científica e marketing farmacêutico liderada por médicos, que atende a indústria farmacêutica nas Américas e estabelece um elevado padrão de rigor científico, clareza estratégica e execução criativa.

Referências

1. Topaz M, Roguin N, Gupta P, Zhang Z, Peltonen LM. Fabricated citations: an audit across 2·5 million biomedical papers. Lancet. 2026 May 9;407(10541):1779-81. doi: 10.1016/S0140-6736(26)00603-3. Erratum in: Lancet. 2026 Jul 18;408(10551):218. doi: 10.1016/S0140-6736(26)01339-5. PMID: 42107362.
2. Bakalos G, Loenneker T, Srock S, Das-Gupta A, Canon A, Buechele T, et al. Eight hallmarks for governing artificial intelligence in medical affairs: a structured pathway for responsible AI adoption. Pharmaceut Med. 2026 Nov 2. doi: 10.1007/s40290-026-00644-8. PMID: 42967960.
3. Topaz M, Gupta P, Zhang Z, Peltonen LM. Evaluation of possibly fabricated references in 500,000 science, engineering, and computing papers. Proc Natl Acad Sci U S A. 2026 Nov 3;123(44):e2623869123. doi: 10.1073/pnas.2623869123. PMID: 42932666; PMCID: PMC13732075.
4. Seifi A, Seyfi A. Hallucination rate of peer-reviewed citations generated by large language models in neurocritical care. Crit Care Explor. 2026 Sep 1;8(9):e1474. doi: 10.1097/CCE.0000000000001474. PMID: 42640622; PMCID: PMC13506236.
5. Lotan T, Omar M, Barash Y, Kruskal JB, Ahmed M, Brook OR, et al. Reference quality of OpenEvidence across five medical specialties. Npj Health Syst. 2026 Sep 2;3(1):87. doi: 10.1038/s44401-026-00142-8. PMID: 42686938; PMCID: PMC13538487.
6. Topaz M, Zhang Z, Gupta P, Roguin N, Peltonen LM. Fabricated references are twice as common in medRxiv preprints as in peer-reviewed articles. J Intern Med. 2026 Sep;300(3):379-81. doi: 10.1111/joim.70139. PMID: 42444601; PMCID: PMC13429001.
7. Resnik DB, Hosseini M. Hallucinated citations produced by generative artificial intelligence may constitute research misconduct when citations function as data in scholarly papers. Account Res. 2026 Oct;33(7):2645390. doi: 10.1080/08989621.2026.2645390. PMID: 41833014; PMCID: PMC13051339.
8. Flanagin A, Perlis RH, Bibbins-Domingo K. Updated guidance for author use of AI in medical publication. JAMA. 2026 Sep 15;336(11):926-8. doi: 10.1001/jama.2026.16613. PMID: 42574208.
9. International Committee of Medical Journal Editors (ICMJE). Use of artificial intelligence in publishing [Internet]. ICMJE; [updated 2026 Jan 1; cited 2026 Nov 6]. Available from: https://www.icmje.org/recommendations/browse/artificial-intelligence/