Mais da metade dos unicórnios de IA nunca publicou pesquisa
Um preprint publicado em 16 de julho no bioRxiv, liderado por John Ioannidis (Stanford), analisou as 317 empresas de IA que atingiram status de unicórnio (avaliação acima de US$ 1 bilhão) entre 1998 e 2025 e descobriu que mais da metade nunca publicou um único artigo científico ou preprint com papel de liderança (primeiro ou último autor). Coletivamente, essas empresas responderam por apenas 1 em cada 1.000 papers de IA publicados em 2025.
Concentração extrema
A influência científica é ainda mais concentrada: os 5% das empresas com mais publicações acumulam mais de 90% de todas as citações. A OpenAI sozinha responde por quase 40% das citações do dataset, seguida pela chinesa Megvii e pela Hugging Face. Mesmo nas empresas mais prolíficas, a produção vem de um grupo pequeno de autores recorrentes - na OpenAI, com cerca de 4.500 funcionários, apenas oito pesquisadores assinaram cinco ou mais papers qualificados.
Por que publicam tão pouco
Pesquisadores apontam fatores estruturais: diferente da indústria farmacêutica, onde publicações podem ser protegidas por patentes, empresas de IA ganham pouco ao divulgar avanços técnicos publicamente. O paper do Google sobre transformers (2017) é citado como exemplo clássico - a arquitetura virou base de toda a indústria, mas o Google não recebe royalties por isso. Além disso, startups operam em prazos muito mais curtos que a academia, o que levou à "blogificação" da pesquisa: anúncios via posts técnicos e relatórios em vez de journals.
China vs. EUA
Empresas chinesas publicam consistentemente mais que as americanas. Enquanto laboratórios de fronteira dos EUA têm mantido detalhes de seus modelos mais capazes em segredo (closed source), empresas chinesas têm adotado modelos open source. A Moonshot AI, por exemplo, lançou o Kimi K3 e publicou os pesos do modelo via Hugging Face.
Críticas e ressalvas
Avijit Ghosh (Hugging Face) argumenta que o debate não deveria ser sobre journals versus blogs, mas sobre se as empresas liberam código, datasets e pesos de modelo suficientes para verificação independente. Mohamed Abdalla (University of Alberta) lembra que o objetivo de uma empresa é gerar receita, não avançar a ciência. Já Emma Pierson (UC Berkeley) expressa preocupação com o ritmo acelerado em direção a IA generalista cada vez mais poderosa, independentemente de ser aberta ou fechada.