Resumo: Em 2026 a Nature publicou dois trabalhos paralelos que oficializam um movimento: o agente de IA chegando ao laboratório como colaborador, não substituto. O Co-Scientist, do Google DeepMind, é um sistema multi-agente que faz revisão de literatura, gera hipóteses, debate-as internamente entre agentes especialistas e ranqueia candidatos com base em evidência. O Robin, da FutureHouse, vai além: integra geração de hipóteses, desenho experimental, análise de dados e geração de novas perguntas em ciclo contínuo. As primeiras vitórias práticas já apareceram — Robin levou a uma proposta inédita de candidato a fármaco para degeneração macular relacionada à idade (DMRI seca), e Co-Scientist sugeriu compostos para leucemia mieloide aguda com atividade confirmada em testes in vitro. Ainda assim, os mesmos papers mostram limites duros — quando o problema sai do bem mapeado, a qualidade cai.
Co-Scientist é estruturado como um time de papéis: agente-revisor lê e resume literatura; agente-gerador propõe hipóteses; agente-crítico ataca; agente-rankeador organiza por mérito. Um supervisor coordena rodadas e mantém estado. O modelo subjacente é Gemini, e a saída é um conjunto de hipóteses candidatas com justificativa e referências. A novidade é o ciclo: as hipóteses passam por revisão interna antes de chegar ao pesquisador humano.
Robin, da FutureHouse — startup ligada a Eric Schmidt —, fecha mais o loop. Após gerar a hipótese, Robin escolhe quais experimentos seriam mais discriminantes, prepara o protocolo, analisa os dados que volta do bench e refina a próxima rodada de perguntas. É menos “buscador de literatura” e mais “pesquisador-junior virtual” que conversa com o cientista sênior.
Em DMRI seca, doença que afeta milhões de idosos e tem poucos tratamentos, Robin identificou um processo modificável dentro de células retinianas e sugeriu o uso de um candidato a fármaco que nunca havia sido proposto para essa indicação. O passo seguinte — validação experimental e clínica — segue normalmente, mas o tempo até a hipótese saiu de meses para dias.
O Co-Scientist foi aplicado a repurposing em leucemia mieloide aguda. Oncologistas revisaram as sugestões e validaram em laboratório. Vários compostos mostraram atividade contra células leucêmicas em ensaios in vitro. Não é cura; é um conjunto maior de pistas a investigar, com prioridade ordenada por critério defensável.
Por décadas, ferramentas de IA para ciência foram pontuais: ler PDF, gerar gráfico, calcular estatística. O que muda em 2026 é que esses sistemas fecham ciclos. Em laboratórios bem instrumentados — com automação de bancada e dados estruturados — isso pode encurtar o tempo entre pergunta e descoberta de meses para semanas. Quem aproveita primeiro são áreas com bom dado público: biologia molecular, química medicinal, materiais, climatologia.
Há também o efeito democratizante. Co-Scientist roda como produto Google; Robin tem versões abertas. Universidades sem orçamento para equipes grandes podem terceirizar parte da geração de hipóteses para agentes e focar a inteligência humana onde ela mais agrega: desenho experimental crítico e julgamento clínico.
O Brasil tem ciência forte em áreas onde esses sistemas brilham: doenças tropicais (Fiocruz, Instituto Evandro Chagas), agronomia (Embrapa, Esalq/USP), materiais e energia (CNPEM, IPEN). Programas como CAPES e CNPq podem encaixar agentes de hipótese como ferramenta de produtividade em grandes centros. Empresas brasileiras de saúde — Aché, EMS, Eurofarma, Hypera — têm mais dados internos do que se imagina; o gargalo é estrutura para processar, não para gerar. Robin e Co-Scientist viram diferencial competitivo aqui.
No agro, Embrapa e startups (Agrosmart, Solinftec, InCeres) podem usar agentes científicos para acelerar testes de cultivares e modelos de manejo. O efeito direto no campo pode chegar em duas safras.
Em 12 meses: aparecem versões verticais por área (Co-Scientist for Materials, Robin for Plant Biology), e revistas começam a publicar políticas formais sobre autoria de IA em metodologia. Em 24 meses: integração com automação de bancada (Opentrons, robôs químicos) e laboratórios cloud (Strateos, Emerald Cloud Lab) fecha o ciclo completo. Em 36 meses: surge a primeira leva de papers em que o experimento foi integralmente conduzido por sistema multi-agente sob supervisão científica humana — e a primeira polêmica regulatória derivada disso.
Para coordenadores de pesquisa: vale testar agora um workflow piloto em um problema bem definido, com critério claro de sucesso e duração curta. Para professores: incluir agentes na disciplina de metodologia científica deixa o aluno crítico, não dependente. Para gestores e financiadores: começar a pedir, em editais, descrição de uso de IA e mecanismos de validação. Para o público em geral, vale repetir: nada disso substitui consulta a profissional habilitado em saúde, finanças ou jurídico — agentes são ferramenta de pesquisa, não decisão final.
Fontes originais: Nature — Towards end-to-end automation of AI research e FutureHouse — Demonstrating end-to-end scientific discovery with Robin.
CVE-2026-50548 e CVE-2026-50549 (CVSS 9.8), batizadas de DuneSlide pela Cato Networks, permitem sair do sandbox…
Relatorios da Check Point e da Sophos mostram que o Qilin absorveu afiliados orfaos das…
Cluster suspeito de vinculo chines usa iscas do Imposto de Renda indiano para entregar DcRAT…
Gigante de dispositivos médicos notifica pacientes após grupo de extorsão ShinyHunters acessar sistemas corporativos e…
Max Schrems planeja contestar o Data Privacy Framework após corte permitir que presidentes demitam membros…
Grupo ligado ao Contagious Interview publicou 108 pacotes e extensões em npm, Packagist, Go e…