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.
A versão oficial do V4-Pro traz módulo de decodificação especulativa, contexto de mais de um…
Pesquisadores do SRI International e do MIT Media Lab descrevem como modelos podem coordenar decisões…
Estudo publicado na PNAS mediu o desalinhamento entre valores declarados por 715 usuários e o…
A Microsoft mostrou que padrões de execução, formato de requisição e parâmetros de upload permanecem…
A CVE-2026-64849 permite que um atacante sem autenticação faça o servidor do MLflow buscar e…
Revisão de doze meses de casos de resposta a incidentes da Sophos mostra que a…