Dez anos de experiência de bancada, comprimidos em cinco minutos. Esse é o patamar que Xia Ning, fundador da startup de retrossíntese ZhiHua Technology, agora afirma que as ferramentas de design de síntese com IA atingiram — e ele tem comparações para comprovar. Em benchmarks internos e externos, a retrossíntese com IA alcançou aproximadamente o nível de um químico com uma década de experiência: cada rota que um especialista humano consegue imaginar, o modelo também propõe e, em média, sugere de cinco a seis estratégias distintas, enquanto uma pessoa chega a uma ou duas. Clientes que passavam de um a dois meses desenhando uma rota manualmente agora a veem gerada em minutos — às vezes com alternativas que já haviam considerado e descartado.
O que significa “químico com 10 anos de experiência” em retrossíntese
Retrossíntese é o problema de planejamento no coração do desenvolvimento de fármacos e materiais: dado uma molécula-alvo, trabalhar de trás para frente para encontrar a sequência de reações capaz de construí-la. O benchmark de Xia é específico, não marketing vazio. “Basicamente, qualquer rota que um químico consiga imaginar, a IA também imagina”, afirma. A vantagem é a amplitude — a IA rotineiramente apresenta de cinco a seis estratégias por alvo, incluindo rotas que o cliente tentou e abandonou. Os clientes testam isso com casos reais: entregam sua molécula mais difícil e comparam com uma rota que um químico sênior desenhou ao longo de semanas.
A comparação ecoa o momento de 2016, quando a Crystal (hoje Jingtai Technology) realizou um teste cego de previsão de polimorfos para a Pfizer e reproduziu resultados experimentais que ninguém acreditava que um software pudesse gerar. Xia diz que o design de síntese chegou ao mesmo estágio.
Como a IA desenha rotas: reações conhecidas, buscadas em escala
O motor não está gerando química nova. “Nossa IA nunca inventa uma reação nova”, enfatiza Xia. A inovação em síntese quase sempre reutiliza reações conhecidas — o truque é que uma reação útil pode estar enterrada em um canto da literatura. Um químico que nunca a viu desenhará uma rota de 10 etapas; a IA, absorvendo mais artigos e recuperando informações mais rápido, encontra a reação escondida e reduz a rota para três ou quatro etapas, a um custo menor. Isso é verificado em produção, não é aspiracional.
Em termos de arquitetura, o sistema roda um híbrido de modelos black-box e white-box. Toda conclusão de um modelo grande ou opaco deve ser explicada, validada e restrita dentro de um modelo white-box antes de ser confiável. Essa é a camada antialucinação — e, na visão de Xia, o limite comercial invisível para a IA em ciência séria. Uma caixa-preta que ocasionalmente fabrica informações não está apenas errada: é irrecuperável, pois quando algo dá errado, não se consegue identificar qual entrada causou o problema. Clientes em setores regulados não compram o que não podem auditar.
O loop DMTA: a síntese é o gargalo para o qual a IA foi construída
Descoberta de fármacos não é uma tarefa única, mas um loop repetido: desenhar, fazer, testar, analisar. As etapas rodam em velocidades drasticamente diferentes. Desenhar é quase gratuito — milhares de moléculas por dia. Testar é rápido, graças à triagem de alto rendimento. A etapa de fazer é o muro: um químico sintetiza cerca de três a cinco moléculas por mês, duas a três reações por dia. Todo o ciclo de P&D acelera apenas na velocidade da síntese, e é por isso que os clientes pressionam mais justamente nessa ponta.
Isso é um fato estrutural, não um discurso de empresa: a restrição crítica no P&D de pequenas moléculas migrou para exatamente o estágio em que a IA pode interferir.
De ferramenta a funcionário: o produto em formato de Agente
Xia descreve a mudança pós-GPT em termos de formato de produto, não apenas de capacidade. “Antes, nossa tecnologia era apresentada aos químicos como uma ferramenta. No futuro, o usuário é um agente, e a UI se torna uma API.” Os algoritmos verticais permanecem intactos, mas o modelo de entrega muda: um humano declara o objetivo, um agente executa todo o fluxo de trabalho e mantém uma memória de como o trabalho é feito — ensine-o algumas vezes e ele se comporta como um funcionário da empresa. Esse agente no loop também resolve a cauda longa de problemas genéricos que travavam algoritmos estreitos: um reator faltando no laboratório, um reagente indisponível, os cem detalhes contextuais que um sistema especializado nunca codificou.
Quanto à explicabilidade, a direção é contraintuitiva: o raciocínio white-box está crescendo, não encolhendo, porque os LLMs explicam suas decisões. Em um ambiente de ciência séria, se um humano permanecer no processo, a interpretabilidade é inegociável — e as equipes que mantêm iteração próxima com os clientes são empurradas ainda mais para o design white-box.
A economia de tokens de substituir um químico humano
Aqui está a pergunta desconfortável que os investidores raramente fazem: quanto custa substituir um químico que ganha cerca de 200.000 RMB por ano (aproximadamente US$ 28 mil)? Diferentemente do software, cada interação com a IA consome tokens — e essa conta decide se o produto será adotado ou não. A equipe de Xia faz engenharia pesada para reduzir custos: direcionar problemas simples para modelos baratos ou auto-hospedados, reservar os melhores e mais caros modelos para o núcleo crítico e cortar o gasto total de tokens. Seus grandes clientes, em sua maioria, rodam modelos de fundação auto-hospedados, então a pressão de custo é administrável hoje.
A previsão de preços de Xia é um híbrido por muito tempo: assinaturas SaaS para problemas que o software já resolve bem, mais precificação por chamada de agente para problemas difíceis demais para SaaS e caros demais para humanos. A filosofia de dados também segue um modelo em fases: dados positivos importam agora (o modelo aprende o que funcionou), dados negativos se tornam decisivos depois — prever as reações que as pessoas acham que vão funcionar mas falham é a única forma de a IA superar o julgamento humano.
Por que os grandes laboratórios de modelos não vencerão esse vertical
As empresas de modelos de fundação estão circulando em torno da IA para Ciência, mas Xia é cético quanto à possibilidade de tomarem o vertical. Seus testes internos mostram que modelos gerais correm até 50-60 pontos em problemas especializados e depois estagnam. A diferença é a modalidade de dados: os modelos gerais são treinados principalmente com texto, enquanto o planejamento de síntese se comporta como dados multimodais. E um grande laboratório atacando um vertical teria que operar como uma startup de qualquer forma — sem a vantagem da startup de uma década de iteração com clientes. “Eles podem usar modelos grandes, e nós também”, diz ele. “O fosso é o entendimento acumulado do cenário do cliente.”
O que muda para farmacêuticas, CROs e investidores
- Para equipes de P&D: comparem seus casos mais difíceis com a retrossíntese por IA agora. A diferença não é hipotética — um mês de design de rota humano agora roda em cinco minutos, e a IA encontra rotas que sua equipe rejeitou ou não viu.
- Para CROs e farmacêuticas: a alavancagem está na síntese, não no design. Espere que o loop DMTA se comprima a partir da etapa de fazer, e que a aquisição de química migre para APIs voltadas a agentes e precificação por chamada.
- Para investidores: a questão de tamanho de mercado não é “ferramentas”, mas “fluxo de trabalho completo entregue como resultado”. E a mudança do lado da oferta — demanda no exterior, capacidade de nível industrial no país — pode transformar a China em uma “fábrica mundial de medicamentos”, com a Índia avançando rápido também.
A afirmação de longo prazo de Xia é direta: “Daqui a dez anos, os humanos ainda estarão fazendo a maior parte da pesquisa? Muito provavelmente, será a IA.” A era do químico de IA como colega de trabalho está mais próxima do que a cautela da indústria sugere. Para leituras relacionadas, veja como os benchmarks de triagem virtual mudaram com o BoltzMol-1 e como o Claude lidou com design autônomo de proteínas.
