Por que a Anthropic Construiu um Laboratório Húmido
Quando a notícia veio a público de que a Anthropic opera discretamente um laboratório húmido (wet lab) na região da Baía de São Francisco, boa parte da cobertura tratou o fato como uma história de expansão de negócios: mais uma empresa de IA entrando na biotecnologia. Essa leitura deixa passar o sinal real.
Uma empresa cujo principal ativo é software — modelos, pesos, GPUs — acabou de gastar centenas de milhões de dólares para adquirir pipetas, braços robóticos e incubadoras. O chefe de ciências da vida da Anthropic, Eric Kauderer-Abrams, confirmou à Reuters que a empresa realiza trabalho de biologia física em sua própria instalação: “Para fazer biologia, o teste final ainda é — e continuará sendo por um tempo — o trabalho em laboratório real. Estamos absolutamente fazendo isso hoje.”
Isso não é diversificação. É o exemplo mais proeminente até agora de uma restrição estrutural que moldará todos os setores de “IA mais mundo físico”: o gargalo não é mais gerar ideias, mas verificá-las.
A Tesoura de Custos
A IA turbinou a fase de design da ciência. Em agosto, a Anthropic publicou resultados de um experimento de design de proteínas: Claude Opus 4.8 e Mythos Preview projetaram ligantes proteicos contra 15 alvos, que as organizações de pesquisa contratada Adaptyv Bio e Twist Bioscience sintetizaram e testaram de forma independente. De 1.320 designs, 354 se ligaram aos seus alvos — uma taxa de acerto de cerca de 27%, e 14 dos 15 alvos renderam um ligante confirmado. Isso é aproximadamente o dobro da taxa típica da indústria, de 10–15%.
Mas inverta os mesmos números: mesmo com uma taxa de acerto dobrada, três de cada quatro moléculas candidatas ainda acabam no lixo. Cada design descartado consumiu capacidade real de síntese, reagentes reais, horas reais de técnicos. Quanto mais rápido o motor de design roda, mais rendimento de laboratório húmido ele consome.
A curva de custos conta a história. Segundo reportagens, os pedidos da Anthropic à Twist Bioscience cresceram de cerca de US$ 25 milhões em 2025 para aproximadamente US$ 50 milhões em 2026, com projeção de chegar a US$ 100 milhões no próximo ano. A verificação terceirizada estava se tornando ao mesmo tempo a maior despesa e o elo mais lento — parceiros externos significam ciclos de feedback de dados medidos em semanas, e a velocidade de iteração determina quão rápido os modelos melhoram.
Construir seu próprio laboratório transforma a verificação de um serviço comprado em um ativo próprio. Kauderer-Abrams resumiu com clareza: “Há coisas que conseguimos fazer muito mais rápido com as rédeas em nossas próprias mãos”, com o objetivo de “operar na maior escala possível”.
Economia da Verificação: A Segunda Curva de Custos
Aqui está a estrutura que essa jogada revela: todo setor de “IA mais físico” opera sobre duas curvas de custo. O custo de geração — quanto custa para um modelo produzir um candidato. E o custo de verificação — quanto custa confirmar esse candidato na realidade física. A IA colapsa a primeira curva; mal toca a segunda.
A razão entre as duas curvas determina a estrutura do setor. Quando a geração fica barata e a verificação continua cara, a capacidade de verificação se torna o ativo escasso — e quem a detém captura a margem.
A sequência da Anthropic nos últimos 18 meses parece uma execução didática dessa lógica: o Claude for Life Sciences lançado em 2025; a compra de ações da startup de desenvolvimento de fármacos Coefficient Bio por cerca de US$ 400 milhões em abril de 2026, com o CEO da Novartis, Vas Narasimhan, entrando no conselho da Anthropic; o workbench Claude Science em junho; o Model Hardware Standard (MHS) em agosto, um protocolo que permite que agentes de IA controlem equipamentos de laboratório — reduzindo o tempo de integração de dispositivos de semanas ou meses para horas nos testes iniciais; e agora o próprio laboratório húmido. Em um evento em junho, Kauderer-Abrams disse que a Anthropic conduziria programas pré-clínicos em áreas que a indústria farmacêutica tradicional considera financeiramente pouco atrativas: doenças raras, alvos “indruggable”, anticorpos bispecíficos e trispecíficos.
Três corolários transferíveis decorrem da economia da verificação:
Primeiro, os ativos de verificação são reavaliados. Organizações de pesquisa contratada, fornecedores de automação laboratorial, instalações de testes — os donos dos “elos lentos” estão no topo da cadeia de valor da era da IA, não na base.
Segundo, a métrica competitiva muda do desempenho do modelo para o tempo de ciclo do loop. Uma melhoria de cinco pontos na taxa de acerto importa menos do que reduzir pela metade o ciclo design-construir-testar-aprender. A velocidade do feedback de dados, e não as pontuações de benchmark, torna-se o KPI.
Terceiro, as interfaces de hardware são o novo campo de batalha. Os instrumentos de laboratório falam protocolos incompatíveis; engenheiros costumavam passar semanas integrando um único dispositivo. Quem definir o padrão — como o MHS tenta fazer — controla o ponto de entrada da IA no mundo físico.
Onde Mais a Tesoura Corta
Aplique a economia da verificação a outras fronteiras da IA e o mapa fica mais nítido.
Robótica. Simuladores podem gerar milhões de episódios de treinamento da noite para o dia, mas a lacuna sim-to-real significa que a física continua sendo o único verificador honesto. É por isso que a Tesla e a Figure correm para construir frotas de coleta de dados no mundo real em vez de apenas clusters de GPUs — o laboratório de robôs é o laboratório húmido da IA incorporada.
Direção autônoma. Quilômetros simulados são praticamente infinitos; frotas de testes reais não são. O tamanho da frota, não a contagem de parâmetros, define o ritmo da comercialização.
Materiais e energia. A IA pode prever milhões de estruturas candidatas, mas cada uma precisa ser sintetizada e medida. As empresas que estão à frente são as que combinam modelos de previsão com instalações de síntese automatizadas.
O contraexemplo confirma a regra: pesquisadores do MIT descobriram em 2025 que cerca de 95% dos investimentos corporativos em IA generativa não haviam produzido retorno financeiro mensurável. Um padrão comum de falha: orçamentos concentrados inteiramente no lado da geração, sem nada construído para a verificação.
O Que Fazer a Respeito
Se você está construindo uma startup de ciência com IA ou de “IA mais hardware”:
- Coloque o tempo de ciclo do loop de verificação no centro das suas métricas — ao lado, ou acima, dos benchmarks de modelo.
- Garanta ativos de verificação cedo: parceiria, aquisição ou construção própria, dependendo da frequência de iteração e da sensibilidade dos dados.
- Desenhe o pipeline de feedback de dados como arquitetura de primeira classe, não como reflexão tardia.
Se você lidera uma empresa estabelecida em farmacêutica, manufatura ou materiais:
- Reavalie sua infraestrutura de verificação — ela pode valer mais do que seu balanço indica.
- Em parcerias com empresas de IA, os termos de feedback de dados são o núcleo da negociação, não as taxas de licenciamento.
- Desconfie de fornecedores que vendem apenas geração: sem um loop de verificação, a solução deles provavelmente está entre os 95%.
Se você investe nesse espaço:
- Em qualquer vertical, favoreça os detentores de ativos de verificação e os líderes em tempo de ciclo.
- Acompanhe padrões de interface de hardware como o MHS — o vencedor ali pode não ser uma empresa de modelos.
A IA provou que consegue pensar rápido. A próxima década pertencerá a quem fizer o mundo físico acompanhar esse ritmo.
