As startups estão correndo para construir ferramentas de pesquisa com IA para a ciência — algumas respaldadas por rodadas de capital gigantescas. Os gigantes da tecnologia parecem igualmente otimistas: no início deste ano, o Google lançou seu projeto de “co-cientista de IA”, afirmando que ele pode ajudar cientistas a gerar hipóteses e planos de pesquisa experimentais. Os CEOs da OpenAI e da Anthropic declararam que ferramentas de IA podem acelerar dramaticamente a descoberta científica, especialmente na medicina. Mas muitos pesquisadores acreditam que a IA de hoje não desempenha nenhum papel particularmente útil na condução do processo científico — principalmente por causa de sua falta de confiabilidade.
Para preencher essa lacuna, a organização sem fins lucrativos FutureHouse lançou na quinta-feira quatro ferramentas de IA: Crow busca na literatura científica e responde perguntas relacionadas; Falcon realiza recuperação mais profunda de literatura, incluindo bases de dados científicas; Owl encontra pesquisas anteriores em áreas disciplinares específicas; e Phoenix usa ferramentas para ajudar a planejar experimentos de química.
Diferentemente de outras [IAs], a FutureHouse tem acesso a um grande acervo de artigos de acesso aberto de alta qualidade e a ferramentas científicas especializadas. Elas [também] têm capacidades de raciocínio transparentes e usam um processo em múltiplas etapas para considerar cada fonte com mais profundidade… Ao conectar essas [IAs] em escala, os cientistas podem acelerar dramaticamente o ritmo da descoberta científica.
Vale destacar que a FutureHouse ainda não produziu nenhum avanço científico nem fez nenhuma descoberta nova com suas ferramentas de IA.
A Distância Entre Ferramenta e Descoberta
Um dos desafios na construção de um “cientista de IA” é prever incontáveis fatores de confusão. A IA pode realmente ajudar em áreas que exigem exploração sistemática ampla — estreitando vastos espaços de possibilidades — mas se ela consegue romper convenções e encontrar soluções genuinamente inovadoras ainda não está claro. O histórico até agora é majoritariamente decepcionante. O Google alegou que, em 2023, com a ajuda de seu sistema de IA GNoME, havia sintetizado cerca de 40 novos materiais. Uma análise externa constatou que nenhum desses materiais era realmente novo.
As limitações técnicas e os riscos da IA — em particular as alucinações — também deixam os cientistas cautelosos quanto a endossá-la para pesquisas sérias. Até estudos bem desenhados podem acabar manchados por uma IA que se comporta mal, já que os modelos enfrentam dificuldade com a precisão que trabalhos experimentais de alto risco exigem. A própria FutureHouse reconhece que suas ferramentas, especialmente o Phoenix, podem cometer erros. “Estamos lançando esse recurso com espírito de iteração rápida. Por favor, enviem feedback conforme vocês o utilizam”, disse a organização sem fins lucrativos em sua publicação no blog.
As quatro ferramentas correspondem de forma precisa às quatro etapas distintas de um fluxo de trabalho de revisão de literatura, o que é o aspecto mais sensato do design. O Crow responde perguntas diretas sobre artigos; o Falcon aprofunda-se em bases de dados estruturadas; o Owl mapeia o estado da arte em um subcampo específico; o Phoenix elabora planos de experimentos de química. Um cientista em atividade que as usa em sequência obtém algo próximo de um pós-doc automatizado para a fase de leitura e planejamento — a fase que consome um tempo enorme mas não produz nenhum dado. As ferramentas não executam experimentos, não geram hipóteses do zero e não interpretam resultados — as partes da ciência que de fato constituem a descoberta. Essa fronteira é honesta, e a distinção entre automatizar o trabalho de literatura e automatizar a ciência é algo que o marketing do setor consistentemente borra.
A história cautionária do GNoME merece um parágrafo próprio porque está se tornando o estudo de caso canônico. O sistema de IA do Google propôs 2,2 milhões de estruturas cristalinas, das quais 380 mil foram sinalizadas como candidatas estáveis, e a empresa anunciou que cerca de 40 haviam sido sintetizadas. Pesquisadores externos então examinaram as alegações e descobriram que os materiais ou já eram conhecidos ou não eram significativamente novos — a IA havia redescoberto química existente enquanto o anúncio sugeria uma descoberta inédita. O episódio estabeleceu um molde que o setor deveria internalizar: a IA pode gerar candidatos plausíveis em enorme volume, mas volume de candidatos não é volume de descobertas, e a distância entre os dois é onde vive a especialização científica de verdade. A decisão da FutureHouse de lançar o produto com essa ressalva em destaque sugere que a organização aprendeu a lição. O próximo marco a observar não é mais um lançamento de ferramenta, mas a primeira descoberta verificada de forma independente que qualquer uma dessas plataformas possa atribuir à IA — uma barreira que, até o momento em que este texto foi escrito, permanece intransponível por todos os players do setor.
Por Que a Honestidade É o Verdadeiro Destaque
O que torna o lançamento da FutureHouse incomum não são as ferramentas — busca de literatura e planejamento de experimentos são os cantos menos ambiciosos da visão do “cientista de IA” — mas o fato de a organização ter declarado claramente que não fez nenhuma descoberta. Todos os concorrentes nesse espaço se apoiam na mesma promessa implícita: a IA vai acelerar a ciência. Quase nenhum deles consegue apontar uma instância concreta em que isso aconteceu. A alegação do GNoME do Google, que desmoronou sob auditoria externa, é o padrão, não a exceção, e a distância entre “a IA buscou 10 mil artigos” e “a IA encontrou algo verdadeiro que os humanos deixaram passar” permanece intransponível para todos.
O valor realista dessas ferramentas no curto prazo é mais estreito, mas real: triagem de literatura em uma escala que nenhum ser humano consegue igualar, descoberta de trabalhos anteriores que reduz pesquisas duplicadas e planejamento de experimentos que detecta falhas óbvias de design antes que se gaste tempo caro de laboratório. São multiplicadores de força para cientistas em atividade, não substitutos do julgamento científico. O perigo está na distância entre a linguagem de marketing (“acelerar o ritmo da descoberta científica”) e o produto real (um buscador melhor com ferramentas específicas de domínio). A disposição da FutureHouse de lançar sem exagerar — de dizer “não fizemos nenhuma descoberta” — é o aspecto mais confiável do lançamento e o sinal mais claro de que a organização entende a diferença entre construir ferramentas para cientistas e fingir ser um. Em um mercado onde todo concorrente se declara a própria aceleração, admitir que ainda está construindo a caixa de ferramentas é uma forma de credibilidade que pode acabar valendo mais do que as próprias ferramentas.
