A IA multiplicou as hipóteses da ciência, mas o laboratório não acompanhou

Durante anos, a promessa pareceu simples: bastaria dar às máquinas acesso ao conhecimento acumulado para que a descoberta científica ganhasse velocidade. Em parte, aconteceu. Cientistas usam inteligência artificial mais do que quase qualquer outra categoria profissional, economizam horas por semana e produzem mais hipóteses do que conseguiam antes. O problema é o que vem depois. Hipótese não é descoberta. Entre uma e outra existem uma bancada, um reagente, um animal de laboratório, um comitê de ética e, na medicina, um ensaio clínico. É justamente nesse trecho que a fila começou a crescer.

É o que indica o relatório AI in Science: Early Insights, divulgado em setembro por pesquisadores do Google, do Google DeepMind e do MIT FutureTech, com coautores das universidades de Chicago, Oxford, Carnegie Mellon e Pensilvânia². O estudo cruza três bases de dados: uma amostra de 15 milhões de interações anônimas com o Gemini (das quais cerca de 360 mil foram classificadas como trabalho científico), um inventário de 2.690 modelos de IA especializados publicados desde 2012 e uma pesquisa com 637 cientistas dos Estados Unidos e do Reino Unido, realizada entre julho e agosto de 2026.

A reportagem da Scientific American¹ resumiu o contraste com uma imagem eficiente: na matemática, a IA já ocupa uma sala no departamento e disputa crédito por resultados; na biologia e na química, ainda não conseguiu entrar no prédio. A pergunta que o relatório tenta responder com dados é por que essa diferença existe e onde, exatamente, a aceleração trava.

Onde a IA acelerou e onde parou

A adoção é ampla. Quase metade dos cientistas entrevistados (46,6%) diz usar ferramentas de IA de forma intensiva, e outros 30,6% as usam com frequência². Nas interações com o Gemini, as ocupações das ciências da vida, físicas e sociais aparecem cerca de 2,7 vezes mais do que seu peso no emprego total dos Estados Unidos. Cerca de três em cada quatro pesquisadores relatam ganho líquido de tempo, com média próxima de 6,9 horas por semana, e apenas 6% dizem perder tempo com a tecnologia.

Esse tempo não virou folga. Segundo os entrevistados, ele foi reinvestido principalmente em mais produção (quase 30%), em execução de experimentos e coleta de dados (21%) e em problemas mais difíceis (19%). Cerca de 84% relatam aumento da produção do próprio laboratório nos últimos três anos.

O dado que muda a leitura vem em seguida. Para 43,5% dos cientistas, o principal gargalo da pesquisa se deslocou nos últimos dois anos para etapas posteriores, como experimentação física, validação clínica e coleta de campo. Só 13,8% viram o movimento contrário. E 40,5% afirmam que cresceu seu estoque de hipóteses ainda não testadas, contra 24,8% que viram esse estoque diminuir². Hoje, o gargalo mais citado é justamente a experimentação física e a coleta de dados (24% do total, chegando a 30% nas ciências físicas e engenharias).

Os autores interpretam o fenômeno com uma ideia conhecida da economia da produção: quando uma etapa de uma cadeia fica mais rápida, o ritmo do conjunto passa a ser ditado pelo elo que não mudou. A IA barateou a análise de dados, a escrita de código e a revisão de literatura. Não barateou o tempo de cultivo de uma célula, a síntese de uma molécula ou o acompanhamento de um paciente.

O custo invisível da verificação

Há um segundo freio, menos visível. Entre os cientistas que economizam tempo com IA, 89% gastam mais de um décimo dessa economia conferindo os resultados das ferramentas, e 46% gastam mais de um quarto². O relatório chama isso de uma espécie de taxa de verificação, e ela é particularmente alta nas ciências da vida.

Em entrevista à Scientific American¹, o economista do Google Mihai Codreanu, um dos três coordenadores do estudo, explicou que o custo de checagem varia muito entre áreas e ajuda a definir onde a IA é de fato útil. Uma demonstração matemática pode ser verificada contra regras formais. A função prevista para uma proteína, por outro lado, só se confirma quando a proteína é produzida e testada em um sistema vivo.

O efeito colateral aparece na percepção sobre a qualidade da produção científica. Na pesquisa, 40% dos cientistas dizem que aumentou o número de artigos de baixa qualidade em sua área, e 45% relatam mais esforço por artigo publicado, em parte por exigências maiores de revisão e validação².

A inteligência artificial barateou a pergunta. A resposta continua custando o preço do mundo físico.

Por que a biologia anda mais devagar que a matemática

A reportagem da Scientific American¹ ouviu leituras diferentes para o mesmo problema. Para o economista Daron Acemoglu, do MIT, laureado com o Nobel, a IA avança mais onde existe uma verdade de referência clara para comparar resultados, algo que falta na maior parte da medicina. Já James Zou, cientista de dados biomédicos da Universidade Stanford, que desenvolve laboratórios virtuais automatizados, aponta limites práticos: a automação real ainda cobre sobretudo alguns experimentos de química, fica muito mais difícil quando envolve animais e esbarra no custo elevado dos laboratórios robotizados.

Há ainda a lentidão que existe por escolha. Ensaios clínicos seguem o ritmo da revisão regulatória e de checagens de segurança antes, durante e depois do estudo. Ninguém apresentou até agora uma proposta convincente de como a IA comprimiria esse tempo, nem por que a sociedade deveria querer isso.

Os dados do relatório reforçam a assimetria. As ciências da vida e da saúde estão sub-representadas no uso do Gemini em relação ao número de pesquisadores, mas concentram quase 36% dos modelos especializados do inventário, contra 23% das interações com o modelo generalista². Os autores descrevem uma divisão de trabalho: modelos de linguagem cuidam de código, escrita e análise estatística, enquanto modelos como o AlphaFold fazem previsões de domínio. Os dois se complementam, mas nenhum resolve a etapa de bancada.

O risco do efeito poste de luz

O achado mais preocupante, segundo os próprios autores, está em outro ponto. Quase metade dos cientistas (49%) diz que a IA os empurrou para perguntas mais seguras e incrementais, em que há dados abundantes e parâmetros de comparação estabelecidos. Só 28% dizem ter passado a arriscar mais². O relatório associa o padrão ao chamado efeito poste de luz, descrito na literatura econômica: procura-se onde é mais fácil enxergar, não necessariamente onde está a resposta. Se a IA reduz principalmente o custo do trabalho incremental, o volume de artigos pode crescer sem que a fronteira do conhecimento se mova na mesma proporção.

A aposta americana nos laboratórios em nuvem

Os Estados Unidos decidiram atacar o gargalo físico com dinheiro público. Em julho, a National Science Foundation (NSF) anunciou um investimento inicial de US$ 380 milhões em 20 equipes para montar uma rede nacional de laboratórios automatizados e controlados por IA, com complemento de até US$ 20 milhões em filantropia do Astera Institute³. O programa integra a Genesis Mission, iniciativa da Casa Branca voltada ao uso de IA na descoberta científica.

Um dos nós dessa rede é o DREAM Cloud Lab, da Universidade Northwestern, que recebeu US$ 20 milhões por quatro anos para se tornar o primeiro laboratório em nuvem de acesso público dedicado à engenharia de proteínas⁴. A proposta é permitir que pesquisadores projetem, produzam e testem proteínas remotamente, usando síntese de proteínas sem células vivas e equipamentos automatizados em ciclos de projetar, construir, testar e aprender. Os dados gerados devem alimentar uma base nacional de funções de proteínas. À Scientific American¹, o coordenador do projeto, Julius Lucks, disse que o avanço será gradual e que a própria experiência vai indicar qual etapa automatizar em seguida.

A lógica é coerente com o diagnóstico do relatório: se o gargalo migrou para a bancada, é na bancada que o investimento precisa chegar. Os autores recomendam direcionar recursos para capacidade de experimentação física, ferramentas de verificação e bases de dados que permitam à IA enfrentar perguntas mais arriscadas².

O que isso significa para a ciência brasileira

O relatório não traz um recorte específico sobre o Brasil, mas oferece pistas relevantes. O uso científico de IA cresce na proporção do tamanho da força de trabalho em pesquisa de cada país, e o desenvolvimento de modelos especializados está concentrado em poucos polos: Estados Unidos, China, Reino Unido, União Europeia, Coreia do Sul e Canadá, que respondem pela maior parte do inventário². Países de renda média da América Latina, do Sudeste Asiático e da África aparecem com baixa propensão a desenvolver modelos, mas com propensão maior a citá-los, o que sugere que modelos abertos chegam a quem não tem capacidade de construí-los.

No plano das políticas públicas, o Plano Brasileiro de Inteligência Artificial prevê R$ 23,03 bilhões entre 2024 e 2028⁵. Uma análise do Instituto de Economia da Unicamp apontou que o plano tem viés de oferta, com peso relevante em infraestrutura computacional, incluindo a atualização do supercomputador Santos Dumont, do LNCC, orçada em R$ 1,8 bilhão⁶. Capacidade computacional é necessária. O que o relatório internacional sugere é que ela, sozinha, tende a produzir mais hipóteses do que o sistema consegue testar.

O Centro Nacional de Pesquisa em Energia e Materiais (CNPEM), em Campinas, ilustra bem a cadeia. Em evento aberto ao público em 2026, pesquisadores do centro explicaram que modelos de IA conseguem avaliar a afinidade de até 200 mil combinações moleculares na busca por candidatos a fármacos. Mas, antes, a estrutura tridimensional das moléculas precisa ser determinada com a luz síncrotron do Sirius, e os candidatos selecionados ainda passam por síntese e testes em modelos animais⁷. A IA acelera o meio do caminho. O começo e o fim continuam dependendo de infraestrutura física e de gente qualificada.

A pesquisa clínica mostra o mesmo dilema pelo lado regulatório. A Lei 14.874/2024, regulamentada pelo Decreto 12.651 em outubro de 2025, reorganizou a análise ética: a Conep passou a supervisionar os comitês locais, e o parecer ético ganhou prazo máximo de 30 dias úteis, quando antes alguns estudos esperavam mais de 200 dias para começar⁸⁹. Mas a própria Anvisa registrou, em documento de 2025, que cerca de 23% das petições de pesquisa clínica vinham sendo liberadas por decurso de prazo, sem análise da agência, em um quadro de servidores não recomposto, o que a agência classificou como risco relevante aos participantes¹⁰. Encurtar prazos sem ampliar a capacidade de avaliação desloca o gargalo em vez de eliminá-lo.

Para o Brasil, portanto, a questão não se resume a quanto investir em IA, mas em qual elo da cadeia o próximo real vai fazer diferença: processadores, ou também técnicos de laboratório, biotérios, centros de ensaios clínicos, comitês de ética e analistas regulatórios.

O relatório não afirma que a IA fracassou na ciência. Afirma algo mais desconfortável para quem esperava uma revolução imediata: a tecnologia está mudando o formato do trabalho científico, e não apenas sua velocidade. O pesquisador passa a gastar menos tempo produzindo e mais tempo checando, escolhendo o que merece um teste caro e decidindo qual padrão de evidência aceitar. Enquanto o mundo físico não acelerar, a descoberta continuará andando no passo da bancada.

Perguntas frequentes

Ewerton Lopes — Curador Editorial · O Tecido