| SÍNTESE EXECUTIVA O sistema multiagente Robin, descrito na Nature em 2026, integra busca de literatura, geração de hipóteses, proposição experimental e análise de dados em um ciclo contínuo de descoberta. O estudo não demonstra a substituição do cientista, mas sinaliza que partes relevantes do trabalho cognitivo da pesquisa podem ser delegadas a agentes de IA, mantendo pesquisadores e experimentação física no circuito. Para o Brasil, isso transforma IA para a ciência em tema de infraestrutura estratégica, formação, governança e competitividade. |
1. Uma mudança de paradigma na produção científica
A publicação, em maio de 2026, do artigo “A multi-agent system for automating scientific discovery”, de Ghareeb e colaboradores, na Nature, merece atenção especial das universidades, ICTs e agências brasileiras de fomento. O trabalho apresenta o Robin, um sistema de inteligência artificial baseado em múltiplos agentes que integra etapas centrais do processo científico: busca e síntese da literatura, geração e seleção de hipóteses, proposição de experimentos, análise de resultados e formulação de novas hipóteses.
A novidade é qualitativa. A discussão sobre IA na ciência vinha se concentrando sobretudo em ferramentas auxiliares. O Robin aponta para uma etapa em que sistemas de IA passam a executar funções do núcleo intelectual da investigação. Ainda assim, trata-se de descoberta semi-autônoma: pesquisadores humanos conceberam o projeto, executaram os experimentos laboratoriais, validaram resultados e supervisionaram o processo.
2. O experimento Robin
Aplicado à degeneração macular relacionada à idade na forma seca (dAMD), o Robin combinou agentes especializados em literatura (Crow e Falcon) e análise de dados (Finch). O fluxo percorre problema, literatura, hipótese, estratégia experimental, experimento, dados, análise e nova hipótese.
Segundo o artigo, o Robin analisou 551 trabalhos em 30 minutos, ante uma estimativa de 294 horas para uma leitura humana equivalente; os autores estimam redução de aproximadamente 200 vezes no tempo dedicado ao fluxo científico avaliado. Essa comparação deve ser interpretada com cautela: tempo computacional e julgamento científico humano não são equivalentes.
O sistema propôs aumentar a fagocitose do epitélio pigmentar da retina como estratégia terapêutica e identificou ripasudil e KL001 como candidatos. Os testes in vitro confirmaram atividade entre os compostos avaliados. Em seguida, o Robin propôs e analisou RNA-seq, identificando aumento de expressão de ABCA1 como possível alvo associado. Os autores informam que as hipóteses, direções experimentais, análises de dados e figuras do texto principal foram produzidas pelo sistema.
3. O que está mudando
Durante décadas, a informatização científica ampliou nossa capacidade de calcular, armazenar, simular, medir e analisar. Sistemas multiagentes acrescentam uma nova camada: formular hipóteses, pesquisar evidências, confrontar alternativas, propor experimentos, interpretar resultados e reformular hipóteses.
O pesquisador do futuro poderá coordenar equipes híbridas compostas por pesquisadores humanos e agentes científicos especializados. Isso não elimina a centralidade humana: desloca-a para a escolha dos grandes problemas, desenho experimental, avaliação crítica, criatividade, validação, ética e responsabilidade científica.
4. Pesquisa tradicional × pesquisa com agentes de IA
| Dimensão | Pesquisa tradicional | Pesquisa com agentes de IA |
| Literatura | Busca e síntese majoritariamente humanas | Agentes pesquisam, sintetizam e cruzam grandes volumes |
| Hipóteses | Geradas e priorizadas pelo pesquisador/equipe | Agentes podem gerar, comparar e ranquear hipóteses |
| Experimentos | Planejamento humano | IA propõe estratégias; execução física permanece humana no modelo Robin |
| Análise de dados | Pesquisadores usam software e pipelines | Agentes executam análises e integram resultados ao raciocínio |
| Iteração | Ciclos condicionados à disponibilidade da equipe | Ciclos cognitivos podem ser acelerados e repetidos |
| Papel humano | Execução e julgamento em quase todas as etapas | Problema, supervisão, validação, ética e responsabilidade |
| Infraestrutura | Laboratórios, equipamentos, bases e pessoal | Tudo isso + modelos, computação, APIs, agentes e governança |
5. O Brasil já começou a se movimentar – mas precisa avançar
Há movimentos relevantes. Em junho de 2026, a CAPES ampliou o acesso à plataforma LeapSpace, da Elsevier, que utiliza IA para apoiar busca, análise e organização de informações acadêmicas. Em agosto de 2026, o CNPq lançou a Chamada Pública nº 29/2026 – RHAE IA, voltada à inserção de pesquisadores em empresas e startups que desenvolvem soluções de inteligência artificial, alinhadas ao PBIA e à Nova Indústria Brasil.
Essas iniciativas são positivas, mas existe uma diferença entre financiar pesquisas sobre inteligência artificial e transformar, com IA, a própria infraestrutura nacional de pesquisa. É nessa segunda dimensão que o Brasil precisa avançar.
6. Implicações para FAPESP, CNPq, CAPES, FINEP e MCTI
FAPESP: pode liderar em São Paulo programas de AI for Science, conectando universidades, institutos, hospitais, IPT, empresas e startups; apoiar créditos computacionais, agentes e laboratórios híbridos.
CNPq: pode incorporar IA para descoberta científica a editais, bolsas e programas de formação, incluindo avaliação comparativa de produtividade e qualidade.
CAPES: pode ampliar formação em IA científica na pós-graduação, acesso institucional a ferramentas e diretrizes de integridade, autoria e declaração de uso.
FINEP: pode financiar infraestrutura computacional, automação laboratorial, plataformas nacionais e projetos de escala que integrem ICTs e empresas.
MCTI: pode coordenar uma estratégia nacional de AI for Science, articulando PBIA, FNDCT, infraestrutura de dados, soberania tecnológica e cooperação internacional.
7. Oito propostas do IVEPESP
| AGENDA PROPOSTA PELO IVEPESP 1. Programa Nacional de IA para Descoberta Científica, articulando MCTI, CNPq, CAPES, FINEP e FAPs. 2. Programa FAPESP de “AI for Science”, com projetos-piloto de alto impacto em São Paulo. 3. Infraestrutura compartilhada e segura de agentes científicos para universidades e ICTs. 4. Créditos computacionais específicos para nuvem, modelos fundacionais, APIs e grandes bases de dados. 5. Laboratórios “AI + Scientist in the Loop” em biomedicina, materiais, agricultura, química, física, clima, engenharia e biodiversidade. 6. Formação de pesquisadores para supervisionar, validar e auditar agentes científicos, e não apenas utilizar IA generativa. 7. Regras nacionais de governança, autoria, rastreabilidade, reprodutibilidade, proteção de dados e responsabilidade científica. 8. Avaliação permanente de resultados, comparando custo, tempo, qualidade, inovação, patentes e impacto com metodologias convencionais. |
8. IA, internacionalização e soberania científica
A internacionalização continuará essencial para redes de colaboração, acesso a grupos de excelência, equipamentos e culturas científicas distintas. Mas a política científica precisa incorporar uma nova pergunta: além de financiar mobilidade, quanto estamos investindo para que pesquisadores brasileiros tenham, no Brasil, acesso às novas infraestruturas globais de descoberta orientadas por IA?
Mobilidade e infraestrutura digital não são políticas concorrentes. A internacionalização do século XXI envolverá também interoperabilidade de dados, modelos, agentes científicos e laboratórios distribuídos. Sem capacidade própria, o país corre o risco de uma nova dependência: acessar a literatura, mas não possuir as infraestruturas inteligentes capazes de conectá-la aos dados e acelerar descobertas.
9. Conclusão
O Robin ainda é uma demonstração em contexto específico de biologia experimental e não prova que a descoberta científica tenha sido plenamente automatizada. O próprio artigo registra limitações: o sistema não produz ainda protocolos experimentais executáveis completos e o agente de análise Finch depende de engenharia de prompts por especialistas.
Mesmo assim, o trabalho demonstra que sistemas multiagentes podem integrar literatura, hipóteses, planejamento experimental e análise de dados em um ciclo contínuo de investigação. Para o Brasil, isso é simultaneamente oportunidade e risco. A oportunidade é elevar a produtividade de uma comunidade científica competente que opera com recursos proporcionalmente menores. O risco é consolidar nova dependência tecnológica.
IA para a ciência deve ser tratada como infraestrutura estratégica nacional de Ciência, Tecnologia e Inovação.
O momento de construir essa capacidade é agora.
Referências e fontes
Ghareeb, A. E. et al. A multi-agent system for automating scientific discovery. Nature 655, 497-505 (2026). DOI: 10.1038/s41586-026-10652-y.
CAPES. “CAPES amplia acesso a ferramenta de apoio à pesquisa baseada em inteligência artificial”. Publicado em 24 jun. 2026.
CNPq. Chamada Pública CNPq/SETEC/SETAD/MCTI/FNDCT nº 29/2026 – RHAE IA. Publicada em 19 ago. 2026.
Prof. Dr. Helio Dias
Presidente do IVEPESP
Instituto para a Valorização da Educação e da Pesquisa do Estado de São Paulo
Av. Paulista, nº 1636, Conjunto 4, 15º Pavimento
Cerqueira César – São Paulo/SP
CEP 01310-200
Telefone: (11) 99699-4434
E-mail: [email protected]
Helio Henrique Villela Dias
Engenheiro de Computação • Cientista de Dados
IVEPESP / Lello Lab / UNIFESP
https://ivepesp.org.br/membro/helio-henrique-villela-dias/