A IA encontrou uma biologia que nós ainda não tínhamos visto.
950 agentes de IA vasculharam DNA e encontraram um sistema biológico que os cientistas ainda não conheciam. Claude não apenas analisou dados. Ajudou a decidir onde a ciência deveria olhar.
Em 23 de setembro de 2026, a Anthropic divulgou um experimento que pode ser muito mais importante para o futuro da inteligência artificial do que o lançamento de mais um modelo de linguagem. Pela primeira vez em uma iniciativa desse tipo conduzida pela empresa, centenas de agentes de IA foram colocados para explorar um enorme conjunto de dados biológicos com um objetivo relativamente aberto: procurar padrões interessantes em famílias de enzimas e identificar estruturas que pudessem ter escapado à atenção dos pesquisadores.
O resultado foi a identificação de um sistema biológico até então não caracterizado daquela maneira, associado a sequências repetidas de DNA encontradas em bacteriófagos, os vírus que infectam bactérias. A Anthropic chamou o sistema de ART, sigla para Array-associated Reverse Transcriptases.
É importante não exagerar o que foi descoberto. A função biológica do ART ainda não é conhecida, e não há evidência suficiente para tratá-lo como uma espécie de “novo CRISPR”, muito menos para afirmar que terá aplicações em edição genética ou medicina. O que torna o episódio relevante é outra coisa: a forma como a descoberta aconteceu.
Até recentemente, quando falávamos de inteligência artificial aplicada à ciência, estávamos quase sempre falando de sistemas utilizados para responder a perguntas formuladas por pesquisadores. O cientista escolhia o problema, selecionava os dados e recorria ao modelo para calcular, classificar, prever ou interpretar alguma coisa. O experimento divulgado pela Anthropic sugere uma arquitetura diferente, na qual parte da própria exploração científica começa a ser transferida para populações de agentes.
Quase mil agentes procurando alguma coisa que ninguém havia pedido especificamente para encontrar
O experimento começou depois que a Anthropic criou, em 2026, um grupo de pesquisa dedicado às ciências da vida e montou um laboratório de biologia molecular na região da Bay Area. A pergunta que orientava o projeto era relativamente simples de formular, embora difícil de responder: modelos generalistas de inteligência artificial poderiam fazer mais do que auxiliar cientistas e participar efetivamente da descoberta de nova biologia?
Para investigar essa hipótese, os pesquisadores direcionaram Claude para grandes bases de sequências genéticas e pediram que procurasse exemplos interessantes de transcriptases reversas, enzimas capazes de produzir DNA a partir de RNA. A partir dessa orientação inicial, a exploração ganhou uma escala que seria difícil reproduzir com uma equipe convencional.
Segundo a Anthropic, aproximadamente 950 agentes trabalharam durante 21 horas e consumiram cerca de 210 milhões de tokens. Durante esse processo, reuniram mais de 200 mil transcriptases reversas, identificaram aproximadamente 3.500 sistemas candidatos e, posteriormente, reduziram esse universo a 20 candidatos considerados particularmente interessantes para investigação humana.
A escala impressiona, mas não é o aspecto mais importante do experimento. O ponto decisivo apareceu quando um dos agentes encontrou uma organização incomum de DNA nas proximidades de uma transcriptase reversa.
Em vez de simplesmente registrar a ocorrência e seguir para o próximo item, o agente investigou o padrão. Analisou as repetições, examinou o espaçamento entre elas, observou os genes existentes nas proximidades e comparou aquela organização com sistemas já descritos na literatura científica. A conclusão foi que havia ali uma estrutura suficientemente incomum para justificar uma investigação mais profunda.
Essa distinção é importante porque a transcriptase reversa encontrada naquela região não era completamente desconhecida. Ela já havia aparecido anteriormente em pesquisas envolvendo um tipo de bacteriófago conhecido como jumbo phage. O que não havia sido caracterizado da mesma maneira era a organização formada pela transcriptase reversa, um gene associado e uma extensa região contendo sequências repetidas de DNA.
Foi essa combinação que levou os pesquisadores a considerar que estavam diante de um sistema biológico ainda não caracterizado.
O paralelo com CRISPR é interessante, mas precisa ser tratado com cuidado
A presença dessas sequências repetidas inevitavelmente chamou atenção porque a história da biologia já produziu um precedente extraordinário. Muito antes de CRISPR se transformar numa das tecnologias mais importantes da engenharia genética, pesquisadores observavam estranhas sequências repetidas no DNA de bactérias sem compreender exatamente sua função.
Somente mais tarde ficou claro que aquelas repetições faziam parte de um sofisticado sistema imunológico utilizado por microrganismos para reconhecer material genético invasor. A compreensão desse mecanismo acabou permitindo o desenvolvimento de ferramentas de edição genética programável que transformaram a biologia molecular.
O sistema ART identificado no experimento da Anthropic também apresenta uma organização extensa de sequências repetidas, e os primeiros experimentos indicaram que essa região é expressa na forma de pequenos RNAs distintos. Isso é cientificamente intrigante, mas ainda não permite concluir qual é sua função.
A própria Anthropic reconhece que a função primária do ART permanece desconhecida e que novos experimentos serão necessários para entender o que o sistema realmente faz.
Por isso, a comparação com CRISPR deve servir apenas para mostrar como estruturas aparentemente estranhas podem esconder mecanismos biológicos importantes. Não existe, neste momento, evidência para afirmar que ART terá relevância semelhante. Ele pode eventualmente revelar uma função extremamente útil ou permanecer como uma curiosidade importante da biologia dos bacteriófagos.
Para o Radar de Saltos Tecnológicos, porém, essa incerteza não diminui a importância do acontecimento, porque o salto que interessa não está necessariamente no ART. Está no método utilizado para encontrá-lo.
O salto está na maneira de procurar
Durante muito tempo, imaginamos a inteligência artificial científica como uma ferramenta extraordinariamente poderosa nas mãos de pesquisadores humanos. Um cientista formula uma pergunta, entrega dados à máquina, recebe um resultado e utiliza seu conhecimento para interpretá-lo.
Esse modelo continuará sendo importante, mas o experimento da Anthropic introduz uma possibilidade diferente. O pesquisador pode definir um território de investigação relativamente amplo e deixar que centenas ou milhares de agentes explorem esse espaço, procurem padrões, comparem informações, eliminem possibilidades e identifiquem anomalias que mereçam atenção.
A diferença pode parecer apenas operacional, mas atinge um dos gargalos fundamentais da ciência. A humanidade produz muito mais informação científica do que qualquer indivíduo ou equipe consegue analisar profundamente. Existem bilhões de sequências genéticas, estruturas moleculares, imagens, artigos, resultados experimentais e combinações possíveis esperando para serem examinados. O problema já não é apenas produzir dados, mas decidir onde vale a pena olhar.
Um cientista possui algumas décadas de carreira e uma capacidade necessariamente limitada de leitura, comparação e experimentação. Mesmo pesquisadores excepcionais precisam escolher quais perguntas investigar e quais abandonar. A maior parte do espaço possível jamais será explorada.
Agentes alteram essa restrição porque podem ser multiplicados.
O experimento da Anthropic utilizou aproximadamente 950 deles, mas nada obriga que esse número permaneça nessa escala. Se o custo computacional continuar caindo e a capacidade dos modelos continuar aumentando, milhares ou dezenas de milhares de agentes poderão investigar simultaneamente regiões diferentes de um mesmo problema.
Nesse cenário, a transformação não viria necessariamente da existência de uma inteligência artificial muito superior a um cientista humano. Poderia surgir da existência de uma população gigantesca de agentes razoavelmente competentes, cada um investigando um caminho diferente e descartando milhares de possibilidades antes que qualquer pesquisador precise dedicar tempo a elas.
Essa mudança transforma parte da descoberta científica em um problema de busca paralela.
A ciência pode estar entrando na lógica da computação distribuída
Existe uma tendência compreensível de imaginar o futuro da IA científica como o surgimento de uma espécie de cientista artificial genial, capaz de formular sozinho teorias revolucionárias. O experimento da Anthropic aponta para uma possibilidade menos cinematográfica e talvez mais plausível.
Em vez de um único supercientista artificial, podemos ter populações de agentes especializados trabalhando simultaneamente. Alguns procuram estruturas incomuns, outros analisam literatura, outros tentam encontrar precedentes, outros escrevem código para testar hipóteses e outros procuram razões pelas quais uma descoberta aparentemente promissora está errada.
O sistema não precisa transformar cada agente em um gênio. Precisa organizar milhares deles de maneira suficientemente eficiente para que os resultados mais interessantes cheguem aos pesquisadores humanos.
É uma lógica semelhante à computação distribuída. Um problema grande é dividido entre muitas unidades, cada uma trabalhando em uma parte diferente do espaço de possibilidades, até que os resultados sejam reunidos e filtrados.
Quando aplicada à ciência, essa arquitetura cria algo novo: a possibilidade de industrializar a exploração de hipóteses.
Isso não significa que a IA tenha feito ciência sozinha
Esse ponto precisa ficar claro porque existe uma enorme diferença entre uma descoberta assistida por agentes e uma ciência completamente autônoma.
Os pesquisadores humanos escolheram o domínio de investigação, construíram a infraestrutura, definiram critérios, analisaram os resultados e realizaram os experimentos físicos. A própria Anthropic afirma que o trabalho de laboratório continua sendo executado por cientistas humanos.
Portanto, dizer que “Claude descobriu sozinho uma nova biologia” seria uma simplificação enganosa.
O acontecimento relevante está na região intermediária do processo, justamente onde costumava existir enorme quantidade de trabalho intelectual humano: explorar grandes espaços de possibilidades, encontrar algo incomum e decidir que aquela anomalia merece investigação.
Esse talvez seja o aspecto mais importante do experimento. A inteligência artificial começa a participar não apenas da resposta às perguntas científicas, mas também da seleção das perguntas que parecem interessantes.
O que acontece quando esse método deixa a biologia?
A consequência estratégica torna-se maior quando percebemos que não existe razão para essa arquitetura permanecer limitada à genética.
Em química, populações de agentes poderiam investigar enormes espaços moleculares procurando estruturas com propriedades incomuns. Na ciência dos materiais, poderiam explorar novas combinações para baterias, semicondutores, catalisadores ou materiais resistentes a condições extremas. Na indústria farmacêutica, poderiam cruzar alvos biológicos, mecanismos celulares e moléculas candidatas antes de decidir quais experimentos merecem recursos. Na matemática, diferentes agentes poderiam testar estratégias concorrentes para uma mesma demonstração.
Em todos esses casos, existe um denominador comum: o espaço de possibilidades é muito maior do que a capacidade humana de explorá-lo.
É por isso que o episódio de setembro merece ser tratado como sinal de um salto tecnológico, mesmo que o ART nunca produza uma aplicação comercial.
O ativo mais importante pode não ser a descoberta específica. Pode ser a arquitetura de descoberta.
O papel do cientista também começa a mudar
A consequência não precisa ser o desaparecimento do pesquisador. Pode ser uma mudança naquilo que significa ser pesquisador.
Em vez de passar grande parte do tempo explorando manualmente milhares de possibilidades, o cientista poderá se tornar cada vez mais responsável por desenhar os territórios que serão explorados, definir critérios, identificar perguntas relevantes, eliminar hipóteses ruins, selecionar experimentos e interpretar aquilo que realmente merece atenção.
Há um detalhe particularmente interessante no relato da Anthropic. Como os agentes conseguem produzir hipóteses em grande quantidade, os pesquisadores começaram a observar quais sugestões consideravam interessantes e quais descartavam, utilizando esse conhecimento para melhorar as instruções dadas aos sistemas.
Em outras palavras, estamos começando a tentar transferir para a máquina algo muito mais difícil de definir do que conhecimento factual: o julgamento científico sobre o que merece investigação.
Isso aproxima a IA de uma dimensão da ciência que até agora parecia profundamente humana. Não basta saber muita coisa. Um bom pesquisador precisa perceber quando alguma coisa aparentemente pequena é estranha o suficiente para justificar meses de trabalho.
Ainda existe uma enorme distância entre encontrar padrões e produzir ciência confiável
O entusiasmo em torno desse tipo de experimento precisa conviver com uma limitação óbvia. Sistemas de inteligência artificial podem gerar hipóteses em escala muito maior do que nossa capacidade de testá-las.
Isso significa que a abundância de hipóteses pode simplesmente deslocar o gargalo. Se antes o problema era encontrar ideias interessantes, amanhã pode ser decidir quais das milhares de ideias produzidas por máquinas merecem experimentos caros.
Também precisamos saber quantas descobertas aparentemente interessantes produzidas por agentes sobrevivem quando entram no laboratório. Uma inteligência artificial capaz de gerar dez mil hipóteses e acertar uma pode produzir resultados importantes, mas o custo de validar as outras 9.999 possibilidades continua existindo.
Por isso, o indicador decisivo nos próximos anos não será o número de hipóteses produzidas por modelos, nem a quantidade de agentes trabalhando simultaneamente. Será a proporção de descobertas realmente novas, reproduzíveis e úteis que conseguem atravessar a fronteira entre o computador e a realidade física.
O experimento da Anthropic é um sinal importante, mas ainda não é prova de que entramos na era da ciência autônoma.
O verdadeiro ponto de ruptura aparecerá quando o laboratório também for automatizado
A consequência mais radical surge quando conectamos esse avanço a outra transformação que está acontecendo paralelamente: automação de laboratórios.
Enquanto agentes digitais conseguem explorar milhares de hipóteses, robôs e instrumentos científicos estão se tornando cada vez mais programáveis. Quando essas duas curvas se encontrarem, será possível fechar uma parte muito maior do ciclo científico.
Agentes poderão analisar dados, identificar uma anomalia, formular uma hipótese e propor um experimento. Sistemas automatizados poderão preparar amostras, executar medições e devolver os resultados para os modelos. A partir desses resultados, os agentes poderão reformular a hipótese e escolher o próximo experimento.
O ciclo deixa de depender de uma sequência lenta de interações humanas e passa a funcionar continuamente.
É nesse ponto que a expressão “fábrica de descoberta” deixa de ser metáfora.
Uma organização poderá operar milhares de agentes explorando milhões de possibilidades enquanto laboratórios automatizados validam apenas as hipóteses consideradas mais promissoras. O produto dessa infraestrutura não será necessariamente um medicamento, uma bateria ou um novo material. O primeiro produto será conhecimento novo.
Essa possibilidade altera inclusive a geopolítica da ciência. Países e empresas que controlarem simultaneamente modelos avançados, capacidade computacional, grandes bases de dados científicos e laboratórios automatizados poderão explorar muito mais possibilidades do que organizações dependentes exclusivamente de trabalho intelectual humano.
A corrida pela inteligência artificial pode, portanto, transformar-se gradualmente numa corrida pela capacidade de produzir descobertas.
O que observar agora
O teste decisivo acontecerá nos próximos anos. Precisaremos descobrir se outros laboratórios conseguem reproduzir esse tipo de resultado, se agentes conseguem encontrar estruturas relevantes em áreas científicas diferentes e, principalmente, se uma parcela significativa dessas descobertas sobrevive à validação experimental.
Se os resultados permanecerem isolados, se a maioria das hipóteses produzidas por agentes fracassar no laboratório ou se o custo computacional da exploração massiva continuar proibitivo, teremos uma ferramenta científica extraordinária, mas não uma nova arquitetura de ciência.
Se ocorrer o contrário, o episódio de setembro de 2026 poderá ser lembrado como um dos primeiros sinais de uma transformação muito maior.
Não porque uma inteligência artificial tenha substituído um cientista e tampouco porque Claude tenha descoberto um “novo CRISPR”. A importância está no fato de que centenas de agentes receberam um território para explorar, percorreram uma quantidade de informação impraticável para uma pequena equipe humana e encontraram uma organização biológica que merecia ser investigada.
Durante séculos, uma parte essencial da ciência dependeu da capacidade humana de olhar para alguma coisa aparentemente banal e perceber que havia ali uma pergunta que ninguém tinha feito.
O que aconteceu em setembro sugere que essa capacidade de procurar anomalias pode começar a ser multiplicada computacionalmente.
Se isso funcionar em escala, a mudança será profunda. A inteligência artificial não estará apenas nos ajudando a responder perguntas mais rapidamente. Estará aumentando radicalmente a quantidade de lugares onde somos capazes de procurar por perguntas que ainda não sabemos que existem.
E talvez seja justamente aí que esteja o salto tecnológico: não em construir uma máquina que conhece todas as respostas, mas em construir milhões de exploradores artificiais capazes de percorrer territórios científicos que os humanos jamais teriam tempo de investigar.
Data da divulgação: 23 de setembro de 2026.
Fonte principal: Anthropic, Claude discovers a novel enzyme system with CRISPR-like repeats.