Co-Scientist da Google leva agentes de IA para a descoberta científica
Um artigo publicado na Nature apresenta o Co-Scientist, um sistema multi-agente baseado em Gemini para gerar e refinar hipóteses científicas. As primeiras validações focam-se em biomedicina, com resultados in vitro que ainda exigem avaliação pré-clínica e clínica.
Resumo
A Nature publicou a 19 de maio de 2026 um artigo sobre o Co-Scientist, um sistema multi-agente da Google construído sobre Gemini para apoiar pensamento científico estruturado e geração de hipóteses. O manuscrito ainda está em versão não editada, o que pede alguma cautela na leitura.
O sistema foi testado sobretudo em biomedicina: reposicionamento de medicamentos, descoberta de novos alvos terapêuticos e explicação de mecanismos de resistência antimicrobiana. No caso da leucemia mieloide aguda, o Co-Scientist ajudou a identificar candidatos a reposicionamento e combinações terapêuticas sinérgicas, validadas em experiências in vitro.
Na prática
A parte mais relevante não é a ideia de uma IA que substitui cientistas. É o desenho do workflow: vários agentes especializados geram, criticam, comparam e refinam hipóteses antes de estas passarem para validação humana e experimental.
Isto aproxima a investigação científica de um modelo de trabalho que também já se vê em produto, estratégia e criação: a IA deixa de ser apenas uma caixa de resposta e passa a funcionar como uma equipa de apoio, com papéis distintos e ciclos de revisão. A diferença continua a estar nos critérios, na verificação e na responsabilidade humana.
Contexto
A Nature enquadra o Co-Scientist como parte de uma vaga mais ampla de assistentes científicos baseados em agentes. Estes sistemas procuram acelerar etapas que consomem muito tempo: leitura de literatura, formulação de hipóteses, desenho de experiências e interpretação preliminar de resultados.
O ponto fraco também é claro. Resultados in vitro não equivalem a tratamentos prontos para uso. As propostas precisam de avaliação pré-clínica, ensaios clínicos e revisão independente. O valor imediato está menos na conclusão final e mais na capacidade de explorar espaços de hipóteses com mais rapidez e disciplina.
Porque importa
- Mostra agentes de IA a trabalhar em ciclos de geração, crítica e refinamento, não apenas em respostas isoladas
- Dá um exemplo concreto de IA aplicada a descoberta científica com validação experimental inicial
- Reforça que a vantagem prática está no workflow: objetivos claros, critérios de qualidade e verificação humana
- Obriga empresas e equipas criativas a pensar a IA como sistema de trabalho, não como ferramenta avulsa