Na semana passada, eu estava navegando pelos artigos recém-publicados na revista Nature — a maior referência de autoridade científica do mundo — e me deparei com um editorial que me fez pausar a leitura de imediato: “Why AI cannot do good science without humans” (Por que a IA não pode fazer boa ciência sem os humanos). Como alguém apaixonado pela intersecção entre saúde e tecnologia, o título me fisgou.
O artigo discute uma fronteira que parecia ficção científica até ontem: o surgimento dos chamados “cientistas de IA”, sistemas autônomos capazes de conduzir investigações complexas na biologia molecular. Mas, muito além do deslumbramento tecnológico, o texto traz uma reflexão filosófica e prática profunda: será que a ciência ainda precisa da humanidade?
Para responder a isso, precisamos dar um passo atrás e olhar para a história da computação, cruzando os dados da Nature com os alicerces deixados por mentes brilhantes como Alan Turing.
Da Máquina de Turing aos Cientistas de IA
Quando falamos de Inteligência Artificial substituindo ou mimetizando a cognição humana, é impossível não citar Alan Turing (1912–1954). Considerado o pai da ciência da computação, Turing provocou o mundo em seu célebre artigo de 1950, Computing Machinery and Intelligence, com a pergunta: “As máquinas podem pensar?”. Ele propôs o “Jogo da Imitação” (hoje conhecido como Teste de Turing), argumentando que se uma máquina conseguisse simular o comportamento inteligente humano a ponto de um observador não conseguir diferenciá-los, ela teria atingido um patamar de inteligência artificial.
Avançando rápido para os novos sistemas de IA, eles parecem estar passando no Teste de Turing aplicado à bancada de laboratório. O editorial da Nature destaca dois estudos recentes e revolucionários no campo do desenvolvimento de fármacos:
- O Sistema Robin (FutureHouse): Desenvolvido por um laboratório de pesquisa sem fins lucrativos em San Francisco, este sistema de agentes de IA interconectados recebeu a missão de encontrar um tratamento para a degeneração macular relacionada à idade (DMRI), uma das principais causas de cegueira em idosos. O Robin vasculhou a literatura médica de forma autônoma, formulou hipóteses terapêuticas, identificou moléculas promissoras e desenhou os testes. O resultado? Uma redução drástica de 200 vezes no tempo de execução do projeto se comparado ao fluxo de trabalho puramente humano.
- O Co-Scientist (Google): Uma equipe baseada em Mountain View utilizou essa IA para duas frentes complexas: reposicionar medicamentos existentes para tratar uma forma de leucemia e descobrir novos alvos terapêuticos para a fibrose hepática. Para testar a capacidade do sistema, os cientistas pediram que ele explicasse por que certas bactérias compartilham os mesmos genes de resistência a antibióticos — um enigma que os pesquisadores humanos investigavam há uma década e ainda não haviam publicado. O Co-Scientist chegou à mesmíssima conclusão que os humanos em questão de dias.
Olhando para esses cenários, a previsão de Turing de que as máquinas se tornariam indistinguíveis de nós em tarefas intelectuais parece mais viva do que nunca. No entanto, o próprio Turing sabia das limitações lógicas dos sistemas automatizados. E é exatamente aí que a biologia e a medicina exigem algo que os algoritmos não possuem: o fator humano.
O Paradoxo da Eficiência: Por Que Dados Não São Sabedoria
Os resultados obtidos pelo Robin e pelo Co-Scientist são, sem dúvida, impressionantes. Contudo, há um detalhe crucial que os entusiastas do “hype da IA” costumam omitir: essas inteligências artificiais não trabalharam sozinhas. Em ambos os experimentos, os seres humanos foram responsáveis por moldar o projeto inicial, realizar os experimentos práticos na bancada, oferecer mentoria aos sistemas e revisar cada linha de dados gerada.
Como bem pontua o editorial da Nature:
“Nós ainda não sabemos se uma maior eficiência se traduz diretamente em maior discernimento científico.”
Abaixo, listo os três pilares fundamentais que explicam por que a IA médica é uma excelente copilota, mas uma péssima capitã:
1. O Filtro Contra as Alucinações de Dados
Modelos de linguagem e redes neurais operam por probabilidade estatística, e não por compreensão real da realidade. Isso significa que a IA está sujeita a “alucinações” — fenômenos onde o sistema fabrica dados, inventa referências bibliográficas ou faz interpretações completamente erradas de exames e artigos clínicos. Na medicina, um dado alucinado pode significar o desenho de um composto tóxico ou a escolha de um alvo terapêutico perigoso para seres humanos. A supervisão humana é a última linha de defesa para garantir a segurança do paciente.
2. A “Bagunça” Criativa e a Serendipidade
Grandes descobertas da medicina não nasceram de linhas retas e fluxos de trabalho puramente eficientes. A descoberta da penicilina por Alexander Fleming, por exemplo, foi fruto de uma contaminação acidental em seu laboratório — um “erro” que uma IA focada estritamente na otimização poderia ter descartado como “ruído de dados”. A curiosidade humana, o lúdico, a intuição e a capacidade de aprender com os desvios ineficientes são combustíveis essenciais para a ciência que as máquinas são incapazes de replicar.
3. Ética, Empatia e Contexto Clínico
Um algoritmo pode correlacionar bilhões de bases genéticas ou pixels de imagens muito mais rápido do que nós. Mas ele não entende o impacto social de uma doença negligenciada e não possui a empatia necessária para avaliar o sofrimento humano ou ponderar os dilemas bioéticos de um novo tratamento. A ciência médica serve a pessoas, e a tomada de decisão final exige sabedoria acumulada, algo que vai muito além de um banco de dados.
O Impacto no Mercado de Saúde e Pesquisa
A fusão da IA com a pesquisa clínica desenha um cenário dividido entre duas visões de futuro:
| Visão Otimista (Aceleração e Alívio) | Visão Crítica (Poluição e Desumanização) |
|---|---|
| Descoberta acelerada: Criação de medicamentos e vacinas em tempo recorde. | Poluição científica: Saturação da literatura médica com artigos de baixa qualidade gerados por IA (“slop”). |
| Redução de custos: Processos laboratoriais e ensaios clínicos mais baratos. | Crise na formação: Dificuldade para novos cientistas humanos encontrarem mentoria e espaço de treino prático. |
| Fim do tédio: IA assume as tarefas repetitivas de análise de dados, liberando o médico para o raciocínio clínico. | Ausência de ética: Pesquisas frias, sem o tempero da empatia, ética e valores humanos. |
Para que o lado otimista vença, a comunidade médica e os pesquisadores não podem se isolar. Em vez de rejeitar a IA por medo da substituição, o caminho correto é dominar a ferramenta. Como profissionais de saúde, precisamos entender de arquitetura de dados e tecnologia, garantindo que sejamos nós a ditar as regras éticas e o direcionamento dessas ferramentas de automação.
Conclusão: O Veredito
Em 1989, o vencedor do Prêmio Nobel Max Perutz escreveu um ensaio histórico intitulado “A ciência é necessária?”, concluindo de forma inequívoca que sim. Hoje, diante da revolução digital e dos modelos autônomos de descoberta, a pergunta se inverteu: A ciência precisa da humanidade?
A resposta, respaldada pela própria Nature, continua sendo um sonoro sim. A inteligência artificial expande nossos limites, funciona como um microscópio ultrapotente para enxergar padrões em oceanos de dados e tem o potencial de salvar milhões de vidas ao acelerar diagnósticos e treatments. Mas ela continua sendo uma ferramenta.
A verdadeira ciência não é feita apenas de processos rápidos, mas de percepção profunda, ética e humanidade. Sem o coração e a mente humana por trás do código, a máquina é apenas um processador veloz operando no vazio.
Referências Bibliográficas
- Editorial. Why AI cannot do good science without humans. Nature, v. 653, n. 21, p. 650, maio 2026.
- Turing, A. M. Computing Machinery and Intelligence. Mind, v. LIX, n. 236, p. 433–460, 1950.
- Ghareeb, A. E. et al. Nature, DOI: 10.1038/s41586-026-10644-y, 2026.
- Gottweis, J. et al. Nature, DOI: 10.1038/s41586-026-10652-y, 2026.
- Perutz, M. F. Is Science Necessary? Oxford University Press, 1989.
