A computação científica com IA “agente” deu um salto tangível na terça‑feira, quando a OpenAI publicou um relatório de campo mostrando que investigadores recorreram a AI Coding Agents para condensar em poucos dias trabalho de software científico que antes levava meses.
O relatório documenta implantações reais em genómica e biologia computacional, em que tarefas que normalmente demorariam 18 meses foram concluídas em cerca de uma semana.
A OpenAI apresenta isto como prova de que a IA “agente” já está a remodelar o processo de descoberta científica — não como promessa futura, mas como capacidade presente em uso ativo.
Computação científica com IA agente: o que o relatório da OpenAI realmente mostra
A computação científica com IA agente é o foco central do relatório, e as conclusões são concretas. Equipas a trabalhar em pipelines de genómica usaram AI Coding Agents para modernizar software científico legado a uma velocidade que, há dois anos, seria considerada irrealista.
Um dos casos descritos envolveu um projeto de modernização de software estimado em 18 meses de trabalho de engenharia. Com AI Coding Agents, a mesma tarefa foi concluída em uma semana.
A compressão de cerca de 90% não resulta apenas de “programar mais rápido”.
Reflete um modelo de trabalho diferente. Os agentes de IA não se limitaram a completar linhas de código.
Leram a base de código existente, identificaram componentes obsoletos, propuseram reescritas, testaram os resultados e iteraram, tudo com intervenção humana mínima entre etapas. Os cientistas passaram a definir objetivos, em vez de detalhar passo a passo o trabalho a executar.
É isso que distingue um agente de IA de um assistente de código convencional.
Um copilot sugere a próxima linha de código. Um agente planeia uma tarefa multi‑etapas, executa‑a ao longo de uma sessão, monitoriza a própria saída e revê o trabalho quando os resultados fogem ao intervalo esperado.
O relatório da OpenAI é um dos relatos públicos mais claros sobre como isto funciona, na prática, dentro de uma instituição de investigação.
Porque é que a genómica foi o primeiro terreno de prova dos AI Coding Agents
A genómica é um campo natural para testar IA agente por razões estruturais. A área assenta em software legado, por vezes com décadas, escrito em linguagens como Fortran e C, por cientistas que privilegiaram a correção do código em detrimento da sua manutenção futura.
Essa dívida técnica acumula‑se. Modernizar um pipeline de genómica costuma exigir engenheiros que dominem, em simultâneo, a biologia e a arquitetura de software.
Essa combinação é rara — e cara.
Os AI Coding Agents contornam em parte esse problema de escassez. Conseguem ler documentação em múltiplas linguagens de programação, interpretar comentários científicos embutidos em código antigo e gerar equivalentes modernos sem requerer anos de especialização no domínio.
O gargalo deixa de ser encontrar o engenheiro certo e passa a ser definir bem o objetivo certo. É um problema muito mais fácil de resolver.
Leia também: Ataques “wrench” a cripto chegam a 52 casos em seis meses, a maioria em França
O relatório da OpenAI também aborda o impacto na aceleração da própria descoberta científica, para além da simples modernização de software.
Agentes que executam código mais rápido, em pipelines mais limpos e sobre conjuntos de dados maiores, produzem resultados em menos tempo. Em genómica, ganhos de velocidade podem traduzir‑se em identificação mais precoce de variantes genéticas, validação mais rápida de alvos terapêuticos e prazos mais curtos entre hipótese e confirmação experimental.
Esta vantagem de velocidade tende a ser cumulativa.
Como a cautela de Sam Altman contrasta com esta aceleração
O relatório da OpenAI foi divulgado no mesmo dia em que o CEO Sam Altman disse ao TechCrunch que a empresa pode ter de “abrandar o ritmo de desenvolvimento da IA para que o mundo esteja preparado para ela”. Essa tensão é real e merece ser explicitada.
Uma empresa que, em simultâneo, publica evidências de que os seus AI Coding Agents comprimem projetos científicos de 18 meses em uma semana e sugere que o mundo talvez não esteja pronto para o que vem a seguir, não está a ser contraditória.
Está a descrever a mesma realidade sob dois ângulos.
O relatório de campo evidencia capacidade. A declaração de Altman reconhece as consequências.
Ambos os pontos são verdadeiros. A questão que nenhum deles resolve é onde está, na prática, o poder de definir o ritmo: nos laboratórios, nos reguladores ou nos próprios investigadores que já operam estes agentes em pipelines de genómica em produção.
De curiosidade académica a infraestrutura científica
O padrão mais amplo é que os AI Coding Agents em computação científica deixaram a fase de avaliação e entraram na fase de implantação.
O relatório da OpenAI é um relatório de campo, não um artigo académico — e essa distinção é relevante.
Um artigo científico descreve o que é possível em condições controladas. Um relatório de campo descreve o que aconteceu quando cientistas reais utilizaram ferramentas reais em problemas reais, medindo o impacto obtido.
Historicamente, a computação científica adotou novas ferramentas mais devagar do que o software de consumo.
A compressão de 18 meses para uma semana descrita no relatório da OpenAI sugere que esse fosso se está a fechar mais rapidamente do que muitas instituições previam. Laboratórios e universidades que ainda não avaliaram as suas bases de código legado para modernização assistida por agentes estão, agora, objetivamente atrás dos pares que já o fizeram.
O caso da genómica também não é exclusivo da biologia.
Química computacional, modelação climática, astrofísica e ciência de materiais assentam igualmente em bases de código antigas, com comunidades de mantenedores muito reduzidas. As dinâmicas que fizeram da genómica um caso pioneiro aplicam‑se a praticamente todas as disciplinas científicas intensivas em computação.
O que a OpenAI documentou num campo é provavelmente replicável em muitos outros.
Leia a seguir: A Sparrow Wallet na App Store da Apple era falsa — e desapareceram 1,8 milhões de dólares