Anthropic estima o potencial da IA na ciência: até 2 vezes agora e até 15 vezes no futuro

Um pesquisador normalmente não tem uma única tarefa, mas uma cadeia de dezenas de tarefas diferentes: encontrar literatura, entender o código de outras pessoas, escrever o seu, preparar dados, verificar cálculos, descrever o resultado e só então voltar ao próprio experimento. A IA acelera bem os trechos digitais dessa cadeia, mas não consegue remover automaticamente todas as demais restrições.

A Anthropic analisou mais de 207 mil sessões de usuários do Claude e do Claude Code relacionadas ao trabalho científico. A conclusão da empresa soa mais forte do que o habitual «cientistas passaram a usar mais os chatbots»: com as capacidades atuais da IA, o volume de resultados em certas áreas pode, em teoria, quase dobrar. E se algum dia for possível automatizar todo o ciclo adequado, o ganho pode chegar a 15 vezes.

Aqui é importante não confundir os dois números. A aceleração de quase duas vezes é uma estimativa do efeito das ferramentas disponíveis hoje nas etapas em que o modelo já pode ajudar. O crescimento de quinze vezes é um cenário prospectivo de automação total, e não um resultado que um grupo de pesquisa obtém ao instalar o Claude Code.

Onde surge a aceleração

Imagine uma pequena equipe testando uma nova hipótese. Antes, o pesquisador passava dois dias procurando bibliotecas adequadas, mais um dia montando um script de processamento de dados e várias horas corrigindo erros. A IA pode encurtar essa parte do trabalho: sugerir um ponto de partida, explicar código desconhecido, escrever um rascunho do script e ajudar na depuração.

Mas se depois for preciso fabricar a amostra, colocá-la em um equipamento e observá-la por uma semana, o projeto como um todo não ficará dez vezes mais rápido. O trabalho no notebook acelerou, mas a etapa física permaneceu a mesma. É um quadro familiar da engenharia: otimizar um trecho não equivale a acelerar todo o sistema.

Por isso, o valor prático do Claude e de ferramentas semelhantes depende não só da qualidade das respostas. Ele é determinado pela parcela do processo que pode ser entregue ao modelo, pelo tempo que leva verificar o trabalho dele e por onde está o verdadeiro gargalo. Para a pesquisa computacional, o efeito pode ser mais perceptível do que para as disciplinas de laboratório, nas quais o resultado depende de equipamentos, materiais e da presença humana.

Por que as 15 vezes não devem ser lidas como uma promessa

O estudo se baseia na análise de sessões de usuários, e não na observação, ao longo de vários anos, de equipes idênticas com e sem IA. Esses dados mostram bem quais tarefas as pessoas passam ao modelo, mas, por si sós, não provam que toda a produtividade científica cresceu no fator declarado.

Há outras limitações. A quantidade de código criado, dados processados ou textos preparados ainda não equivale ao número de descobertas de qualidade. Um erro do modelo pode acelerar a produção de um resultado incorreto. Quanto mais importante a conclusão, mais caras ficam a verificação independente, a reprodutibilidade e a avaliação de especialistas. Por fim, a análise inclui usuários dos produtos da Anthropic, então seu comportamento não pode ser automaticamente estendido a todos os cientistas.

A estimativa de 15 vezes é mais sensato entendê-la como o limite superior de um cenário: o que acontece se a IA aprender a executar de forma confiável quase todas as tarefas digitais e os processos ao seu redor forem reconstruídos. Entre esse modelo e o laboratório de hoje estão a integração com ferramentas, o controle de qualidade, o acesso a dados, a segurança e a responsabilidade pelas conclusões.

O que devem fazer desenvolvedores e equipes de produto

A principal conclusão prática é não começar com a promessa de «vamos automatizar a pesquisa de ponta a ponta». Primeiro é preciso decompor o processo em etapas e medir cada uma: busca de fontes, escrita de código, análise de dados, verificação, experimento e preparação da publicação. Depois, escolher um trecho com muito trabalho digital repetível e em que o resultado possa ser verificado rapidamente.

Para um produto, é mais útil contar não o número de consultas ao modelo, mas o tempo até um resultado verificado, a proporção de correções feitas por humanos e a frequência de erros detectados. Se a IA escreve código duas vezes mais rápido, mas o pesquisador gasta o mesmo tempo para revisá-lo, pode não haver ganho real.

O estudo da Anthropic não prova que a ciência vai acelerar 15 vezes amanhã. Ele mostra algo mais útil: o potencial da IA é determinado pela arquitetura do fluxo de trabalho. As equipes que encontrarem um gargalo mensurável e incorporarem ali uma automação verificável terão benefícios já agora. Os demais ficarão com um número bonito, sem mudança no resultado.