O benchmark de Faraday aguarda replicação

Em agosto de 2026, o TechCrunch noticiou que a startup londrina Inherent afirmou que seu agente científico Faraday conseguia reproduzir conclusões de artigos de pesquisa melhor do que o GPT-5.5. A estranheza estava embutida no anúncio: um produto vendido com base em verificação chegou com uma alegação de benchmark que não havia sido replicada de forma independente.

Essa alegação não resolvida encerrou 15 meses em que FutureHouse, Google e equipes de laboratório assistidas por IA mostraram que agentes científicos podiam aumentar a produção de pesquisa. A disputa esperada era sobre quem conseguiria gerar mais hipóteses e artigos. Essa produção expôs um gargalo mais difícil: recuperar evidências, escolher alegações para replicação e atribuir o escasso julgamento de especialistas.

Descoberta mais barata torna a atenção confiável escassa

Em maio de 2025, a FutureHouse lançou uma plataforma e API com quatro ferramentas de IA para trabalho científico e declarou a ambição de construir um cientista de IA. A plataforma dividiu a busca na literatura, o raciocínio científico e tarefas de pesquisa relacionadas entre ferramentas especializadas, em vez de tratá-los como uma única conversa com um modelo de uso geral.

Um estudo randomizado em um laboratório corporativo que emprega mais de 1.000 pesquisadores já havia constatado que equipes assistidas por IA descobriram 44% mais materiais novos do que equipes que usavam fluxos de trabalho padrão.

Artigos da Nature publicados em maio de 2026 levaram o campo além da assistência genérica. As ferramentas Co-Scientist, do Google, e da FutureHouse tiveram êxito em tarefas de redirecionamento de medicamentos por meio do desenvolvimento de hipóteses, e uma ferramenta da FutureHouse também analisou parte dos dados. Google e FutureHouse mostraram que agentes podiam participar de uma cadeia de trabalho científico, em vez de apenas resumir a literatura.

Essas demonstrações delimitadas ainda deixavam para as instituições científicas a tarefa de classificar a literatura para replicação, alocar capacidade de laboratório e arbitrar resultados conflitantes. Os sistemas ajudaram a produzir e testar hipóteses; as instituições decidiam quais tarefas importavam o suficiente para serem executadas.

Equipes assistidas por IA também podem se chocar. Em agosto de 2026, duas equipes independentes usaram o GPT-5.6 Sol Ultra no mesmo problema de criptografia quântica e submeteram artigos com três horas de diferença, levantando questões sobre crédito científico. O episódio não mostrou que qualquer um dos artigos estava errado. Mostrou quão rapidamente a pesquisa assistida por máquinas pode tornar mais difícil separar novidade, prioridade e confirmação independente.

Os cientistas não conseguem absorver uma literatura em expansão indefinida apenas porque os modelos conseguem produzi-la. Quando a publicação cresce mais rápido do que a atenção humana, cada resultado entra em uma fila mais longa de leitura, contestação e replicação. Um agente que acrescenta outra alegação plausível pode aumentar a carga mesmo quando a alegação é útil.

A reprodução obriga o agente a ir além da prosa

A Inherent afirma que Faraday também supera modelos maiores da Anthropic e da OpenAI usando uma fração de seu tamanho. A reprodução muda a unidade de trabalho do agente: um resumidor pode permanecer no nível da linguagem, mas Faraday precisa reconstruir uma alegação bem o suficiente para expô-la à falha.

Nenhuma replicação independente apresentada aqui confirma a comparação de Faraday com GPT-5.5 ou modelos da Anthropic e da OpenAI. Essa limitação importa para um produto construído em torno da reprodução. O benchmark da Inherent terá, em algum momento, de resistir ao padrão que Faraday propõe aplicar em outros lugares.

Faraday pode, em princípio, completar uma cadeia que um modelo de linguagem passivo não consegue concluir em uma resposta: identificar a alegação central de um artigo, recuperar evidências citadas, reconstruir o método, executar análises disponíveis, comparar resultados e registrar o que permanece sem solução.

Os cientistas precisam que o dossiê resultante contenha mais do que um veredito. As entradas devem permanecer identificáveis, os métodos inspecionáveis, os resultados intermediários retidos e a incerteza visível. Uma prosa fluente pode criar uma ilusão de compreensão justamente quando a confiabilidade de um modelo é mais difícil de julgar antecipadamente. Uma trilha de evidências permite que um cientista localize a discordância, em vez de debater a confiança transmitida pela prosa.

A revisão humana pertence ao ponto de consequência

Instituições de pesquisa podem dividir alegações por recuperabilidade, incerteza e consequência, em vez de colocar o mesmo ponto de controle humano após cada ação do agente. Agentes podem lidar com trabalho repetitivo de evidências, enquanto especialistas identificados mantêm autoridade sobre interpretações contestadas, experimentos caros e decisões irreversíveis.

A revisão humana fornece responsabilização na implantação, transparência e confiança institucional, além de correção de erros. Um revisor que assina uma decisão de alta consequência estabelece quem aceitou as evidências e sob qual padrão. Sem esse ponto de controle, fica mais difícil localizar a responsabilidade.

À medida que instituições dão aos agentes mais autonomia e menos supervisão, fica mais difícil prever e restringi-los. Por isso, os fluxos de trabalho científicos precisam de registros sobre o que um agente acessou, o que alterou e por que escalonou uma decisão.

Aplicações de pesquisa devem impor autorização para ferramentas perigosas por meio de controles na camada de implantação. Uma aplicação que retém a permissão até que um humano aprove oferece uma fronteira mais firme do que um prompt que pede a um modelo probabilístico que não tome uma ação relevante.

A Inherent usa responsabilização contra escala

A Inherent saiu do modo stealth em maio de 2026 com US$ 50 milhões liderados pela Index Ventures, recrutou Matt Clifford, cofundador da Entrepreneurs First, como conselheiro e se apresentou como um laboratório londrino fundado por ex-integrantes do Google DeepMind.

A empresa escolheu uma carga de trabalho que dá espaço para um especialista competir. OpenAI e Anthropic podem fornecer modelos gerais maiores, mas a reprodução de artigos também depende de como um sistema decompõe tarefas, recupera evidências, seleciona ferramentas e avalia resultados intermediários. A Inherent está testando se essas escolhas ao redor podem superar a escala bruta do modelo em uma tarefa científica estritamente definida.

Faraday pode se especializar em tornar o trabalho científico de um modelo inspecionável em diferentes domínios. Um modelo de fronteira pode servir como um componente do fluxo de trabalho, em vez de ser o juiz final de sua própria produção. A rodada de US$ 50 milhões dá à Inherent capital para testar essa proposta além de uma comparação de lançamento.

Um laboratório encaminha trabalho além de qualquer modelo

A Sakana AI expôs outra parte da arquitetura quando lançou Fugu como um sistema de orquestração multiagente por meio de uma API compatível com OpenAI. Por trás de um endpoint, Fugu encaminha trabalho entre modelos e separa o sistema voltado ao usuário de qualquer modelo individual que esteja por baixo.

A relevância de Fugu para a reprodução científica é arquitetural. Equipes podem atribuir a busca a um agente, a análise a outro e o questionamento metodológico a um terceiro, para então escalar conflitos pelo aplicativo. A FutureHouse fez uma escolha semelhante ao fornecer múltiplas ferramentas científicas por uma plataforma e API, em vez de apresentar um único modelo universal.

O trabalho científico acaba deixando o fluxo de tokens. Quando uma alegação depende de um experimento material, um agente precisa entregar seu plano a instrumentos, amostras, instalações e pessoas. O planejado laboratório de ciência automatizada do Google DeepMind no Reino Unido, voltado a materiais para chips e outras aplicações, dá um endereço a essa abstração. O software pode encaminhar o trabalho, mas é o edifício que comporta o experimento.

Equipes científicas podem inserir modelos na mais ampla virada para execução gerenciada, em que sistemas atribuem tarefas, preservam registros e restringem autoridade. As equipes podem substituir componentes individuais sem reconstruir a cadeia, enquanto o fluxo de trabalho mantém a estrutura de evidências e aprovações que dá significado institucional a um resultado.

Benchmarks não podem carregar autoridade institucional

Essas demonstrações não chegam a alocar esforço de replicação por todo um campo científico. Os artigos da Nature do Google e da FutureHouse abrangem tarefas delimitadas, enquanto o benchmark de Faraday trata da reprodução de artigos. Laboratórios, periódicos e financiadores ainda precisam definir consequência, evidência aceitável, regras de retenção e a pessoa autorizada a aprovar um resultado.

Um laboratório que recompensa agentes pelo número de artigos reproduzidos pode empurrá-los para alegações fáceis e afastá-los das difíceis e relevantes. A métrica registraria volume, enquanto a instituição o confundiria com confiança. Líderes de pesquisa podem, em vez disso, usar as pontuações dos modelos como entradas para uma fila, combinando filtragem por máquina com julgamento científico humano.

O próprio benchmark de Faraday agora está nessa fila, à espera do teste independente que a Inherent promete conduzir para outros artigos. A IA científica entrou no laboratório segurando uma caneta. Seu artefato mais relevante pode ser uma prancheta: uma fila classificada de alegações, as evidências grampeadas atrás de cada uma e uma linha para assinatura que a máquina não tem permissão de preencher.