IA na investigação: como os sistemas inteligentes estão a mudar a descoberta, análise e desenvolvimento
Em outubro de 2024, o Comité Nobel atribuiu o prémio de Química a um cientista da computação. Demis Hassabis — cofundador da DeepMind — partilhou o galardão com John Jumper e David Baker pelo trabalho na previsão da estrutura de proteínas, que mudou profundamente o que os biólogos julgavam possível. O AlphaFold não se limitou a resolver um problema científico com cinquenta anos. Sinalizou, de forma inequívoca, que a IA passou de um papel secundário na investigação para algo muito próximo do palco principal.
É a este momento que regressamos sempre que os clientes nos perguntam se a IA está verdadeiramente a transformar a investigação ou se se trata de mais uma vaga de entusiasmo passageiro. O Comité Nobel não costuma atribuir prémios a modas passageiras.
Mas há uma complicação que as manchetes raramente abordam: uma análise de 2025 levada a cabo pelo MIT revelou que quase 95% dos projetos-piloto empresariais de IA não conseguiram gerar um impacto mensurável no negócio. Não porque os modelos fossem insuficientes, mas porque os sistemas não estavam integrados nos fluxos de trabalho reais, as bases de dados eram instáveis e ninguém tinha definido quem detinha a responsabilidade pelos resultados. É precisamente sobre essa tensão — entre o genuíno potencial transformador da IA na investigação e a elevada taxa de insucesso das implementações genéricas — que se debruça este artigo.
Desenvolvemos sistemas de IA para clientes nos setores farmacêutico, financeiro e de I&D empresarial. O que aprendemos é que as organizações que obtêm resultados reais não são as que implementam os modelos mais vistosos, mas sim as que constroem soluções em torno dos seus pipelines, dados e fluxos de trabalho específicos — assumindo o desafio da integração com seriedade desde o primeiro dia.
Revisão de literatura — uma tarefa que estava discretamente a sobrecarregar as equipas de investigação
Eis um número que não recebe a devida atenção: o volume de publicações científicas cresce a um ritmo aproximado de 4% ao ano, existindo atualmente mais de 200 milhões de artigos científicos em circulação. Um investigador ativo na maioria das áreas não tem qualquer capacidade prática de ler sequer a fração da literatura diretamente relevante para o seu trabalho. O resultado é previsível: descobertas em duplicado, ligações perdidas entre áreas científicas e meses gastos em revisões sistemáticas que deveriam demorar semanas.
As ferramentas de análise de literatura com IA alteram substancialmente este cenário. Uma análise de 2025 sobre ferramentas de revisão baseadas em NLP concluiu que uma revisão sistemática que tradicionalmente requer 8 a 12 semanas pode ser concluída em 3 a 4 semanas com recurso a IA. A grande poupança de tempo provém da triagem automatizada de artigos e da síntese de múltiplas fontes — o trabalho minucioso e repetitivo em que os investigadores juniores costumavam despender semanas inteiras.
O que acontece nos bastidores é muito mais interessante do que o simples ganho de tempo. Os modelos modernos de NLP não se limitam a fazer corresponder palavras-chave: compreendem o que um artigo defende em concreto, extraem detalhes metodológicos, assinalam a relevância estatística e evidenciam relações entre estudos que uma pesquisa por palavras-chave jamais identificaria. Um investigador que procure ensaios clínicos controlados e aleatorizados com critérios de avaliação específicos pode consultar isso em linguagem natural e receber resultados classificados por relevância, em vez de uma lista de 800 artigos para triagem manual.
O valor da abordagem personalizada neste contexto é evidente: ferramentas prontas a usar como o Consensus ou o Elicit são genuinamente úteis para investigadores individuais. No entanto, para as organizações — empresas farmacêuticas, centros médicos académicos, departamentos de I&D empresarial —, a necessidade passa quase sempre por soluções que se integrem com as bases de dados existentes, respeitem a confidencialidade dos dados proprietários e exportem em formatos que alimentem os fluxos internos de trabalho. É aí que o desenvolvimento de machine learning à medida se torna indispensável.
Descoberta de fármacos: de anos para meses
O processo tradicional de descoberta de fármacos é extremamente moroso. Identificação de alvos terapêuticos, triagem de compostos ativos, otimização de moléculas-guia, testes pré-clínicos e, subsequentemente, ensaios clínicos de Fase I, II e III — o tempo médio desde a descoberta inicial até à aprovação no mercado ultrapassa frequentemente os 90 meses. O investimento atinge milhares de milhões e a taxa de insucesso na Fase III, após todo esse esforço, continua acima dos 50%.
A IA está a encurtar as etapas iniciais desse processo a um nível impensável há cinco anos. Estima-se que o mercado de descoberta de fármacos com recurso a IA atinja 7 a 8 mil milhões de dólares até 2030, crescendo mais de 32% ao ano — o que reflete a rapidez com que a adoção está a ocorrer. Em termos concretos: a IA consegue reduzir os custos de descoberta de novos fármacos em até 40% e condensar o calendário habitual de cinco anos para apenas 12 a 18 meses na fase inicial de descoberta.
O AlphaFold é o caso mais visível, mas não é o único. Os modelos de IA generativa concebem agora estruturas moleculares inteiramente inovadoras com propriedades específicas integradas — compostos inéditos concebidos propositadamente para um alvo terapêutico, em vez de identificados por triagem sucessiva. Investigadores do MIT recorreram à IA generativa em 2025 para conceber antibióticos eficazes contra estirpes resistentes de gonorreia e Staphylococcus aureus — uma classe de desafios onde as abordagens tradicionais tinham praticamente esgotado as alternativas.
Há uma ressalva essencial que raramente é discutida na cobertura entusiástica destes avanços: a IA acelera as fases iniciais, mas os testes clínicos mantêm a sua complexidade natural. A biologia não avança mais depressa apenas porque a molécula foi desenhada por um modelo. O que a IA oferece é um ponto de partida incomparavelmente superior e uma redução substancial de experiências falhadas até chegar lá.
Análise preditiva na investigação clínica
Os ensaios clínicos falham por diversas razões: seleção inadequada da população de doentes, critérios de avaliação mal desenhados, revisões de protocolo a meio do ensaio que atrasam todo o calendário ou recrutamento que demora o dobro do previsto — realidade verificada em cerca de 80% dos ensaios, de acordo com uma revisão detalhada de 2025. Não se trata apenas de atrasos: cada mês perdido num ensaio em fase avançada pode custar bem mais de um milhão de dólares.
A análise preditiva baseada em IA responde diretamente a várias destas vulnerabilidades. Modelos de machine learning treinados com dados históricos de ensaios conseguem antecipar taxas de abandono de participantes, identificar protocolos com fraco desempenho histórico para uma dada indicação e simular desfechos de ensaios antes da inclusão do primeiro doente. A evidência tornou-se incontornável: os modelos analíticos preditivos atingem 85% de precisão na previsão de resultados de ensaios e as ferramentas de recrutamento assistidas por IA aumentaram as taxas de adesão em 65% em estudos controlados.
No âmbito específico do recrutamento de doentes, a IA está a ser utilizada para cruzar perfis de doentes com critérios de elegibilidade a uma escala e rapidez inalcançáveis pela revisão manual. Registos de saúde eletrónicos, bases de dados genómicas e dados de vida real são analisados para encontrar candidatos que cumpram os critérios de inclusão, mas que poderiam nunca ter tido conhecimento de uma campanha de recrutamento. Para ensaios de doenças raras, onde a população elegível pode rondar apenas algumas centenas de pessoas à escala global, esta capacidade é decisiva para viabilizar o ensaio.
A nossa abordagem assenta no desenvolvimento de agentes de IA concebidos para executar etapas concretas do fluxo de trabalho do ensaio de forma autónoma — revisão de alterações ao protocolo, triagem de elegibilidade ou deteção de acontecimentos adversos — em vez de funcionarem como meras ferramentas analíticas acessórias que continuam a exigir validação manual. Trata-se de um modelo de intervenção distinto da simples aquisição de licenças de software, gerando resultados substancialmente mais expressivos.
Principais dados da investigação atual:
| Indicador | Valor |
|---|---|
| Mercado de ensaios clínicos com IA (2025) | 9,17 mil milhões de USD |
| Dimensão de mercado projetada até 2030 | 21,79 mil milhões de USD (CAGR de 19%) |
| Redução dos custos de descoberta de medicamentos com IA | Até 40% |
| Melhoria do recrutamento para ensaios clínicos com ferramentas de IA | +65% |
| Precisão dos modelos preditivos de IA na previsão de resultados de ensaios | 85% |
| Entradas na base de dados pública AlphaFold | mais de 200 milhões de estruturas de proteínas |
| Duração da revisão sistemática da literatura com IA vs. sem IA | 3–4 semanas vs. 8–12 semanas |
Interpretar conjuntos de dados de grande dimensão
A investigação biológica moderna gera informação a uma escala que seria considerada ficção científica há vinte anos. Um único estudo de genómica pode produzir terabytes de dados de sequenciação. Uma experiência de proteómica que analise milhares de proteínas em centenas de amostras resulta em conjuntos de dados impossíveis de interpretar manualmente por qualquer equipa. A investigação multiómica — combinando dados genómicos, proteómicos, metabolómicos e clínicos — cria desafios de integração virtualmente insuperáveis sem ferramentas computacionais avançadas.
É aqui que o machine learning demonstra um dos seus contributos mais práticos no contexto científico. Modelos de ML treinados em dados multiómicos conseguem identificar biomarcadores preditivos da resposta terapêutica, detetar subpopulações de uma patologia que reagem de forma distinta ao mesmo fármaco e destacar padrões em dados longitudinais que levariam meses a ser identificados por analistas humanos. Um exemplo prático: um modelo de deep learning treinado em imagens clínicas obteve 87% de sensibilidade e 92% de especificidade na distinção entre COVID-19 e outras doenças pulmonares — com maior rapidez e capacidade de escala do que a revisão radiológica convencional.
O obstáculo para a grande maioria das organizações científicas não reside no acesso ao machine learning em si, mas na sua articulação com os formatos de ficheiro, sistemas de armazenamento e pipelines de análise já em utilização. Uma farmacêutica com programas clínicos no Medidata Rave necessita de ferramentas de IA plenamente compatíveis com esse ambiente, e não de soluções que exijam infraestruturas de dados paralelas. É este problema de integração que dita o insucesso da maioria dos projetos-piloto de IA — razão pela qual o desenvolvimento de soluções à medida supera as alternativas genéricas.
Agentes de IA e o ciclo de investigação autónomo
O avanço mais significativo da IA na investigação científica ao longo dos últimos dois anos não se deve a um modelo isolado, mas ao surgimento de agentes autónomos de IA com capacidade para executar tarefas de investigação em várias fases sem intervenção humana a cada passo. Em termos práticos: um agente recebe uma pergunta de investigação, pesquisa em bases de dados bibliográficas, extrai estudos relevantes, sintetiza conclusões, assinala lacunas e elabora um relatório estruturado — poupando ao investigador a execução manual de cada uma dessas etapas.
Algumas instituições estão a levar esta abordagem ainda mais longe, criando laboratórios totalmente automatizados. O ciclo funciona de forma contínua: a IA propõe uma experiência, sistemas robóticos realizam-na, a IA analisa os resultados obtidos e o modelo atualiza a hipótese formulada para propor o teste seguinte — tudo no intervalo de escassas horas, em vez de semanas. Não é ficção científica: trata-se de uma realidade operacional num conjunto pioneiro de centros de investigação e marca a trajetória para onde toda a disciplina está a convergir.
Para a grande maioria das organizações, o ponto de partida não é um laboratório inteiramente autónomo, mas sim a integração de assistentes de IA vocacionados para tarefas de grande volume e reduzida exigência de discernimento crítico: triagem de artigos, conversão de formatos de dados, produção de relatórios e redação preliminar de documentação regulamentar. São tarefas que consomem atualmente uma parte substancial do tempo dos investigadores sem exigir o pensamento científico especializado que verdadeiramente faz a ciência progredir. A sua automatização liberta tempo para as questões que exigem conhecimento aprofundado.
A nossa equipa de IA empresarial tem desenvolvido exatamente este tipo de implementação — construindo sistemas de agentes que se integram na infraestrutura existente de investigação em vez de operarem isolados. A diferença nas taxas de adoção é notória: os agentes que funcionam dentro das ferramentas de trabalho habituais são adotados de imediato; as plataformas isoladas acabam muitas vezes esquecidas.
A perspetiva realista: limitações, reprodutibilidade e onde a IA ainda falha
Qualquer análise sobre IA na investigação que ignore as suas limitações não está a ser transparente. Eis os pontos que consideramos mais determinantes para quem tem a responsabilidade de tomar decisões sobre a implementação de IA em ambientes de investigação.
A reprodutibilidade é um problema real
Os modelos de IA são treinados a partir de dados. Se esses dados contiverem enviesamentos — como a sobre-representação de certos grupos populacionais, patologias específicas ou determinadas condições laboratoriais —, o modelo reproduzirá esses desvios nas suas respostas. Na descoberta de fármacos, isto traduz-se em modelos que operam com precisão sobre proteínas amplamente documentadas, mas falham perante estruturas raras. No desenho de ensaios clínicos, pode levar a previsões rigorosas para perfis dominantes nos dados históricos e desajustadas para todos os outros. Ter consciência disto não elimina o obstáculo, mas transforma a forma como se validam os resultados da IA antes da tomada de decisões.
A alucinação em contextos científicos é particularmente perigosa
Os grandes modelos de linguagem produzem por vezes afirmações com aparência de certeza que são factualmente incorretas. Num chatbot de consumo, isso é um incómodo. Num cenário de automação da investigação — em que um assistente de IA resume evidência clínica ou extrai dados de artigos científicos —, representa um risco sério. Todos os sistemas em produção que desenvolvemos para investigação incluem passos de validação e pontos de controlo humano onde o impacto de eventuais lapsos seria crítico. Qualquer parceiro tecnológico que evite este tema não o está a ponderar ou não está a ser inteiramente honesto.
A integração continua a ser a principal causa de insucesso dos projetos
Regressando ao dado apurado pelo MIT: 95% dos projetos-piloto empresariais de IA não geram um impacto tangível. As razões são sempre as mesmas: desarticulação face aos fluxos de trabalho quotidianos, dados de base deficientes e falta de definição quanto à posse dos resultados. Não se trata de uma limitação técnica, mas sim de processos e sistemas. É por essa razão que o ponto de partida de qualquer trabalho da nossa equipa de consultoria de IA começa pela compreensão profunda do fluxo de trabalho existente, e não pelas capacidades teóricas da IA.
Perguntas frequentes
Ambas as perspetivas são verdadeiras, consoante a área científica em causa. Na descoberta de fármacos, a transformação das etapas preliminares é inequívoca — desde a previsão de estruturas proteicas ao desenho molecular e identificação de alvos terapêuticos. O Prémio Nobel da Química de 2024 atribuído a Demis Hassabis e à equipa do AlphaFold distinguiu uma conquista que resolveu um desafio com meio século na biologia estrutural. Isso não é publicidade nem moda passageira.
O setor farmacêutico e a biotecnologia lideram com clareza. A descoberta de fármacos foi a primeira área em que a IA passou de recurso de apoio a infraestrutura crítica, criando uma vantagem competitiva medida em anos entre quem a adota e quem a ignora.
Logo a seguir, a investigação financeira — em particular a análise quantitativa e o acompanhamento de mercados — registou uma adesão expressiva, beneficiando de dados estruturados, abundantes e ciclos de feedback rápidos. A ciência dos materiais e o setor energético avançam a um ritmo idêntico. Na investigação biomédica académica, a síntese de literatura e a análise de dados com IA aceleraram muito além do previsto. As áreas em fases mais iniciais são aquelas em que os dados permanecem fragmentados ou pouco estruturados — um desafio perfeitamente solucionável, mas que requer investimento concreto.
A resposta rigorosa é que não faz nem uma coisa nem outra em absoluto. A IA não substitui o critério científico essencial para decidir que perguntas têm valor, que anomalias nos dados justificam atenção ou que falha deve reorientar a trajetória experimental. Essas deliberações continuam a ser exclusivamente humanas.
O contributo da IA — quando bem concebida — reside em absorver as etapas de investigação que dispensam esse julgamento crítico: revisão e síntese de literatura, triagem de milhares de compostos, execução repetida dos mesmos pipelines de dados ou identificação de padrões em volumes de informação humanamente inabarcáveis. Os investigadores que tiram pleno partido da IA não fazem menos ciência; dedicam mais do seu tempo às dimensões que dependem insubstituivelmente do talento humano.
Os ganhos de velocidade concentram-se nas fases iniciais. A descoberta tradicional de medicamentos, desde a identificação do alvo até à nomeação do candidato pré-clínico, demora normalmente de três a cinco anos. Os fluxos de trabalho assistidos por IA estão a comprimir esse prazo para 12–18 meses em casos bem documentados. O ISM001-055 da Insilico Medicine, um fármaco com alvo e molécula desenhados por IA, atingiu a Fase IIa a partir da identificação do alvo em 18 meses e publicou resultados positivos na Nature Medicine em 2025. Esse cronograma teria sido de três a quatro anos através de métodos tradicionais.
O mecanismo não tem qualquer mistério. A IA consegue analisar muito mais candidatos moleculares do que qualquer equipa humana, prevê como uma molécula irá interagir com um alvo sem realizar fisicamente todas as experiências e aprende com cada candidato falhado para aperfeiçoar a próxima geração de designs. A Novartis estimou que a IA reduziu os seus custos de descoberta de fármacos em até 40%. Em 2025, investigadores do MIT utilizaram IA generativa para conceber novos antibióticos contra bactérias resistentes a medicamentos — uma área em que os métodos tradicionais tinham esgotado as ideias.
Há três aspetos que surgem de forma consistente na nossa experiência. O primeiro é o enviesamento dos dados. Os modelos de IA aprendem com os dados em que são treinados. Se esses dados sobre-representarem certas populações, determinados tipos de doenças ou condições experimentais específicas, o modelo reproduz esses enviesamentos nos seus resultados. Na descoberta de medicamentos, isto traduz-se em modelos com um desempenho brilhante em alvos bem estudados e fraco em proteínas de doenças raras. Na predição clínica, significa valores de precisão que não se sustentam em populações de doentes pouco representadas em ensaios históricos.
O segundo é o problema da integração. As ferramentas genéricas de IA que não estão ligadas à infraestrutura de dados, aos instrumentos e aos fluxos de trabalho específicos de uma organização de investigação tendem a ficar inutilizadas ou a ser usadas em tarefas periféricas. A taxa de 95% de insucesso nos projetos-piloto resulta mais disto do que da capacidade dos modelos.
O terceiro reside nas alucinações em contextos de alto risco. Um modelo de linguagem de uso geral que afirma com total confiança uma propriedade molecular incorreta ou inventa uma citação com aparência plausível, mas fictícia, não é apenas inútil — é um risco. Qualquer sistema de IA implementado na investigação necessita de pontos de controlo e validação onde os erros possam ter consequências graves.
Depende quase exclusivamente do estado dos dados e da complexidade da integração. Uma ferramenta orientada — como um sistema de triagem de literatura com IA integrado a bases de dados específicas e ligado a um fluxo de trabalho existente — demora geralmente de 8–12 semanas desde a especificação até à implementação. Um sistema mais abrangente, com treino de modelos personalizados sobre dados proprietários, integração com múltiplas plataformas internas e um pipeline de monitorização contínua, requer um projeto mais alargado.
A primeira conversa consiste sempre numa sessão de definição de âmbito. Não fornecemos estimativas de prazos antes de compreendermos a situação dos dados, pois é ela que determina o cronograma. Se é esse o seu ponto de situação, a conversa de consultoria de IA é o ponto de partida certo.
A investigação avança ao ritmo das suas ferramentas
A vantagem competitiva na investigação — quer se trate de uma empresa farmacêutica, de uma instituição académica ou de um departamento empresarial de I&D — reside cada vez mais na rapidez com que se percorre o ciclo de descoberta. Isto significa ler mais depressa, fazer triagens com maior rapidez, conceber experiências melhores e interpretar resultados com menos pontos cegos.
A IA não substituirá os investigadores. No entanto, os investigadores que utilizam IA irão, com o tempo, superar substancialmente aqueles que não o fazem. A questão não é se deve adotar a IA na investigação, mas sim se deve desenvolver essa capacidade de forma adequada — integrada com os seus dados, ferramentas e fluxos de trabalho — ou recorrer a ferramentas genéricas e questionar-se por que razão os resultados não correspondem aos casos de estudo. Desenvolvemos sistemas de IA à medida para organizações intensivas em investigação: farmacêuticas, biotecnologia, análise financeira e I&D empresarial. Cada projeto começa com a mesma pergunta: onde é que a sua equipa perde mais tempo em tarefas que não exigem a sua especialização? A resposta a esta questão é normalmente o melhor ponto de partida para investir em IA.
