O AI co-scientist do Google é um sistema de IA multiagente baseado no Gemini que funciona como colaborador virtual de pesquisa. Você entrega a ele um objetivo de pesquisa em linguagem natural, e uma equipe de agentes especializados gera, critica e classifica hipóteses inéditas, devolvendo uma lista curta com citações. Ele passou de uma demonstração de 2025 para um artigo da Nature revisado por pares em maio de 2026 e agora é a ferramenta "Hypothesis Generation" dentro do Gemini for Science.
O momento de destaque foi a história da "superbactéria": ele reproduziu em cerca de dois dias uma hipótese à qual uma equipe do Imperial College levou uma década para chegar. A leitura honesta, a que até os céticos chegam, é que ele leu todos os artigos relevantes e sintetizou a resposta mais rápido do que qualquer pessoa conseguiria, e não que tenha inventado a ideia do nada. Continua sendo muito útil, só que é uma afirmação diferente.
O acesso é restrito: pesquisadores individuais se registram em labs.google/science, e a P&D empresarial recebe uma prévia privada pelo Google Cloud. Ainda não há preço público. Se você não administra um laboratório de bancada, o que importa é o formato da coisa: um colega de IA especialista contratado para uma tarefa bem definida. É exatamente esse o modelo que a eesel usa para trabalhos de suporte e conteúdo que você pode ativar hoje.
O que o AI co-scientist do Google realmente é
Comecemos pelo que ele não é. Não é um chatbot, nem uma ferramenta de busca de literatura que entrega um resumo arrumado. O Google é específico neste ponto: o co-scientist foi concebido para descobrir conhecimento novo e formular "hipóteses e propostas de pesquisa comprovadamente inéditas", e não para reformular o que já se sabe.
Por baixo do capô, é uma coalizão de agentes rodando no Gemini. Você dá um objetivo em linguagem natural, algo como "proponha candidatos de reposicionamento de fármacos para leucemia mieloide aguda", e o sistema aciona agentes especializados que cumprem, cada um, um papel do método científico: um propõe ideias, outro as critica como um revisor por pares, outro as classifica e outro refina as sobreviventes. O resultado é um conjunto classificado de hipóteses e uma visão geral da pesquisa que você poderia de fato levar a um laboratório.
O projeto tem um pedigree real. Foi apresentado pela primeira vez pelo Google Research em fevereiro de 2025, liderado por Juraj Gottweis e Vivek Natarajan, e depois publicado na Nature em maio de 2026, após ser testado com mais de 100 instituições. Esse é o percurso que vale notar: demonstração, depois um ano de validação real em laboratório, depois um artigo revisado por pares, uma barra bem mais alta do que o habitual post de blog "construímos um agente legal".
Como funciona o sistema multiagente
A maneira mais fácil de imaginar é um ritmo de três tempos: gerar ideias, debatê-las, fazê-las evoluir, e repetir.
Seis agentes especializados dividem esse trabalho, e um sétimo fica acima deles. O artigo da DeepMind sobre a Nature os nomeia com clareza:
- Generation propõe áreas de foco e hipóteses iniciais, fundamentadas na literatura.
- Proximity agrupa e remove duplicatas de ideias para que o sistema explore amplamente em vez de rodar em torno de uma resposta só.
- Reflection atua como revisor por pares virtual, verificando a correção e a novidade de cada hipótese.
- Ranking realiza um "torneio de ideias", comparando hipóteses frente a frente.
- Evolution refina e recombina as ideias mais bem classificadas.
- Meta-review sintetiza tudo no roteiro final de pesquisa.
Acima de todos, um agente Supervisor transforma seu objetivo em um plano e atribui os agentes especializados a uma fila de workers, que é como o sistema aumenta ou reduz a computação. Essa é a peça que o torna um verdadeiro sistema multiagente e não um único modelo de sobretudo: os agentes rodam em paralelo e alimentam uns aos outros, explorando vários caminhos ao mesmo tempo.
Se você leu sobre a arquitetura por trás do Agentforce deep research, de plataformas empresariais de agentes como o OpenAI Frontier ou de ferramentas de pesquisa como a Hebbia, esse padrão vai parecer familiar: dividir uma tarefa grande e difusa em papéis, deixar especialistas cuidarem de cada um e orquestrá-los. O co-scientist leva essa ideia ao trabalho mais difícil possível, as questões científicas em aberto.
O torneio de ideias e por que a maior parte da computação vai para a checagem
A parte competitiva é o toque inteligente. O agente Ranking executa um torneio baseado em Elo em que as hipóteses se enfrentam em debates científicos simulados, tomando emprestada a ideia de self-play do AlphaGo e do AlphaStar. Hipóteses mais bem avaliadas sobem, as mais fracas caem e as sobreviventes evoluem mais.
Eis o detalhe que a maior parte da cobertura ignora: o Google diz que a maioria da computação do sistema vai para verificar hipóteses, e não para gerá-las. As afirmações são conferidas com a literatura e com bancos de dados como ChEMBL e UniProt, para checar embasamento e exatidão factual. Essa ênfase em checar mais do que em fazer brainstorming é a decisão de design mais importante, e é a mesma lição que aparece na IA de negócios, onde a parte difícil nunca é gerar uma resposta, mas garantir que ela esteja certa antes de sair. Quem já lidou com AI hallucinations reconhece o instinto.
O torneio realmente acompanha a qualidade? O Google testou se sua pontuação Elo interna coincidia com a precisão real no conjunto GPQA "diamond", um conjunto de perguntas científicas de nível de doutorado.
A linha azul sobe: um Elo autoavaliado mais alto realmente se correlacionou com maior chance de estar correto, e o co-scientist se afastou da linha de base bruta do Gemini 2.0 à medida que passava mais tempo raciocinando. Não é uma verdade de referência independente, e o Google admite isso, mas é um sinal real de que a abordagem de "pensar mais, debater mais" compensa.
A história da superbactéria que todo mundo cita
Agora, o momento que o tornou famoso. O Google apontou o co-scientist para uma questão de resistência antimicrobiana: como as ilhas cromossômicas induzíveis por fagos formadoras de capsídeo (cf-PICIs) se espalham por tantas espécies bacterianas? A equipe do professor José Penadés, do Imperial College London, passou cerca de uma década tentando descobrir isso e ainda não havia publicado a resposta.
Diante da mesma pergunta, o sistema chegou à hipótese central da equipe em cerca de dois dias. Penadés ficou, compreensivelmente, atônito, e foi mais do que um único palpite de sorte:
"It's not just that the top hypothesis they provide was the right one. It's that they provide another four, and all of them made sense. And for one of them, we never thought about it, and we're now working on that."
Essa frase sobre "quatro hipóteses a mais, uma em que nunca tínhamos pensado" é a parte empolgante, e a descoberta foi publicada depois na Cell.
Mas a história foi comprimida em "IA resolve problema de superbactéria em dois dias", e esse enquadramento gerou um debate acalorado. O tópico do Hacker News mais votado sobre o assunto apresentou o contra-argumento sem rodeios:
"The point isn't that it's bad, the point is that the AI did not discover the solution to the problem independently, as news headlines had implied."
A objeção técnica é justa. O co-scientist lê a literatura publicada, e trabalhos adjacentes do mesmo grupo já estavam disponíveis, então um cientista que escreveu os artigos anteriores pode, sem perceber, formular o prompt usando o mesmo enquadramento que levou à resposta. Como disse um comentarista, foi mais parecido com "a search engine for information from its training data" do que com uma descoberta do zero.
Então, qual é: avanço ou exagero? A opinião mais útil nesse mesmo tópico recusou os dois extremos:
"'Knowing all of the relevant literature' is a great first step for solving a problem! ... 'This paper from a lower-tier journal two years ago suggests you should look at X' is a very valuable thing to have!"
Esse é o veredicto honesto. O co-scientist não é um Einstein sintético tendo insights originais no chuveiro. É o sintetizador de literatura mais rápido e exaustivo já construído, capaz de manter todos os artigos relevantes à vista ao mesmo tempo e conectar uma descoberta enterrada em uma revista obscura à sua pergunta exata. Visto assim, a história dos dois dias continua notável, só não é a história que a manchete contou.
No que ele é realmente bom: três resultados de laboratório
Além do caso da superbactéria, o Google executou o sistema em experimentos de laboratório de ponta a ponta em três problemas biomédicos de dificuldade crescente.
| Aplicação | Reposicionamento de fármacos | Descoberta de novos alvos | Explicar um mecanismo |
|---|---|---|---|
| Exemplo | Leucemia mieloide aguda | Fibrose hepática | Resistência antimicrobiana |
| Desafio | Busca combinatória | Identificar alvos inéditos | Compreender sistemas complexos |
| Dificuldade | Média | Alta | Muito alta |
| Resultado | Fármacos inibiram células tumorais em doses clínicas | Candidatos bloquearam uma resposta de cicatrização, p<0.01 | Recapitulou o mecanismo dos cf-PICI |
O caso do reposicionamento de fármacos é o mais concreto. O co-scientist propôs medicamentos existentes que poderiam funcionar contra a leucemia mieloide aguda, e testes de laboratório posteriores confirmaram que os compostos sugeridos inibem a viabilidade tumoral em concentrações clinicamente relevantes em várias linhagens celulares.
O trabalho sobre fibrose hepática, realizado com uma equipe de Stanford e publicado na Advanced Science, foi além, para um território inédito, revelando um candidato de reposicionamento que bloqueou 91% de uma resposta ligada à cicatrização no laboratório. Os cientistas que o usaram descrevem o valor de forma consistente, menos como "ele fez o meu trabalho" e mais como "ele pegou o que eu teria deixado passar":
"Co-Scientist feels like a collaborator that's read everything available about biomedical science, with the reasoning capabilities to find the connections that we're currently missing."
Repare como é cuidadoso o enquadramento de quem está mais próximo dele. Ele estrutura o raciocínio, pega lacunas e prioriza, mas o ser humano continua fazendo as perguntas e conduzindo os experimentos. É o mesmo padrão com humano no circuito que separa um AI agent útil de um excessivamente confiante.
Onde você pode usá-lo hoje
Eis a checagem de realidade prática: para a maioria das pessoas, não dá para simplesmente fazer login e usar.
Há duas rotas, e ambas são restritas. Pesquisadores individuais podem registrar interesse em labs.google/science para a ferramenta experimental Hypothesis Generation, que o Google está abrindo gradualmente. As equipes de P&D empresariais recebem uma versão de nível empresarial pelo Google Cloud, atualmente em prévia privada com parceiros como Daiichi Sankyo, Bayer Crop Science e os Laboratórios Nacionais dos EUA.
Duas ressalvas honestas. O Google não publicou nenhum preço por uso, cota ou limite de uso para o co-scientist, então o custo é uma questão em aberto. E a ferramenta é fortemente biomédica: os resultados de destaque são todos de reposicionamento de fármacos, descoberta de alvos e mecanismos de doenças, então, se você trabalha com ciência dos materiais ou economia, a adequação é bem menos comprovada. É cedo, é por convite e mira diretamente as ciências da vida por enquanto.
O que isso significa se você não administra um laboratório de pesquisa
A maioria de quem lê isto nunca vai apontar um agente para uma linhagem de células cancerosas. Então por que o co-scientist importa para um líder de suporte ou um profissional de marketing? Porque é a prova mais clara e de maior risco de um padrão que está remodelando silenciosamente o trabalho comum: um colega de IA especialista contratado para uma tarefa claramente definida, chegando com as habilidades e o contexto para executá-la.
Tire a biologia e o co-scientist é um modelo: dê a ele um objetivo, deixe uma coalizão de agentes fazer o raciocínio, gaste a maior parte do esforço verificando antes de confiar no resultado e mantenha uma pessoa no comando da decisão final. Essa é exatamente a receita de um bom agente de negócios, seja respondendo a um ticket ou redigindo um post. A diferença é que a versão do Google é uma prévia de pesquisa, e a versão de negócios você pode ligar hoje à tarde, muitas vezes por uma fração do custo de um agente humano.
Experimente a eesel
O Google criou um co-scientist para o laboratório. A eesel cria colegas de IA prontos para trabalhar nas tarefas que sua equipe realmente executa, e você pode contratar um em minutos em vez de entrar em uma lista de espera.
É a mesma ideia que faz o co-scientist funcionar, só que voltada para suporte e conteúdo. O colega de IA para o helpdesk entra na sua fila atual, aprende com seus tickets anteriores e sua central de ajuda e redige ou envia respostas, e você pode simulá-lo com tickets históricos reais antes que ele toque em um cliente ao vivo. O redator de blog com IA faz o ciclo de pesquisa e rascunho de ponta a ponta. Ambos rodam em uma única conta, se conectam às ferramentas que você já usa e entram no ar em minutos. Começar é grátis, sem ligação de vendas. Veja como os colegas funcionam.