Imagina isso: uma IA gera uma hipótese, escreve o código do experimento, roda tudo sozinha, analisa os resultados, monta as figuras, escreve um paper acadêmico completo — e esse paper é aceito numa conferência científica top-tier, passando pelo mesmo peer review que qualquer pesquisador humano passa.
Isso não é ficção. Aconteceu. E o código é open source.
Na minha experiência com 300+ software houses, eu vejo muita gente falando de IA para código. IA para marketing. IA para atendimento. Mas quase ninguém está prestando atenção no que pode ser a revolução mais profunda: IA fazendo ciência sozinha. Hoje eu quero te apresentar o AI-Scientist-v2 — e te provocar a pensar no que isso significa pro seu negócio.
O Que É o AI-Scientist-v2
O AI-Scientist-v2 é um sistema de pesquisa científica totalmente autônomo, criado pela Sakana AI — o unicórnio mais valioso do Japão em IA, avaliado em US$ 2,65 bilhões.
A Sakana foi fundada por Llion Jones, co-autor do paper “Attention Is All You Need” — sim, o paper que inventou os Transformers, a arquitetura por trás do ChatGPT, Claude, Gemini e basicamente toda a revolução de IA que estamos vivendo. Junto com David Ha (ex-Google, ex-Stability AI) e Ren Ito, eles montaram um time que literalmente escreveu a fundação da IA moderna.
O projeto tem 4.800+ stars no GitHub, ganhou quase 2.000 stars na última semana, e o v1 original (com 13K+ stars) foi publicado na Nature — a revista científica mais prestigiosa do mundo — em 25 de março de 2026.
O Problema: Pesquisa É Cara, Lenta e Escassa
Vamos ser diretos. Quantas software houses que eu mentoro têm um time de P&D? Quase nenhuma. E sabe por quê?
Pesquisa tradicional custa caro. Um pesquisador de ML sênior no Brasil custa R$ 25-40K/mês. Um paper decente leva semanas ou meses. E mesmo assim, a maioria dos experimentos falha — isso é parte do processo.
O AI-Scientist-v2 faz o ciclo completo de pesquisa por ~$15-20 por paper. Uns R$ 100. O preço de um almoço executivo.
Não estou dizendo que substitui um pesquisador humano (ainda). Mas estou dizendo que uma software house que nunca pôde ter P&D agora pode explorar hipóteses de forma sistemática.
Como Funciona: Agentic Tree Search
O segredo do AI-Scientist-v2 não é só “jogar um prompt e esperar”. Ele usa uma abordagem sofisticada chamada Progressive Agentic Tree Search, e funciona assim:
Ideação — Você descreve um tópico. A IA gera múltiplas hipóteses de pesquisa automaticamente.
Tree Search — Um “experiment manager agent” coordena workers paralelos que exploram diferentes caminhos de experimentação, como uma árvore de decisão viva.
Experimentação — A IA escreve código Python, executa os experimentos em GPU, coleta resultados.
Análise — Processa dados, gera gráficos e visualizações automaticamente.
Escrita — Produz o manuscript completo em LaTeX, com introdução, metodologia, resultados, conclusão e referências.
Auto-Review — Um AI reviewer (com Vision-Language Model) revisa o paper, sugere melhorias nas figuras e no texto, e itera.
O output final? Um PDF acadêmico pronto para submissão. Em horas, não meses.
O Marco Histórico: Aceito em Peer Review na ICLR
Aqui é onde a coisa fica realmente impressionante.
A equipe da Sakana submeteu 3 papers 100% gerados por IA a um workshop da ICLR 2025 — uma das conferências mais importantes do mundo em machine learning. Os reviewers sabiam que alguns papers podiam ser AI-generated, mas não sabiam quais.
Resultado: Um dos papers — “Compositional Regularization: Unexpected Obstacles in Enhancing Neural Network Generalization” — recebeu notas 6, 7 e 6 dos reviewers. Média 6.33, ficando no top 45% de todas as submissões.
Para contexto: muitos papers escritos por humanos com PhDs recebem notas piores.
O paper foi aceito. É o primeiro paper 100% gerado por IA a passar em peer review na história. Depois foi retirado voluntariamente — não por falta de qualidade, mas porque a comunidade científica ainda não definiu as regras para publicação de trabalhos AI-generated. Mas a mensagem é clara: a IA já produz ciência no nível de um pesquisador humano competente.
Os Números Que Importam
| Métrica | Valor |
|---|---|
| Stars no GitHub | 4.800+ |
| Crescimento semanal | +1.964 stars |
| Forks | 671 |
| Custo por paper | ~$15-20 (R$ ~100) |
| Tempo de execução | Algumas horas |
| Nota no peer review | 6.33/10 (top 45%) |
| v1 publicado na Nature | 25/mar/2026 |
| Sakana AI valuation | US$ 2,65 bilhões |
| Funding total | US$ 379 milhões |
| LLMs suportados | GPT-4o, o1-preview, Gemini, Claude |
Como Usar na Sua Software House
“Thulio, mas minha software house faz ERP. O que isso tem a ver comigo?”
Tudo. E vou te dar exemplos práticos:
1. Exploração técnica automatizada. Está avaliando se migra de monolito pra microserviços? Se adota GraphQL? Se implementa RAG? O AI-Scientist pode gerar papers comparando abordagens, com experimentos reais, não achismo.
2. White papers para vendas. Seu comercial precisa de material técnico para vender para enterprise? Gere um white paper com rigor acadêmico por R$ 100. Impressiona qualquer CTO de prospect.
3. Análise de ferramentas. Precisa decidir entre 5 frameworks de IA? Monte um tópico, deixe o AI-Scientist rodar experimentos comparativos com métricas reais.
4. Treinamento interno. Use os papers gerados como material de estudo para o time. É conteúdo técnico de qualidade, estruturado e referenciado.
5. Inovação de produto. Tem uma ideia mas não sabe se é viável tecnicamente? Formule como hipótese e deixe a IA explorar. Por R$ 100, vale mais que uma semana de sprint.
O Que Eu Penso (Com Honestidade)
Vou ser transparente: o AI-Scientist-v2 não é perfeito. 42% dos experimentos falham por erros de código. A busca por literatura é simplista — mais keyword search que síntese profunda. E 2 dos 3 papers submetidos foram rejeitados.
Mas é exatamente isso que torna esse projeto tão fascinante.
A IA não precisa ser perfeita para ser transformadora. Ela precisa ser suficientemente boa para acelerar o ciclo. Se 1 em 3 papers passa em peer review por $15-20 cada, rodando em horas… faz as contas. É absurdamente mais eficiente que o processo tradicional.
E olha o time por trás: Llion Jones literalmente inventou a arquitetura que faz toda a IA moderna funcionar. A Sakana tem $379M em funding e publicação na Nature. Isso não é projeto de fim de semana — é a fronteira da ciência.
Na minha visão, o AI-Scientist-v2 é um sinal claro de para onde estamos indo: P&D deixou de ser privilégio de quem tem budget de Big Tech. Uma software house de 15 pessoas em Cabo Frio (ou em qualquer lugar do Brasil) agora pode explorar hipóteses científicas com a mesma ferramenta que saiu na Nature.
A pergunta não é se IA vai fazer pesquisa. Já está fazendo. A pergunta é: você vai usar isso a seu favor ou vai esperar o concorrente usar primeiro?
Links Úteis
- AI-Scientist-v2 no GitHub
- Blog post da Sakana AI
- Paper no arXiv
- Publicação na Nature
- AI-Scientist v1 (13K+ stars)
—
Sou Thulio, mentoro 300+ software houses desde 2016. Se você quer implementar esse nível de IA na sua operação, vem conversar comigo.
