Agentes de IA estão falhando em biologia básica: a crise do encanamento de dados

Design para humanos, desempenho sofrível para agentes

O NCBI Virus e muitos outros bancos de dados biológicos públicos foram construídos para fluxos de trabalho interativos, baseados em navegador. Cientistas clicam em filtros, inspecionam resultados manualmente e dependem de dicas visuais. Essa lógica de interface é incompatível com agentes autônomos que esperam comandos programáticos e estruturados .

Resultados radicalmente não determinísticos

A descoberta mais contundente foi a inconsistência. Quando os pesquisadores pediram três vezes ao Claude Sonnet 4 para recuperar sequências de Ebolavirus em relação a um resultado real verificado de 266, ele retornou 106 na primeira tentativa, 15 na segunda e apenas 5 na terceira. Nenhum prompt foi alterado — apenas o resultado mudou .

Isso não se trata apenas de perder alguns registros. Em uma simulação, uma recuperação defeituosa distorceu tanto uma análise filogenética que estimou a origem de um surto de Ebola como 1922, em vez da data correta de 2014. A IA não havia alucinado a ciência — ela foi alimentada com um conjunto de dados quebrado e, obedientemente, construiu uma conclusão falsa em cima dele .

Infraestrutura fragmentada e frágil

Os dados biológicos estão espalhados por dezenas de bancos de dados com identificadores incompatíveis, diferentes padrões de metadados e sem APIs com controle de versão. Engenheiros de software contam com gerenciadores de pacotes e endpoints versionados; biólogos computacionais muitas vezes ficam presos a scripts contra interfaces web inconsistentes que mudam sem aviso prévio .

A solução determinística: gget virus

Em vez de treinar um modelo melhor, a equipe construiu uma camada de recuperação melhor. O gget virus é uma estrutura leve e determinística que formaliza a lógica de filtragem do NCBI Virus em um sistema programático reproduzível .

Ele funciona aplicando restrições de metadados antes de baixar as sequências, buscando seletivamente apenas os registros estruturados do GenBank que correspondem aos critérios, e reduzindo a transferência de dados em mais de 98% para consultas de alto volume, preservando a semântica de correspondência exata. O resultado é o mesmo conjunto de dados todas as vezes — uma propriedade de que os agentes de IA precisam desesperadamente, mas que a infraestrutura antiga não podia oferecer .

O impacto foi imediato e dramático. Quando os sistemas de IA autônomos usaram o gget virus como seu backend de recuperação:

• A precisão saltou para pelo menos 90,0% para todos os modelos testados, com o GPT-5.5 atingindo 99,7%.
• As métricas de estabilidade subiram para 0,92–1,00 em todos os aspectos.
• A magnitude do erro, especialmente o tipo catastrófico que altera conclusões científicas, despencou .

A conclusão é inequívoca: a restrição principal para a biologia impulsionada por IA não é o raciocínio do modelo — é o acesso determinístico aos dados. Adicione a camada de recuperação certa, e os agentes de hoje já podem fazer um trabalho confiável .

Repensando a infraestrutura de dados biológicos para a era dos agentes

A história de sucesso do gget virus é uma prova de conceito para uma mudança muito maior. Os pesquisadores argumentam que esse padrão não se limita à virologia — somente o NCBI hospeda mais de 30 bancos de dados que se beneficiariam de wrappers determinísticos semelhantes .

De design orientado ao humano para nativo de agente

Os bancos de dados biológicos devem evoluir para expor APIs bem documentadas e versionadas, com filtragem padronizada e semântica de consulta reproduzível. Isso é o equivalente ao que os desenvolvedores de software obtêm de gerenciadores de pacotes e sistemas de controle de versão — uma infraestrutura crítica que a ciência biológica atualmente não possui .

O impulso por dados federados em escala de IA

Em um esforço paralelo, a Chan Zuckerberg Initiative publicou um roteiro pedindo conjuntos de dados biológicos interoperáveis e agrupados, que possam ser consultados via interfaces de linha de comando e padrões legíveis por máquina. A visão deles: um mundo onde cientistas podem pesquisar, analisar e baixar dados multimodais em uma única consulta federada, permitindo a descoberta em escala de IA sem o caos atual de recuperação .

A CZI já está agindo nesse sentido, desenvolvendo uma CLI para acesso a dados federados e construindo o Projeto Bilhões de Células (Billion Cells Project), um conjunto de dados de célula única que promete ser um marco, destinado a treinar modelos de IA de última geração. O objetivo é uma infraestrutura fundamental que torne os dados biológicos tão acessíveis para as máquinas quanto os repositórios de código são para os desenvolvedores .

A lição não se limita à biologia

O insight central — de que interfaces legadas focadas em humanos quebram os agentes de IA — se generaliza para toda a computação científica. Camadas de acesso programático e determinísticas não são um luxo; são um pré-requisito para permitir que sistemas autônomos participem de forma confiável da pesquisa. A solução não é esperar por um modelo mais inteligente. É modernizar as estradas.