Em um laboratório perto do aeroporto de Newark, em Nova Jersey, cerca de trinta farejadores experientes passam o dia cheirando amostras e anotando o que sentem: "de nozes", "pêssego", "marinho". Essas anotações são cruzadas com análises químicas para formar um conjunto de dados de treinamento [1]. Não é uma fábrica de perfumes nem um laboratório de controle de qualidade: é a linha de montagem de dados da Osmo, uma startup que acaba de afirmar ter alcançado "inteligência olfativa em nível humano" [1] — a mesma expressão que a indústria usa quando quer dizer que o problema foi resolvido, e a mesma que deveria acender o ceticismo de qualquer leitor atento.
A alegação é grandiosa. Criada por Alex Wiltschko a partir de seu trabalho no Google Brain, a Osmo diz ter construído o primeiro modelo de fundação para o olfato, treinado em mais de 10 milhões de rótulos humanos e 800 milhões de "tokens de cheiro" que descrevem moléculas e concentrações exatas [1]. Se for verdade, é um feito considerável: o olfato sempre foi o sentido órfão da inteligência artificial, o domínio em que a química dos aromas permanecia refém de dados escassos e caros enquanto linguagem e visão avançavam. Mas há uma distância mensurável entre "nosso modelo é tão bom quanto uma pessoa média em testes internos" e "demos um sentido aos computadores". É nessa distância que toda a disputa está instalada.
O sentido que a IA não conseguia cheirar
A base biológica do olfato começou a ser decifrada em 1991, quando Linda Buck e Richard Axel anunciaram ter identificado os genes que codificam os receptores olfativos, descoberta que lhes rendeu o Nobel de Medicina de 2004 [2]. Os humanos têm cerca de 400 tipos distintos de receptores olfativos [3] e conseguem distinguir mais de 10 mil cheiros [2]. A conta só fecha por combinatória: se cada molécula se ligasse a um único receptor, como explica a revista Pesquisa FAPESP, só conseguiríamos identificar aproximadamente 400 odores [3]. O olfato humano é, portanto, um sistema de codificação combinatória — e é aí que a metáfora linguística usada pela Osmo funciona: moléculas se combinam como palavras.
O problema nunca foi o algoritmo. Foi a anotação. Antes da Osmo, segundo a contagem de Wiltschko, existiam menos de 200 mil descrições humanas de cheiros nas bases de dados disponíveis [1]. Compare com a visão computacional, que aprendeu com milhões de imagens etiquetadas, ou com os modelos de linguagem, treinados em volumes gigantescos de texto da internet. Havia ainda uma segunda barreira: os sensores químicos necessários para coletar dados são caros, e a indústria de fragrâncias é reservada sobre seu trabalho em ciência olfativa [1]. Não é à toa que o campo avançou devagar enquanto o resto da IA acelerava. A escassez não era de inteligência — era de matéria-prima.
A aritmética industrial por trás do "nível humano"
A Osmo atacou o gargalo com força bruta, e vale reconhecer a escala. Espectrômetros e outros sensores químicos funcionam o tempo todo para decompor a composição molecular de frutas, flores, itens de despensa e até órgãos. Cerca de 70 rotuladores treinados, nos Estados Unidos e no exterior, descrevem as amostras com um vocabulário padronizado [1]. O resultado declarado é o corpus de mais de 10 milhões de rótulos e 800 milhões de tokens de cheiro [1]. É essa base que sustenta a alegação de "inteligência olfativa humana".
Aqui é preciso examinar o que a empresa quer dizer com a expressão, porque a definição é reveladora. Segundo a MIT Technology Review, a Osmo define nível humano como ser aproximadamente tão bom quanto a pessoa média em detectar e discriminar cheiros, e tão bom quanto um designer júnior de perfumes em criá-los [1]. São dois critérios muito diferentes: o primeiro é psicofísica básica; o segundo é uma competência profissional, medida contra alguém em início de carreira. Nenhum dos dois corresponde ao olfato humano em sentido amplo, que envolve memória, contexto e expectativa — dimensões que esse tipo de teste não cobre. E, até a reportagem, não havia um benchmark aberto e replicável para que terceiros verificassem o resultado.
Isso não invalida o avanço. Michael Schmuker, ex-professor de computação neural da Universidade de Hertfordshire que já prestou consultoria à Osmo, considera a tecnologia uma conquista real. Ele criou uma versão de código aberto, obtida por engenharia reversa, do modelo de 2023 da Osmo, mas ela não conta com a montanha de dados que a empresa acumulou desde então [1]. Esse é o ponto em que ciência e segredo industrial se atropelam: um resultado que não pode ser reproduzido por falta de dados funciona mais como ativo comercial do que como resultado científico. E a Osmo é, declaradamente, as duas coisas.
Do laboratório ao perfume de pastel de nata
A parte mais convincente do caso da Osmo não está nos números de treinamento, e sim nos clientes. A tecnologia já é usada na indústria de fragrâncias para ajudar marcas a projetar e fabricar novos aromas, e já serviu para criar fragrâncias de varejo, inclusive para gigantes como a Procter & Gamble [1]. Segundo a própria empresa, em outubro de 2026 seu modelo superou os perfumistas internos de uma das maiores empresas de bens de consumo do mundo, cujo nome não foi divulgado [1]. Um representante da Osmo não respondeu à MIT Technology Review a tempo da publicação [1].
Há também aplicações fora do universo cosmético. A Fundação Gates investiu US$ 5 milhões quando a Osmo foi lançada e depois concedeu uma doação de US$ 3,5 milhões para avaliar moléculas que repelem insetos transmissores de doenças; a Osmo identificou oito substâncias mais repelentes que o DEET, referência entre os repelentes [1]. O registro da doação, de maio de 2023, descreve o objetivo como demonstrar a utilidade de métodos baseados em IA na descoberta de modificadores do comportamento de insetos, para proteger humanos e animais de patógenos transmitidos por eles [4]. A empresa também trabalhou com a StockX, mercado online de roupas e tênis, para detectar tênis falsificados pelas diferenças na composição química dos materiais [1].
E há a demonstração feita ao repórter. Em Lisboa, durante o Web Summit, Wiltschko pediu ao sistema uma fragrância com cheiro de pastel de nata, voltada a homens de 18 a 23 anos. Depois de alguns minutos, o modelo gerou três opções — cremosa, de coco, frutada. Se o pedido tivesse seguido adiante, o "L'Eau de Custard" do repórter ficaria pronto em cerca de uma semana [1]. A empresa opera um robô de impressão de cheiros do tamanho de um ônibus escolar [1]. Em 2026, a Osmo levantou US$ 70 milhões em uma rodada Série B e passou de 100 funcionários entre Nova Jersey e Boston, segundo a própria empresa [5].
O que o modelo não cheira: o problema do contexto
A limitação mais séria da abordagem não está na quantidade de dados, mas na natureza do que se pede ao modelo. "O contexto é muito importante para o cheiro", diz Schmuker; o cheiro de um queijo francês como o Camembert vem em parte da mesma molécula presente em fraldas usadas, e ninguém confunde os dois justamente por causa do contexto [1]. É uma observação simples e devastadora: o sistema olfativo humano não apenas identifica moléculas, ele interpreta situações. Um modelo treinado em rótulos padronizados aprende a parte química sem a situacional.
Em um laboratório de fragrâncias, essa lacuna pode ser irrelevante — o cliente quer um cheiro agradável com uma função definida, e o contexto está implícito no pedido. Mas Wiltschko sugere que a tecnologia pode se tornar o "canal olfativo" dos modelos de mundo da IA, e aí o problema muda de escala [1]. Pense em máquinas farejando deterioração ou detectando tumores pelo cheiro, como cães foram treinados a fazer em estudos-piloto [1]. Nesses cenários, não basta descrever a amostra; é preciso decidir sob incerteza. Para isso, argumenta Schmuker, a tecnologia de sensores precisará melhorar muito [1]. O gargalo volta a ser físico antes de ser computacional.
O próprio Wiltschko reconhece a assimetria das ambições. Segundo ele, há um longo histórico de empresas que foram direto ao pico da montanha e não tiveram sucesso, porque é muito caro e muito difícil; "o que estamos fazendo é construir essa fundação no sopé de todas essas montanhas" [1]. É uma metáfora honesta, e também uma admissão de que o diagnóstico médico — o maior prêmio — permanece no campo do desejo, não no do produto.
A objeção que a empresa não respondeu
Nem todo mundo comprou a narrativa. Avery Gilbert, cientista do olfato e autor de What the Nose Knows, tem criticado duramente a Osmo em seu Substack, argumentando que algumas alegações de marketing não são documentadas e que os pedidos de patente da empresa ainda dependem de painéis sensoriais humanos e de perfumistas, e não de IA. "Essa forte dependência de julgamentos sensoriais humanos parece estranha para uma empresa fundada na premissa de uma IA superlegal", escreveu ele em março [1]. É a crítica mais afiada possível a uma startup que vende automação: se o processo patenteado ainda exige humanos no circuito, o que exatamente foi automatizado?
A réplica mais forte a Gilbert é desconfortável para a própria Osmo. Os cerca de 70 rotuladores e os 30 farejadores experientes não são um resquício pré-industrial — são o produto [1]. A vantagem competitiva da empresa está menos no algoritmo e mais num corpus proprietário que só existe porque pessoas passaram meses cheirando amostras com um vocabulário comum. Nesse sentido, Gilbert está certo e errado ao mesmo tempo: certo ao apontar que a IA não substituiu o nariz humano; errado ao tratar isso como desqualificação, já que o que a Osmo propõe é destilar o que o nariz faz. Vale registrar ainda uma pequena discrepância: o site da Osmo diz que a empresa saiu do Google Brain em 2022 [5], enquanto a MIT Technology Review fala em 2023 [1]. Detalhe menor, mas o tipo de imprecisão que uma empresa cuja moeda é a credibilidade técnica deveria evitar.
Discussão: o benchmark errado para a pergunta certa
A obsessão com o "nível humano" está mal direcionada, e o problema não é de marketing — é epistemológico. Ao definir sucesso como "tão bom quanto uma pessoa média em detectar cheiros", a Osmo escolheu um alvo que soa verificável, mas que mede pouco do que torna o olfato notável. O olfato humano se destaca por amarrar cheiro a memória e emoção, como o próprio Wiltschko resume: "você pode sentir um cheiro uma vez e se lembrar dele pelo resto da vida" [1]. Um modelo que associa descrições a análises químicas não demonstra nada sobre isso. Demonstra que a química analítica pode ser traduzida em linguagem natural — o que já é uma revolução silenciosa para uma indústria que dependia do nariz de poucos profissionais caros.
Há uma ironia aqui. A literatura sobre IA celebra modelos de fundação como entidades gerais e transferíveis. A Osmo construiu um modelo de fundação cuja generalidade é financiada por um acervo de dados privado, e cuja validação científica é praticamente impossível sem acesso a esse acervo. Schmuker conseguiu reproduzir o modelo de 2023, mas não o atual [1] — ou seja, a comunidade científica só consegue auditar a Osmo de três anos atrás. Não é um defeito exclusivo da empresa, mas é especialmente grave quando as afirmações são sobre capacidade biológica. A saída óbvia seria um benchmark aberto de discriminação olfativa, com conjuntos de teste mantidos em sigilo, como a visão computacional fez com competições públicas de referência. Nenhuma startup tem incentivo para criá-lo; alguma instituição científica deveria.
Resta uma questão que nenhuma métrica resolve. Se a Osmo de fato superou perfumistas internos de uma gigante de bens de consumo, como afirma [1], a pergunta interessante não é se o modelo cheira como um humano, mas o que acontece com os humanos cujo trabalho era cheirar. A empresa emprega dezenas deles hoje, justamente porque p
recisa de dados. Quando o corpus estiver maduro, parte desse trabalho pode se tornar dispensável. A questão do futuro do trabalho olfativo não aparece no discurso da empresa, e deveria.
Conclusão
A Osmo fez algo difícil e subestimado: transformou o sentido mais negligenciado pela IA em um problema de engenharia tratável, atacando o gargalo certo — os dados, não o algoritmo. Mas "inteligência olfativa em nível humano" é uma frase de relações públicas, não um resultado experimental verificado de forma independente. O que existe, de concreto, é um corpus de mais de 10 milhões de rótulos humanos e 800 milhões de tokens de cheiro [1], clientes reais na indústria de fragrâncias e no combate a falsificações [1], um achado sobre repelentes mais eficazes que o DEET [1][4] e uma rodada de US$ 70 milhões que compra tempo [5]. É bastante. Não é a mesma coisa que dar um nariz aos computadores.
Três direções merecem atenção nos próximos anos. A primeira é sensorial: sem sensores melhores, o modelo continuará brilhando no laboratório e tropeçando fora dele, como argumenta Schmuker [1]. A segunda é metodológica: a área precisa de um benchmark olfativo aberto, com testes cegos, ou continuará trocando evidência por confiança. A terceira é clínica — o diagnóstico por odor é o prêmio que justifica o investimento, e também o pico onde, segundo Wiltschko, outras empresas fracassaram [1]. Ele escolheu o sopé da montanha, e essa escolha é mais sábia do que heroica. Só não convém confundir o acampamento-base com o cume.
Referências
[1] Amit Katwala (2026). This smell startup says its AI nose is as good as a human's. MIT Technology Review. https://www.technologyreview.com/2026/11/18/1148816/smell-startup-osmo-ai-nose-good-as-humans/
[2] University of Washington (2004). The Science of Scent Wins a Nobel Prize. The Innovation Imperative. https://www.washington.edu/innovation/the-science-of-scent-wins-a-nobel-prize/
[3] Maria Guimarães (2009). The mysteries of smells. Revista Pesquisa FAPESP, n. 155. https://revistapesquisa.fapesp.br/en/the-mysteries-of-smells/
[4] Gates Foundation (2023). Osmo Labs, PBC — committed grant INV-055893. https://www.gatesfoundation.org/about/committed-grants/2023/05/inv-055893
[5] Osmo. About. https://www.osmo.ai/about