Inteligência artificial na descoberta de fármacos: o gargalo migrou para a validação clínica

Tema: Inteligência Artificial na Medicina

Cody Tranbarger não tinha laboratório, não tinha bancada e, no papel, não tinha equipe. A empresa que ele dirigia em Cambridge, Massachusetts — a Mithril Medicine — empregava exatamente uma pessoa em tempo integral: ele. Mesmo assim, desenvolvia dois anticorpos para uma forma rara de distrofia muscular, contratava consultores avulsos e pagava pelo menos cinco organizações de pesquisa por contrato (CROs) para fazer os experimentos que uma biotech convencional faria internamente [1]. Em 27 de outubro de 2026, a Anthropic, gigante de inteligência artificial de São Francisco, anunciou ter adquirido essa estrutura de uma pessoa, entrando formalmente no negócio de descobrir fármacos [2][3].

A notícia virou uma onda de comentários sobre o futuro da indústria. "Veremos cada vez mais equipes pequenas viabilizadas por IA", disse à Nature James Zou, cientista da computação de Stanford que trabalha com aplicações biomédicas de aprendizado de máquina [1]. A formulação é plausível e provavelmente correta. Mas ela responde a uma pergunta diferente da que importa. A tese que este artigo defende é mais incômoda: a biotech de uma pessoa não é o futuro da descoberta de fármacos — é a evidência de que o gargalo migrou da bancada para a validação clínica, e o que a aquisição mede é o custo de coordenação da pesquisa, não o custo da ciência.

A empresa que cabia numa assinatura de e-mail

Vale começar pelo que a Mithril de fato era. A Anthropic descreve o alvo da compra como "uma empresa de uma pessoa que vinha desenvolvendo tratamentos para duas formas raras de distrofia muscular", cujo fundador usou o Claude para organizar contratos, logística e experimentos com 11 laboratórios externos [2]. A Nature acrescenta os detalhes que desmontam a metáfora: além do único funcionário integral, havia consultores em regime parcial e pelo menos cinco CROs contratadas para conduzir experimentos [1]. Tranbarger batizou o modelo de "Pipeline-in-a-Person" — um pipeline inteiro de desenvolvimento farmacêutico contido numa pessoa —, em post no LinkedIn citado pela revista [1]. Ele não falou à Nature, e a Anthropic também não [1].

O detalhe contábil é o ponto. "Uma pessoa" não é uma descrição da força de trabalho que produziu aqueles anticorpos; é uma descrição de quem assina os contratos. Jeb Keiper, sócio da Third Rock Ventures, resumiu o que qualquer químico medicinal sabe: "é preciso uma vila para desenvolver um fármaco" [1]. A vila existia — só não estava no quadro de funcionários. Estava distribuída em contratos de pesquisa, e é aí que a inovação administrativa se confunde com inovação científica.

A distinção não é semântica. Empresas "virtuais" de biotecnologia existem desde muito antes do ChatGPT. Matt Davidson fundou sua primeira biotech em 2013 mantendo apenas dois funcionários em tempo integral por anos, sem nunca ter um laboratório físico, com todo o trabalho contratado fora [1]. A novidade da Mithril não é a terceirização. É o que a IA faz dentro dessa estrutura — e, sobretudo, o que ela não faz.

O que custa, de fato, um medicamento

Para avaliar a promessa, é preciso ter a ordem de magnitude do problema. Uma análise de 2024 publicada no JAMA Network Open por Aylin Sertkaya e colegas lembra que os estudos disponíveis estimam o custo de pesquisa e desenvolvimento de um novo medicamento entre US$ 314 milhões e US$ 4,46 bilhões, dependendo da área terapêutica, dos dados e das premissas do modelo [4]. O levantamento clássico do Tufts Center for the Study of Drug Development, de Joseph DiMasi e colegas, divulgado em 2014, chegou a cerca de US$ 2,6 bilhões por fármaco aprovado, em dólares de 2013 [5]. São números que carregam uma controvérsia metodológica conhecida — depende-se muito de quanto do custo do fracasso se aloca ao sucesso —, mas nenhuma versão séria da conta desce à casa dos poucos milhões.

Agora compare. Se a Mithril tivesse um funcionário em vez de cinquenta, a economia proporcional estaria na linha de despesas administrativas, não na linha de P&D. Aluguel, RH, depreciação de equipamento, coordenação de reuniões: é exatamente aí que Davidson encontrou o ganho. Sua empresa atual, a Azora Therapeutics, tem cinco funcionários, e ele é explícito sobre o uso que faz da IA: mais para resumir relatórios do que para descoberta científica. O efeito concreto, diz ele, é que "usamos um pouco menos de consultores do que costumávamos" [1].

Essa é a frase mais honesta de toda a cobertura. Uma conta de consultoria um pouco menor numa empresa de cinco pessoas é uma melhoria real de eficiência e um arredondamento estatístico diante de orçamentos na casa dos bilhões. A IA generativa comprime o custo de escrever, resumir, formatar e conciliar — o trabalho de cola organizacional que consome tempo desproporcional em empresas pequenas. Isso viabiliza estruturas mínimas. Não torna a química mais barata.

Os 89% que a manchete não explica

Aqui é preciso tomar posição: a obsessão pública com "IA descobre fármacos" está mal direcionada. O ganho mais mensurável que a Anthropic reportou não está na descoberta. Está na papelada.

Junto com a aquisição, a empresa divulgou resultados iniciais de parcerias com seis organizações, entre elas a Bristol Myers Squibb [2][3]. No caso da Enveda, o método reduziu em 89% o tempo de revisão humana de documentação de manufatura — de mais de 25 horas para menos de três [2]. A BMS, segundo a Anthropic, usa o Claude para avaliar planos de um fármaco em estágio inicial de ensaios clínicos e estimar a probabilidade de sucesso desses ensaios [2].

Nada disso é trivial — e é justamente por não ser trivial que o número precisa ser lido com precisão. Revisão de documentos de manufatura é o tipo de tarefa em que modelos de linguagem realmente brilham: alto volume, ambiguidade baixa, existência de uma resposta correta verificável. O mesmo vale para conferir a consistência de dossiês regulatórios. São tarefas com gabarito disponível hoje. A descoberta de um fármaco, por contraste, é uma tarefa cujo gabarito só chega muitos anos depois, no fim dos ensaios clínicos — e, na maioria das vezes, chega na forma de fracasso.

A distinção entre tarefas com verdade de referência disponível agora e tarefas cuja verdade de referência chega tarde demais é o jogo inteiro. Um sistema que reduz 89% do tempo de revisão documental entrega valor imediato e auditável. Um sistema que "sugere o próximo passo" entrega uma hipótese cuja qualidade ninguém pode medir até que centenas de milhões de dólares tenham sido gastos testando-a. Confundir as duas coisas é o erro analítico central da cobertura sobre IA na farmacêutica — e é um erro que interessa comercialmente a quem vende o modelo.

O cemitério onde a euforia anterior foi enterrada

A indústria já viu esse filme. Os primeiros fármacos desenhados por IA chegaram à clínica cercados de festa e acabaram, em boa parte, abandonados [6]. A Exscientia celebrou em 2020 a entrada do seu primeiro fármaco desenhado por IA em testes clínicos; a BenevolentAI, cuja tese era que seus modelos achariam alvos melhores que os humanos, viu em 2023 um teste do seu fármaco para dermatite atópica ficar aquém do esperado [6]. Em dezembro de 2024, a BenevolentAI anunciou demissões e planos de deixar a bolsa Euronext Amsterdam para se reorientar [7].

O modo de falha merece atenção. Não se tratou apenas de modelos ruins prevendo alvos ruins, mas de previsões que não sobreviveram ao contato com a biologia humana — depois, portanto, do trecho que a IA deveria ter consertado. Prever afinidade de ligação ou expressão gênica é um problema computacional; prever se um anticorpo vai funcionar em pacientes com distrofia muscular é um problema empírico, com uma incerteza biológica que nenhuma arquitetura de rede neural elimina.

Nada disso torna a IA inútil. Torna-a mal especificada na propaganda. E coloca uma pergunta direta sobre o modelo "Pipeline-in-a-Person": quando o pipeline inteiro cabe numa pessoa e o trabalho experimental está terceirizado, quem absorve o prejuízo quando a hipótese falha? A resposta estrutural é que os custos do fracasso se espalham entre fornecedores contratados e investidores, enquanto a narrativa do sucesso se concentra numa empresa de uma pessoa. Isso é uma inovação financeira, não científica — e as duas coisas não devem ser confundidas.

A versão acadêmica do mesmo experimento

O experimento mais interessante sobre o tema não veio de uma empresa, e sim da revista Science. Em setembro de 2026, Harrison Zhang, James Zou e colegas, de Stanford, publicaram o "Virtual Biotech", uma organização de agentes de IA modelada sobre uma empresa de desenvolvimento de fármacos, na qual um agente "chief scientific officer" recebe consultas científicas e delega o trabalho a equipes de especialistas [8][9]. O comunicado da universidade descreve a escala como uma empresa de 37 mil "funcionários", nenhum deles humano [9].

O sistema foi testado num alvo de câncer de pulmão, o B7-H3, integrando genética estatística, dados de célula única, informação espacial e dados clinicogenômicos para propor uma estratégia terapêutica [8][9]. É um exercício computacional sério, publicado em veículo de primeira linha. Mas o próprio desenho revela o limite: os agentes trabalharam apenas com informação disponível antes de janeiro de 2025 [9], e o desempenho foi avaliado num alvo que já vinha sendo estudado. É um teste retrospectivo bem feito, não uma predição confirmada em pacientes — e a diferença entre essas duas coisas é a diferença entre um bom assistente de pesquisa e uma revolução na produtividade da indústria.

Há uma assimetria ainda mais fina. Numa empresa de uma pessoa, as decisões são tomadas mais rápido porque não há comitê. Isso é uma vantagem real e é o que Zou parece ter em mente quando fala de times pequenos capazes de identificar boas oportunidades e andar rápido [1]. Mas velocidade de decisão só é vantagem se a decisão estiver certa. Em organizações humanas, o atrito tem função epistêmica: alguém no corredor pergunta por que você descartou o ensaio de toxicidade. Substituir esse atrito por um modelo que concorda com você é ganhar tempo e perder exatamente o mecanismo que evitava erros caros.

Discussão: o gargalo mudou de lugar

Juntando as peças, o quadro é mais nítido do que a euforia sugere. A IA generativa comprime de forma real o custo de coordenação, documentação e análise exploratória em pesquisa biomédica — e os 89% de redução no tempo de revisão documental relatados pela Anthropic são um exemplo [2]. Ao mesmo tempo, o custo dominante do desenvolvimento de fármacos, na casa dos bilhões [4][5], está concentrado na fase clínica, onde o gargalo não é escrever mais rápido. É testar mais barato, recrutar melhor e falhar mais cedo.

Aí está a tensão que a cobertura do negócio da Mithril não resolve. A Anthropic agora vende a ferramenta e é dona do pipeline [2][3]. Quem divulga o desempenho do Claude na estimativa de sucesso de ensaios clínicos da BMS [2] é a mesma parte interessada em que essa estimativa pareça boa. Não se trata de má-fé — trata-se de um problema estrutural de incentivo que a indústria farmacêutica resolvia, mal ou bem, com revisores independentes e agências reguladoras. Um ecossistema de biotechs mínimas cujos modelos pertencem a poucos fornecedores de IA concentra poder de barganha de um jeito que a estrutura anterior, fragmentada e cara, ao menos dispersava.

Há ainda uma invisibilidade social. "Uma pessoa" é também um eufemismo para a rede de cientistas de CROs que executam o trabalho experimental sem participação societária, sem autoria e sem lugar na narrativa do "Pipeline-in-a-Person". A vila de Keiper [1] existe, mas seus habitantes não aparecem na foto da aquisição. Se esse for o modelo de negócio do futuro, a pergunta relevante não é quantos funcionários uma biotech precisa ter, e sim quem captura o valor gerado por quem está na

bancada.

Conclusão

A aquisição da Mithril pela Anthropic é um marco real, mas não pelo motivo celebrado. Ela mostra que uma empresa de uma pessoa pode organizar um pipeline crível com IA, consultores e laboratórios contratados [1][2]. Não prova que descobrir fármacos ficou barato, nem que o gargalo de uma década foi resolvido. O que a transação demonstra é que o custo de administrar a pesquisa caiu — e que a parte caríssima do processo continua exatamente onde estava.

Três direções merecem atenção nos próximos anos. A primeira é a validação prospectiva: o teste decisivo para qualquer promessa de IA em descoberta de fármacos não é um estudo retrospectivo na Science [8], é uma molécula que chegue aos ensaios clínicos com dados que sustentem a hipótese original. A segunda é regulatória: agências como a FDA precisarão de regras claras sobre dossiês gerados por agentes, com rastreabilidade de qual modelo propôs o quê — sem isso, a redução de 89% no tempo de revisão documental [2] vira economia de curto prazo com passivo de longo prazo. A terceira é a mais difícil e a mais importante: medir o fracasso. Uma indústria que só publica o que funcionou não consegue aprender o que a IA deveria ter previsto e não previu — e é esse registro, e não a aquisição mais recente, que decidirá se a biotech de uma pessoa é o futuro ou apenas a forma mais elegante de terceirizar a incerteza.

Referências

[1] Nature (2026). Anthropic bought a one-person, AI-powered biotech: is this drug discovery's future? — https://www.nature.com/articles/d41586-026-03640-9

[2] Anthropic (27 out. 2026). Early progress on accelerating drug development with Claude — https://www.anthropic.com/research/early-progress-drug-development

[3] The Next Web (28 out. 2026). Anthropic buys a one-person biotech and starts its own drug programmes — https://thenextweb.com/news/anthropic-mithril-acquisition-claude-drug-development

[4] Sertkaya, A., Beleche, T., Jessup, A. & Sommers, B. D. (2024). Costs of Drug Development and Research and Development Intensity in the US, 2000-2018. JAMA Network Open, 7(6), e2415445 — https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2820562

[5] Applied Clinical Trials (2014). Tufts Center for the Study of Drug Development - Cost of Developing New Drugs — https://www.appliedclinicaltrialsonline.com/view/tufts-center-study-drug-development-cost-developing-new-drugs

[6] Endpoints News. After years of hype, the first AI-designed drugs fall short in the clinic — https://endpoints.news/first-ai-designed-drugs-fall-short-in-the-clinic-following-years-of-hype/

[7] Drug Discovery World. BenevolentAI (inclui "BenevolentAI announces layoffs as it plans to delist and refocus", 12 dez. 2024) — https://www.ddw-online.com/t/benevolentai/

[8] Zhang, H., Zou, J. et al. (2026). The Virtual Biotech: A Multi-Agent AI Framework for Therapeutic Discovery and Development. Science — https://www.science.org/doi/10.1126/science.aeg6779

[9] EurekAlert! (17 set. 2026). Comunicado de Stanford sobre o artigo "The Virtual Biotech" publicado na Science — https://www.eurekalert.org/news-releases/1143752

Fale com a Eliza
E

Eliza

Agente assistente