Consensus usa GPT‑5 e API Responses para concluir semanas de pesquisa em questão de minutos

Todo ano, são publicadas milhões de pesquisas científicas, muito mais do que qualquer pessoa sozinha conseguiria ler. 

Para os cientistas, o desafio não está em acessar o conhecimento, mas na tarefa homérica de encontrá-lo, interpretá-lo e conectá-lo. As descobertas acontecem no limite do que é conhecido, mas os pesquisadores passam a maior parte do tempo simplesmente procurando esses limites, em vez de ultrapassá-los.

O Consensus⁠(abre em uma nova janela), um assistente de pesquisa usado por mais de 8 milhões de pessoas, foi criado para mudar isso. A plataforma criada por Christian Salem e Eric Olson busca, lê e sintetiza publicações científicas revisadas por pesquisadores em mais de 220 milhões de artigos. Sua mais nova capacidade, o Scholar Agent, é um sistema multiagente que usa o GPT‑5 e a API Responses como base. Ele imita o trabalho de pesquisadores de verdade, ajudando-os a passar de perguntas para conclusões em questão de minutos, em vez de semanas.

O objetivo, porém, não é apenas tornar a pesquisa mais rápida, e sim acelerar a descoberta. "A ciência avança quando é mais acessível", diz Salem. "Nossa tarefa é dar aos pesquisadores do mundo todo a capacidade de encontrar evidências, confiar nelas e agir usando-as como base.

A primeira versão do Consensus funcionava como um mecanismo de busca vertical para a ciência, indexando artigos acadêmicos, extraindo resultados relevantes e gerando resumos baseados em citações. Porém, apenas buscar não era suficiente. 

"A pesquisa não se resume em encontrar artigos", afirma Salem. "Trata-se de interpretar resultados, comparar constatações e conectar ideias. Quanto mais tempo os cientistas gastam buscando, lendo e interpretando conhecimentos passados para o estudo certo, menos tempo passam descobrindo e realizando pesquisas de verdade."

Assim, a equipe começou a redesenhar o Consensus com um novo conceito em mente: um sistema multiagente chamado "Scholar Agent" que operasse da mesma forma que os pesquisadores humanos.

Usando o GPT‑5 e a API Responses como base, o sistema passou a executar um fluxo de trabalho coordenado entre os agentes:

• O Agente de Planejamento analisa a pergunta do usuário e decide quais ações devem ser tomadas em seguida
• O Agente de Busca vasculha o índice de artigos do Consensus, a biblioteca privada do usuário e a rede de citações científicas
• O Agente de Leitura interpreta artigos individualmente ou em lotes
• O Agente de Análise sintetiza os resultados, determina a estrutura e os aspectos visuais e compõe o material final

Cada agente cuida de um escopo restrito, o que mantém um raciocínio preciso e minimiza gerações incorretas (alucinações) A arquitetura também permite que o Consensus decida quando não deve responder. Se não encontrar estudos que atendam à qualidade mínima, o assistente simplesmente diz não.

"Ao dividir o fluxo de trabalho entre vários agentes, reduzimos os erros e tornamos o sistema mais disciplinado", diz Salem. "Nenhum dos agentes sozinhos têm responsabilidade demais, o que é muito importante para a confiabilidade."

A equipe chama essa abordagem de engenharia de contexto, que reúne as evidências científicas corretas antes que a geração seja iniciada. Cada resposta é acompanhada de um "pacote de contexto da pesquisa", ou seja, um conjunto estruturado de artigos, metadados e as principais conclusões que remetem aos estudos originais.

"Não queremos que os pesquisadores percam tempo verificando cada afirmação duas vezes", explica Salem. "Se o sistema não conseguir basear uma resposta em evidências reais, ele não a inventará."

O Consensus migrou da API Chat Completions para a API Responses para que seu roteamento multiagente fosse compatível. Com a mudança, tanto a confiabilidade quanto a eficiência de custo foram aprimoradas, dando à equipe um controle mais preciso sobre as chamadas de subagentes. Com o raciocínio de contexto extenso do GPT‑5 e a chamada confiável de ferramentas, a escolha ficou fácil.

As primeiras evoluções confirmaram a suspeita: o GPT‑5 superou o GPT‑4.1, o Sonnet 4 e o Gemini 2.5 Pro no que diz respeito à precisão da chamada de ferramentas e à estabilidade de planejamento. Isso permitiu que a equipe do Consensus se concentrasse menos em malabarismos com os prompts e mais na construção de comportamentos de agentes que se relacionassem diretamente com os fluxos de trabalho de pesquisa.

Desde o início, o Consensus abordou o mercado de uma maneira diferente do esperado. Em vez de adotar o modelo de vendas para instituições, a equipe se concentrou nas pessoas que realizavam a pesquisa: estudantes, professores e médicos que precisavam de respostas imediatas. Esse foco direto no pesquisador influenciou tanto o desenvolvimento do produto quanto seu rápido crescimento.

"Todos dizem que, no meio acadêmico, seria impossível vender diretamente ao consumidor, mas a IA mudou isso", diz Salem. "As pessoas já não esperam mais por aprovação. Elas usam o que funciona."

Essa decisão moldou o tom e a curva de crescimento do produto. O Consensus se parece mais como um aplicativo moderno para consumidores do que uma ferramenta acadêmica, com integração rápida, design intuitivo e interface conversacional. A adoção se disseminou pelo boca a boca nos campi e laboratórios.

Alunos universitários e candidatos a doutorado se tornaram os primeiros usuários avançados, seguidos por professores e pesquisadores privados. Em seguida, vieram os médicos, que começaram a usar o Consensus para divulgar as evidências mais recentes em suas áreas de atuação. 

"Nossa intenção original não era criar algo para a comunidade médica", afirma Salem. "Porém, eles precisam do mesmo que os pesquisadores: acesso rápido a evidências científicas confiáveis."

A empresa assinou recentemente um contrato com a biblioteca médica da Mayo Clinic e acaba de lançar o "Medical Mode", um novo recurso projetado para profissionais que buscam evidências clínicas.

No último ano, o Consensus se expandiu rapidamente, alcançando mais de 8 milhões de pesquisadores em todo o mundo e aumentando sua receita em oito vezes.

Esse crescimento, contudo, não mudou as prioridades do produto. Todos os recursos ainda giram em torno de respostas verificáveis e com baixo índice de alucinações. A equipe fez grandes investimentos em pipelines de avaliação, que testam a precisão, a rastreabilidade das citações e a consistência estilística entre os agentes.

A arquitetura do Consensus é propositalmente modular, projetada para que novos agentes possam ser incorporados à medida que os modelos se expandem e melhoram, agentes esses que repliquem experimentos, gerem números ou executem análises estatísticas.

"Estamos criando o assistente que os pesquisadores realmente precisam em um mundo de rápidas mudanças", afirma Salem. "Os modelos seguem melhorando, o sistema cresce com eles e a ciência avança mais rapidamente."