Computação científica na era da IA agêntica

A computação científica é um dos pilares da pesquisa moderna no meio acadêmico e na indústria. No entanto, o software necessário para analisar informações científicas não tem conseguido acompanhar o ritmo acelerado da geração de dados. Muitas ferramentas de pesquisa amplamente utilizadas começaram como código complementar a um artigo científico, criado por pequenas equipes acadêmicas com pouca experiência em engenharia e tempo mínimo para empacotamento, testes, otimização ou suporte de longo prazo. O resultado é uma infraestrutura científica que muitas vezes depende de fluxos de trabalho lentos e frágeis, que exigem manutenção constante. Essas limitações desaceleram o ritmo das descobertas.

Os agentes de IA estão começando a mudar essa realidade. Ao reduzir os custos do trabalho de engenharia e assumir tarefas tediosas de implementação, eles podem ajudar pesquisadores a criar protótipos de ideias mais rapidamente, realizar projetos antes inviáveis e manter software com mais facilidade no longo prazo. Com isso, o software científico se torna mais eficiente e recebe melhor manutenção, liberando os pesquisadores para dedicar mais tempo às descobertas.

Estamos compartilhando um relatório de campo exploratório sobre oito projetos de computação científica auxiliados por agentes, principalmente nas ciências da vida: cinco usaram apenas o Codex e três combinaram o Codex com o Claude Code. O relatório reúne estudos de caso escritos pelas equipes responsáveis por cada projeto e identifica temas recorrentes. Os projetos vão de manutenção rotineira e otimização direcionada a migrações de linguagem em grande escala e reformulações nativas para GPU. Segundo os colaboradores, os agentes aceleraram significativamente o desenvolvimento e a manutenção de software e, em alguns casos, ajudaram pequenas equipes a realizar trabalhos que, de outra forma, exigiriam muito mais tempo ou suporte especializado de engenharia. Mas eles também destacam o desafio persistente de estabelecer responsabilidades claras e uma gestão de longo prazo para as ferramentas resultantes.

Os colaboradores descrevem de forma consistente uma mudança no papel dos pesquisadores, que passa da implementação para a verificação e a orquestração: especificar o que deve ser criado, definir como medir a correção e decidir quando um projeto está pronto para ser lançado. Nesse modelo emergente, os pesquisadores mantêm o controle da direção científica e do padrão de qualidade, mas contam com o ganho de velocidade proporcionado pela assistência de agentes de IA.

Embora os projetos variassem muito em escopo, eles demonstraram que os agentes de programação estão tornando a mão de obra e o conhecimento especializado em engenharia menos limitantes para a computação científica. Agora, o gargalo é validar os resultados de um agente de IA, algo que ainda depende do julgamento humano.

Nos estudos de caso, os agentes atenderam com eficácia a solicitações específicas e bem delimitadas, mas não conseguiram avaliar de forma confiável se o trabalho era cientificamente válido ou atendia às expectativas. De fato, os agentes muitas vezes demonstraram confiança mesmo quando o trabalho continha erros evidentes. Por isso, os revisores humanos precisaram encontrar formas confiáveis de validar os resultados. As abordagens mais robustas usaram uma referência externa ou um objetivo de aceitação mensurável, como correspondência exata dos resultados, paridade com uma ferramenta existente, comportamento estatístico adequado ou respostas definidas previamente com dados simulados.

Outro tema recorrente foi que, em geral, os projetos avançaram em etapas, com iterações orientadas por feedback, em vez de abordagens one-shot. Os colaboradores dividiram objetivos amplos em alterações menores e usaram benchmarks intermediários e sistemas de teste para avaliar e aperfeiçoar o trabalho dos agentes. Os agentes frequentemente produziram implementações iniciais com rapidez, mas a resolução de casos extremos e diferenças numéricas sutis levou muito mais tempo. Concluir a “última etapa” de uma implementação muitas vezes exigiu a maior parte do trabalho.

De modo geral, esses estudos de caso sugerem que os agentes permitem aos pesquisadores dedicar menos tempo à implementação e mais à orientação do trabalho científico. As pessoas definem o objetivo, dividem projetos complexos em partes gerenciáveis e avaliam se os resultados são cientificamente válidos. Ao aliviar antigas limitações de engenharia, os agentes ampliam o que os pesquisadores podem criar e os liberam para se concentrar nas questões e decisões científicas mais importantes.

A lacuna de manutenção do software de pesquisa há muito desacelera as iterações e limita a reprodutibilidade e a confiabilidade. Estudos publicados sobre “código de pesquisa⁠(abre em uma nova janela)” e ferramentas ômicas⁠(abre em uma nova janela) constataram que o software publicado muitas vezes não é instalado corretamente em um ambiente computacional novo nem funciona conforme documentado, obrigando pesquisadores a dedicar muito tempo à configuração e à depuração. Até mesmo melhorias rotineiras podem poupar o tempo dos pesquisadores e reduzir a demanda computacional, enquanto refatorações e reimplementações voltadas ao desempenho podem gerar ganhos maiores.

Porém, custos menores de implementação também facilitam a criação de muitas reimplementações semelhantes, fragmentando os usuários e dispersando a atenção especializada necessária para manter qualquer ferramenta confiável. Isso torna essenciais a gestão de longo prazo e a atribuição de autoria. O software científico maduro incorpora convenções não documentadas, requisitos de compatibilidade e a confiança dos usuários, aspectos que a mera tradução do código-fonte não consegue reproduzir.

Os estudos de caso ilustram vários possíveis caminhos a seguir. As alterações no MHCflurry e no cyvcf2 foram incorporadas aos respectivos projetos originais, enquanto o rustar-aligner passou a ser gerido por uma nova comunidade porque o projeto original havia sido abandonado. Quando for possível coordenar com os mantenedores atuais, essa colaboração deve começar o quanto antes. Quando uma implementação separada for necessária, ela precisará ter um responsável bem definido e um plano de manutenção confiável. Sem isso, a reimplementação moderna de hoje pode se tornar o código abandonado de amanhã, em vez de uma infraestrutura científica confiável.

Este relatório de campo é retrospectivo e exploratório, mas os estudos de caso apontam para uma mudança prática na forma como o software científico é desenvolvido. Agentes de programação como o Codex podem reduzir significativamente o custo de manutenção, migração, otimização e novas implementações. Seu valor científico de longo prazo ainda depende de decisões humanas sobre o que criar, como verificar o resultado e quem fará a manutenção. A mudança mais profunda não é apenas que os pesquisadores podem produzir mais software, mas que podem concentrar mais esforços em definir, validar e gerir as ferramentas.

Esses estudos de caso mostram que os agentes já podem acelerar o ritmo das iterações na computação científica. À medida que os agentes de programação melhorarem, os pesquisadores poderão dedicar menos tempo a manter os pipelines de análise em funcionamento e mais tempo a promover avanços em suas áreas.