Quando a IA para de responder e começa a trabalhar.

Mas há uma coisa interessante aqui: os dez não são equivalentes. Alguns estão muito mais próximos de um “cientista artificial”; outros são especialistas extremamente fortes em um ciclo fechado de trabalho.

Vamos destrinchar?

Robin

Especialidade

Biologia e descoberta biomédica.

É provavelmente o caso mais próximo, em 2026, daquilo que a expressão “agente científico” pretende descrever. O Robin não é simplesmente um chatbot treinado em biologia: ele coordena outros agentes especializados — literatura, síntese de conhecimento, análise de dados — e percorre um ciclo científico completo.

1. Literatura
2. Hipótese
3. Experimento
4. Dados
5. Análise
6. Nova hipótese

Em maio de 2026, o trabalho foi publicado na Nature. O sistema identificou o ripasudil como candidato terapêutico para degeneração macular relacionada à idade e participou do desenho e análise de experimentos posteriores. Também propôs uma hipótese mecanística envolvendo o composto KL001 e o ritmo circadiano das células RPE.¹

Por que ele é diferente

A maioria dos agentes científicos para em literatura → hipótese. Robin avança para hipótese → experimento → interpretação.

Biomni

Especialidade

Biomedicina.

Aqui a abordagem é diferente. Em vez de tentar construir um agente que “saiba biologia”, Biomni cria um ambiente operacional biomédico: ferramentas, bancos de dados, softwares, análise bioinformática, literatura, código e workflows científicos. O agente decide quais ferramentas usar e executa as análises.

Stanford descreve Biomni como um agente capaz de trabalhar em priorização de genes, drug repurposing, diagnóstico de doenças raras, microbioma, clonagem molecular e análise biomédica.³ Em julho de 2026, informou que o sistema já havia sido usado por milhares de pesquisadores, com infraestrutura cobrindo centenas de ferramentas especializadas.⁴

O que o torna especial

Representa uma arquitetura importante: LLM + ambiente científico + ferramentas + execução — não apenas LLM + prompt.

Co Scientist

Especialidade

Descoberta científica, especialmente biomedicina.

Uma arquitetura multiagente construída em torno de Gemini, com ideia central quase evolucionária. O Google descreve o sistema como um parceiro científico que gera, debate e evolui hipóteses; em 2026, o trabalho foi publicado na Nature.⁵

1. Gerar hipóteses
2. Criticar
3. Comparar
4. Evoluir
5. Selecionar

O paper original relata aplicações em drug repurposing, descoberta de novos alvos e mecanismos de resistência antimicrobiana. Em alguns experimentos, hipóteses geradas pelo sistema foram depois validadas experimentalmente.⁶

Diferença para Robin

Co Scientist pergunta “qual hipótese deveríamos investigar?”. Robin diz “vamos investigar essa hipótese e analisar o resultado”. Há sobreposição, mas a filosofia arquitetural é diferente.

AlphaEvolve

Especialidade

Matemática + algoritmos + engenharia computacional.

Um dos casos mais interessantes porque a máquina não precisa “entender” uma solução da maneira humana. Ela precisa gerar algo que passe pelo avaliador. O ciclo é uma busca evolutiva:

1. Problema
2. LLM gera programa
3. Executa
4. Avalia
5. Pontua
6. Seleciona
7. Nova geração

Em 2026, o Google DeepMind publicou novos resultados com aplicações em matemática, física, redes elétricas e infraestrutura computacional.⁷ O ponto central é que AlphaEvolve não depende de avaliação subjetiva: pode receber uma função objetiva — “este algoritmo é melhor ou pior?” — e isso permite busca em escala.

AI Scientist v2

Especialidade

Pesquisa automatizada em Machine Learning.

É o agente que mais se aproxima do conceito “dê um problema e deixe a máquina conduzir uma pesquisa”. O ciclo que ele percorre:

1. Gerar ideias
2. Selecionar hipóteses
3. Escrever código
4. Executar experimentos
5. Analisar resultados
6. Gerar gráficos
7. Escrever paper
8. Revisão automática

A versão inicial saiu em 2024. Em 2026, o trabalho foi publicado na Nature, consolidando o sistema como um marco da pesquisa automatizada.⁸

O detalhe importante

Ele não é tão geral quanto o nome sugere: seu ambiente é principalmente pesquisa em machine learning. E há um contraponto — avaliações independentes encontraram problemas sérios na versão inicial, incluindo falhas de código, avaliações ruins de novidade e resultados incorretos.⁹

Numina Lean Agent

Especialidade

Matemática formal.

Provavelmente um dos agentes mais interessantes da categoria matemática, porque tem algo que agentes científicos normalmente não têm: um juiz quase perfeito. Ele trabalha com Lean, um assistente formal de provas, e percorre o ciclo:

1. Pensar
2. Escrever prova
3. Lean verifica
4. Receber erro
5. Corrigir
6. Tentar de novo

O sistema combina Claude Code com ferramentas Lean via MCP. Em um benchmark com problemas do Putnam 2025, resolveu 12 de 12 problemas, igualando o melhor sistema fechado reportado.¹⁰ E há trabalhos de 2026 indo além, com agentes capazes de formalizar resultados de papers de matemática e verificar suas provas mecanicamente.¹¹

Por que isso é enorme

Robin propõe uma hipótese biológica e o laboratório precisa verificar. Numina propõe uma prova — e o Lean pode verificá-la formalmente.

Claude Code

Especialidade

Engenharia de software.

Aqui entramos em um domínio diferente de ciência. Claude Code é um agente que lê o repositório, planeja, modifica múltiplos arquivos, executa comandos, roda testes, observa erros, corrige e continua iterando.

1. Planejamento
2. Código
3. Testes
4. Observar erros
5. Iteração

A própria Anthropic o descreve como um sistema agentic que lê o codebase, modifica arquivos, executa testes e entrega código commitado.¹² Um estudo analisou aproximadamente 400 mil sessões reais do Claude Code entre outubro de 2025 e abril de 2026.¹³

Codex

Especialidade

Engenharia de software agentic.

O Codex evoluiu de um agente de programação para uma espécie de infraestrutura de trabalho multiagente: entende grandes codebases, modifica código, executa testes, faz refactors, trabalha em ambientes isolados, opera múltiplos agentes, sustenta tarefas de longa duração e prepara alterações para revisão.

A OpenAI informou em maio de 2026 que o Codex era usado por mais de 4 milhões de pessoas por semana, citando empresas como NVIDIA, Cisco, Dell e Datadog.¹⁵ Um estudo acadêmico de 2026 comparando Codex, Claude Code, Cursor, Devin e GitHub Copilot encontrou que nenhum agente domina todas as categorias.¹⁶

Essa última parte é importante

Não existe “o melhor agente de programação”. Existe o agente que se sai melhor em determinado regime de trabalho.

Cursor Agent

Especialidade

Desenvolvimento de software dentro do ambiente de desenvolvimento.

Cursor é interessante porque a especialização não está só no modelo — está no ambiente. O agente opera sobre codebase, editor, terminal, arquivos, contexto do projeto e ferramentas.

No estudo de 2026 com mais de 7 mil pull requests, Cursor levou vantagem em certas categorias — particularmente correções — enquanto outros agentes lideraram outras.¹⁶

O “agente” não é apenas o modelo

A arquitetura ao redor dele muda o resultado.

ChemCrow

Especialidade

Química.

ChemCrow é um dos antecedentes mais importantes da atual geração de agentes especializados. Combina um LLM com ferramentas químicas especializadas, permitindo que o sistema deixe o espaço puramente linguístico e execute tarefas químicas com instrumentos computacionais apropriados.

O trabalho original demonstrou aplicações em síntese, planejamento químico, descoberta de moléculas e análise química. Publicado como pesquisa acadêmica, segue sendo referência para a arquitetura LLM + ferramentas de domínio.

Mas há uma distinção importante para 2026: a própria FutureHouse descreve atualmente o ether0 como um modelo de raciocínio treinado especificamente para química, superando modelos generalistas em tarefas de design molecular.²

O mapa dos agentes

Onde cada um se encaixa por domínio de trabalho: