Os US$ 78.000 para Não Achar a Resposta: Por Que Construímos Laboratórios Autônomos em Vez de Campanhas de Triagem Maiores

O primeiro laboratório autônomo que ajudei a projetar não fracassou por causa da IA. Fracassou por causa de um manipulador de líquidos.

Havíamos passado semanas construindo a parte que empolga todo mundo — um laço de otimização bayesiana envolvendo uma rede neural de grafos capaz de prever o bandgap de uma perovskita de haleto em milissegundos, em vez de esperar dias por um forno. Na simulação era lindo. A função de aquisição escolhia composições como uma engine de xadrez enxerga lances. E então entramos no laboratório de verdade para conectá-lo aos instrumentos de verdade, e a coisa toda parou morta diante de um manipulador de líquidos Hamilton de doze anos de idade, cujos arquivos de método se recusavam a conversar com qualquer coisa que não fosse o próprio software da Hamilton.

Foi nesse dia que entendi o que um laboratório autônomo realmente é. Não é um modelo esperto. É um laço fechado — projetar um experimento, executá-lo em hardware real, ler o resultado, decidir o próximo, repetir — e o laço só é tão forte quanto seu elo mais fraco e mais tedioso. Normalmente esse elo é uma peça de equipamento de 2014 que nunca foi feita para ser automatizada por ninguém além do fornecedor.

Todo mundo quer falar sobre o otimizador. O que decide se o seu laboratório se torna autônomo é se o seu espectrômetro de quinze anos vai devolver um número a um processo Python às 3 da manhã.

Quero percorrer por que a triagem de alto rendimento — o cavalo de batalha do P&D industrial por trinta anos — está agora matematicamente obsoleta, o que um laboratório dirigido por IA faz em seu lugar, e a engenharia nada glamorosa que decide se um desses sistemas de fato funciona no seu prédio. Este é o problema em torno do qual agora construímos laboratórios autônomos, e a maior parte do que os torna difíceis não tem nada a ver com o que as palestras de conferência sugerem.

Por Que a Triagem de Alto Rendimento Ficou Obsoleta de Repente?

Comece com um número que deveria incomodar qualquer chefe de P&D. A contagem de pequenas moléculas com características de fármaco que obedecem às regras de Lipinski — a química básica do "isto poderia virar uma pílula" — é estimada em 10⁶⁰. Uma grande campanha de triagem de alto rendimento, do tipo que custa milhões em robótica e reagentes, testa cerca de 10⁶ compostos.

Faça a divisão. Você está amostrando aproximadamente 0,000000000000000000000000000000000000000000000000000001% do espaço. Avance para os biológicos e as ligas de múltiplos elementos e o espaço se estica em direção a 10¹⁰⁰, que é mais do que o número de átomos no universo observável.

O problema mais profundo nem sequer é a cobertura. É a suposição por trás dela. A triagem presume que a resposta já está numa biblioteca pré-sintetizada em uma prateleira. Para um material genuinamente inédito — uma perovskita sem chumbo, um eletrólito de estado sólido, um novo MOF — a composição ótima quase certamente nunca foi feita por ninguém. Você não está procurando uma agulha num palheiro. Você está procurando, num palheiro do tamanho do Pacífico, uma agulha que ainda precisa forjar você mesmo.

Este é o motor por trás da Lei de Eroom — a Lei de Moore escrita ao contrário — o fato bem documentado de que a produtividade do P&D farmacêutico caiu por décadas mesmo com os gastos subindo. O desenvolvimento de fármacos agora ultrapassa US$ 2 bilhões por ativo (Deloitte, 2024), cerca de 90% dos candidatos fracassam em ensaios clínicos, e a taxa interna de retorno da indústria farmacêutica despencou para uma mínima de doze anos de 1,2% em 2022, antes de se recuperar para 5,9% em 2024, em grande parte pela força de alguns poucos outliers de GLP-1. A busca por força bruta é um imposto sobre cada um desses números.

O Que a Força Bruta de Fato Custa em um Orçamento Real

Veja como a obsolescência aparece em um orçamento real, porque abstrações sobre 10⁶⁰ não comovem ninguém.

Imagine um laboratório de materiais de médio porte perseguindo uma perovskita de haleto sem chumbo com um bandgap e um perfil de estabilidade específicos para células solares de próxima geração. Cinco cátions candidatos, oito combinações de ânions, razões estequiométricas contínuas — chame de 10⁸ composições viáveis. O método tradicional é um pós-doc sintetizando de três a cinco composições por semana, guiado pela literatura e pela intuição de um orientador. A cerca de US$ 150 por síntese, quando você considera precursores, preparo de substrato e caracterização — uma linha de custo que já vi se acumular em mais de uma ordem de compra — isso dá US$ 78.000 ao longo de um ano para testar 520 composições.

Quinhentas e vinte de cem milhões. Isso é 0,00052% do espaço, e o melhor candidato que ele revela pode estar em lugar nenhum perto do ótimo real.

Do lado farmacêutico, a mesma aritmética se desenrola contra o relógio em vez de contra a bancada. Já vi a lógica idêntica do laço — prever primeiro, sintetizar apenas os candidatos que valem a pena — comprimir um trabalho pré-clínico que tradicionalmente dura de quatro a cinco anos para algo mais próximo do ciclo que a Exscientia executou para colocar uma molécula projetada por IA na Fase I em cerca de doze meses, com custos de P&D pré-clínico reduzidos em 25 a 50%. Mesmo princípio, denominador muito maior.

Agora execute o mesmo problema como um laboratório autônomo. Você pré-treina um substituto de rede neural de grafos em 50.000 estruturas de perovskita calculadas por DFT do Materials Project — um banco de dados público de propriedades de materiais computadas — para que o modelo possa prever bandgap e energia de formação em milissegundos. Em seguida, um otimizador bayesiano usando uma função de aquisição de Melhoria Esperada escolhe cada próximo experimento por um de dois critérios: ou o desempenho previsto é alto, ou a incerteza do modelo ali é grande o suficiente para valer a pena resolver. Ele deliberadamente evita as centenas de execuções que teriam produzido dados incrementais ou inúteis.

Esse sistema alcança o 0,1% superior do espaço de composição em 80 a 120 experimentos direcionados, por US$ 12.000 a US$ 18.000 em reagentes. Mesmo laboratório, mesmos instrumentos, mesmo pós-doc — uma ordem de magnitude menos experimentos e uma fração do custo.

A vitória não é executar experimentos mais rápido. É nunca executar os quatrocentos experimentos que sempre iriam não te dizer nada.

Essa redução de 10 a 50x nos experimentos-até-o-alvo não é um número de marketing que eu inventei; é a diferença consistente entre a otimização bayesiana e a triagem aleatória em toda a literatura de materiais. E o lado do custo tem seu próprio número — a Otimização Bayesiana Informada por Custo, publicada no ChemRxiv em 2024, corta o custo de otimização em até 90% ao tratar o preço de cada experimento como parte daquilo que a função de aquisição otimiza, e não como uma reflexão tardia.

Por Que Parei de Confiar no Modelo e Comecei a Me Preocupar com o Encanamento

De volta àquele manipulador Hamilton.

Quando nosso laço perfeito na simulação morreu no contato com o hardware real, meu primeiro instinto foi o errado. Presumi que era um caso isolado — azar com um instrumento velho. Então escrevemos um adaptador rápido, o colocamos mancando, e seguimos em frente. Aí o laboratório seguinte tinha um Tecan rodando FluentControl, o depois desse tinha instrumentos Agilent falando um terceiro dialeto, e um LIMS e um ELN que armazenavam o mesmo experimento em dois formatos incompatíveis. Em cada local, o modelo estava bem no primeiro dia e a integração devorava as semanas seguintes.

Foi aí que caiu a ficha: em um laboratório autônomo, a IA é talvez 20% do trabalho. Os outros 80% são fazer instrumentos heterogêneos, muitas vezes antigos, se comportarem como um único sistema programável. Os laboratórios silenciosamente sobrevivem a isso hoje transformando pessoas em middleware humano — um cientista redigitando números de um espectrômetro para uma planilha, e da planilha para o LIMS — que é exatamente a etapa manual e propensa a erros que a automação deveria eliminar.

A correção honesta é o SiLA 2, o padrão de automação de laboratório destinado a dar aos instrumentos uma linguagem comum. Mas "padrão" é uma promessa exagerada. Cada combinação de instrumentos é seu próprio projeto de integração. Então começamos a escrever à mão pilhas de drivers SiLA 2 para envolver instrumentos legados específicos — o manipulador de doze anos incluído — e a tratar essa camada de driver como uma entrega de primeira classe, não como um código de cola pelo qual se pedir desculpas. É a parte que decide se o laboratório é autônomo ou apenas uma demonstração.

Havia uma segunda humilhação técnica à espera do lado do modelo também. A primeira vez que uma busca de estequiometria ultrapassou algumas dezenas de parâmetros ajustáveis, nosso otimizador de processo gaussiano de manual desacelerou até virar rastejo. A otimização bayesiana padrão baseada em GP escala como O(n³); em algum ponto acima de ~50 dimensões ela simplesmente deixa de ser utilizável, e você precisa migrar para aproximações esparsas — SVGP, aprendizado de kernel profundo — que a maior parte das ferramentas prontas não expõe. E o substituto GNN que parecia tão esperto no exemplo da perovskita? Frio, ele não vale nada. Ele precisa de 500 a 1.000 estruturas calculadas por DFT antes que suas previsões superem um cara ou coroa. O problema da partida a frio não é algo que você resolve escolhendo um modelo melhor; é um problema de aprendizado por transferência que você resolve com expertise de domínio sobre qual química pré-treinada usar como ponto de partida para o ajuste fino.

Nada disso está no folheto. Tudo isso é o que o projeto realmente é.

Quem Mais Constrói Laboratórios Autônomos — e Quanto Isso Silenciosamente Custa a Você?

O campo dos laboratórios autônomos se consolidou rápido, e os participantes são reais e bem financiados. Vale a pena saber o que cada um realmente entrega antes de assinar qualquer coisa.

A Radical AI levantou US$ 55 milhões em uma rodada seed-plus e uma Série A de US$ 60 milhões, apoiada pela RTX Ventures e pela NVentures da NVIDIA, e abriu uma instalação no Brooklyn Navy Yard em janeiro de 2026 com a governadora Hochul presente — eles triam bilhões de composições e executam mais de 100 experimentos por dia, mais de 25 ligas diariamente. Impressionante, e ajustado para a metalurgia. O problema é estrutural: seus dados vivem na pilha deles, e a lógica de otimização é a caixa-preta deles, não sua para modificar. A Emerald Cloud Lab opera mais de 200 instrumentos automatizados na Carnegie Mellon — você envia amostras e recebe os resultados de volta — o que é genuinamente útil e também significa que sua química proprietária sai das suas instalações e você fica limitado ao catálogo de ensaios deles. A Atinary, a Kebotix, a recém-ampliada "fábrica de ciência por IA" da Lila Sciences — a mesma forma de contrapartida. Você adapta seu fluxo de trabalho à plataforma deles.

Todo fornecedor de plataforma nesse espaço está vendendo a você a mesma coisa sob nomes diferentes: o otimizador deles, os instrumentos deles, a nuvem deles — e a sua propriedade intelectual como uma inquilina em cima disso.

Depois há as consultorias Big-4 que vão vender um engajamento de estratégia de laboratório por US$ 500 mil a US$ 5 milhões e te entregar uma apresentação de seleção de fornecedores depois de boa parte de um ano — elas implementam plataformas, não constroem engines de otimização. E há a rota interna, que dá a você controle total e exige que você monte uma equipe de otimização bayesiana e GNN que leva um ano para se tornar produtiva.

O que quase ninguém oferece é o meio: manter seus instrumentos e seus dados existentes e adicionar uma camada de otimização por IA que seja sua. Essa lacuna — entre o faça-você-mesmo e o aprisionamento de plataforma — é a razão inteira pela qual uma cláusula de contrato com fornecedor que diz "seus dados químicos residem em nossa infraestrutura" faz um chefe de P&D cuidadoso hesitar. É também onde escolhemos construir.

O Que Acontece Quando Você Esquece as Falhas

Há um número do A-Lab de Berkeley que eu trago em quase todo pitch porque ele corta no sentido certo. O A-Lab sintetizou 41 materiais inéditos em 17 dias — um resultado autônomo marcante. Sua taxa de sucesso de síntese foi de 71%.

Da perspectiva empresarial, esses 71% se leem pelo seu complemento. Vinte e nove por cento das tentativas fracassaram — pipetas entupidas, deriva de sensor, reagentes degradados, um forno que não atingiu a temperatura. Para uma prova de conceito acadêmica, brilhante. Para uma linha farmacêutica regulada, esses 29% não são desperdício a ser escondido. São dados que você é legalmente obrigado a manter.

É aqui que eu já vi os erros mais caros acontecerem, e isso não tem nada a ver com química. O padrão de integridade de dados da FDA, o ALCOA+, exige que os registros sejam Atribuíveis, Legíveis, Contemporâneos, Originais, Precisos — e Completos. Completos significa que os experimentos que fracassaram também são capturados, não apenas as execuções que deram certo. A maior parte do software de laboratório autônomo silenciosamente deixa cair as execuções fracassadas no chão. Em um laboratório de pesquisa ninguém percebe. Em um ambiente GxP, essa omissão é exatamente o achado que produz uma carta de advertência de integridade de dados do CDER citando registros ausentes.

Essa não é uma pressão hipotética. As cartas de advertência do CDER saltaram 50% no ano fiscal de 2025, com questões de integridade de dados entre as citações dominantes; a FDA enviou cartas de integridade a empresas como a Tyche Industries e a Jagsonpal Pharmaceuticals no início de 2025. E, em janeiro de 2026, a FDA e a EMA publicaram conjuntamente dez Princípios Orientadores para a Boa Prática de IA no desenvolvimento de fármacos, centrados na governança de dados, na gestão do ciclo de vida e na supervisão humana. Então, quando construímos um laço para um laboratório regulado, a trilha de auditoria que captura cada falha de pipeta entupida com um carimbo de data/hora e proveniência não é um recurso que adicionamos no fim. É uma restrição em torno da qual projetamos o laço desde a primeira linha.

"As Plataformas Não Vão Simplesmente Fazer Isso?" — e Outras Coisas Que as Pessoas Me Perguntam

A pergunta que mais ouço é se as plataformas bem financiadas vão simplesmente absorver essa necessidade. Elas vão absorver os laboratórios que ficam felizes em ser inquilinos. Elas não vão atender ao laboratório de médio porte que tem vinte anos de dados proprietários, um prédio cheio de instrumentos que já pagou, e um conselho que não vai aceitar que sua PI viva na nuvem de outra pessoa. Essas duas necessidades são estruturalmente opostas, e financiamento não as reconcilia.

A segunda pergunta é se a IA está madura o suficiente para se confiar nela. Os próprios benchmarks do campo dizem que a modelagem chegou: nos resultados do Matbench Discovery de 2026, 45 modelos foram classificados e o melhor, o PET-OAM-XL, atingiu um F1 de 0,924 e um fator de aceleração de descoberta acima de 6x. A técnica de laboratório autônomo movida a fluxo da NC State, publicada na Nature Chemical Engineering em meados de 2025, coletou 10x mais dados do que as abordagens anteriores. A ciência está pronta. O que não está comoditizado é conectá-la aos seus instrumentos sob o seu regime de conformidade.

A terceira pergunta é a silenciosa: isso é só para as grandes farmacêuticas? Não. A economia morde mais forte os laboratórios de materiais e ciências da vida de médio porte, cujo orçamento de P&D não pode absorver um ano de US$ 78.000 para buscar 0,0005% de um espaço, e que não podem emitir um cheque de consultoria de US$ 5 milhões para que lhes digam qual plataforma comprar.

A Parte Que Ninguém Coloca em um Slide

Cheguei à conclusão de que o romantismo do laboratório autônomo — robôs pipetando pela noite adentro, IA sonhando com moléculas — presta um desserviço ao campo. Ele vende o romantismo e esconde o trabalho. A razão pela qual a maioria desses projetos empaca não é que o otimizador não era esperto o suficiente. É que ninguém quis passar semanas escrevendo um driver SiLA 2 para um manipulador de líquidos, ou construir uma trilha de auditoria que registre os experimentos que fracassaram, ou ajustar finamente um substituto para além de sua partida a frio com a química de domínio certa.

Esse trabalho nada glamoroso é o trabalho. É por isso que construímos as engines de otimização, as integrações de instrumentos e a arquitetura de laço fechado como um único sistema, para o laboratório específico à nossa frente — seus instrumentos, seus materiais, seus dados permanecendo seus.

Edison testou milhares de filamentos à mão porque, em sua era, a teoria ficava atrás do experimento. Em 2026, essa desculpa acabou. Podemos prever antes de sintetizar, escolher o único experimento que vale a pena executar dentre quatrocentos, e deixar o laboratório rodar sozinho em direção a uma resposta. Os laboratórios que continuam a resolver a busca por força bruta não estão sendo minuciosos. Estão pagando o ano inteiro de um pós-doc para olhar 0,0005% do quadro e chamando isso de diligência.