A Anthropic disse que o Claude ajudou a descobrir enzimas promissoras para biotecnologia. 🧬 Mas um pesquisador de Copenhague afirma: sua equipe já estudava o sistema havia 4 anos — e usava Claude no processo. A IA descobriu sozinha ou recebeu o mapa? 🧵

Imagem indisponível

Mario Rodríguez Mestre afirma que as chamadas ARTs já eram conhecidas por sua equipe, embora os resultados ainda não tenham sido publicados. Há mais de 3 anos, eles usavam modelos da Anthropic para programar, redigir e organizar o trabalho. Onde termina a assistência e começa a transferência de conhecimento?

A dúvida central não é apenas “quem chegou primeiro?”. É mais técnica: interações de pesquisadores com um assistente de IA podem influenciar modelos futuros, mesmo sem que os usuários percebam? E como auditar isso de forma independente?

Imagem indisponível

A Anthropic respondeu que Claude não foi treinado com transcrições de usuários e que sua equipe de biologia molecular não acessa essas conversas. É uma negativa direta. Mas, numa ciência que exige rastreabilidade, bastam garantias corporativas ou são necessárias verificações externas?

Segundo a empresa, Claude identificou um conjunto de moléculas de RNA e uma proteína ligada à transcriptase reversa. Mestre diz que sua equipe havia encontrado essa associação mais de um ano antes. Coincidência científica, convergência de dados ou contexto prévio demais?

Imagem indisponível

O episódio expõe uma tensão crescente: laboratórios usam IAs proprietárias para acelerar pesquisa, mas essas ferramentas concentram infraestrutura, dados e poder de validação em poucas empresas. Quem protege a prioridade científica de grupos menores e universidades públicas?

Não é um caso isolado: questionamentos semelhantes surgiram após alegações de avanços matemáticos com IA. Se um modelo chega a uma resposta já explorada por especialistas, como separar raciocínio novo de padrões aprendidos ou pistas incorporadas nas interações?

Imagem indisponível

A grande métrica não deveria ser só “a IA acertou?”. Deveria ser: conseguimos reconstruir o caminho até a descoberta, atribuir crédito corretamente e preservar a confiança de quem compartilha ciência? Sem transparência, o hype pode correr mais rápido que a evidência.