A pequena IA que diz ter vencido OpenAI e Anthropic em uma tarefa científica

A corrida pela IA costuma premiar quem anuncia o maior modelo. A Inherent quer defender outra lógica. A startup de Londres afirma que o Faraday, seu agente para pesquisa científica, superou Claude Opus 4.8 e GPT-5.5 em uma tarefa muito específica: reproduzir resultados de artigos já publicados.

A Inherent afirma que o Faraday superou Claude Opus 4.8 e GPT-5.5 na replicação de pesquisas, usando o Qwen 3.6 de 27 bilhões de parâmetros como base. A comparação é limitada a essa tarefa específica e ainda depende da metodologia divulgada pela própria empresa.

A alegação precisa ser lida com o cuidado que toda comparação feita pela própria empresa exige. Ainda assim, o detalhe que chama atenção não é apenas o placar. Faraday roda sobre o Qwen 3.6 com 27 bilhões de parâmetros, um modelo bem menor que os sistemas de escala frontier usados como referência na disputa.

O que a Inherent está tentando provar

A Inherent é um laboratório de IA de Londres criado por ex-integrantes do Google DeepMind. A empresa saiu do modo stealth há poucas semanas e levantou uma rodada seed de US$ 50 milhões. Agora, apresenta Faraday como um colega de pesquisa capaz de trabalhar de forma independente sobre estudos científicos.

A proposta não é resumir um paper ou explicar um gráfico. O agente foi treinado para tentar replicar resultados de pesquisas publicadas. Isso envolve ler o trabalho, formular um plano experimental, usar ferramentas e verificar se o caminho adotado leva a conclusões compatíveis com as do estudo original.

Segundo a reportagem da TechCrunch, a Inherent diz que Faraday superou Claude Opus 4.8 e GPT-5.5 nesse recorte. Não é uma afirmação de que o agente seja melhor em qualquer uso. É uma comparação focada em reprodução de pesquisa, com método e meta próprios.

Essa distinção importa. Modelos generalistas podem ser excelentes para escrever, programar ou responder perguntas. Um agente científico precisa manter um objetivo por mais tempo. Também precisa decidir quais testes valem o esforço e quando um resultado merece desconfiança.

Menor, mas orientado por um método

O componente mais interessante do anúncio está na eficiência. Faraday usa Qwen 3.6 com 27 bilhões de parâmetros como base. Em vez de depender somente de um modelo gigantesco, a Inherent aposta em treinamento e organização para transformar esse sistema em um agente voltado a uma função limitada.

A empresa chama essa capacidade de “research taste”. Em termos simples, seria a habilidade de escolher bons experimentos e desenhá-los com critério. A tese é que acertar uma resposta não basta. Para ajudar em ciência, a IA precisa saber quais hipóteses testar e quais caminhos provavelmente desperdiçam tempo.

Esse “gosto” é treinado com reinforcement learning. A expressão parece abstrata, mas aponta para uma mudança prática: avaliar o processo do agente, não apenas sua resposta final. Um resultado correto obtido por tentativa aleatória não tem o mesmo valor de uma sequência de decisões que poderia ser reutilizada em outro problema.

A Inherent também não criou um coding agent próprio para cada etapa. Faraday usa GPT-5.5 Codex como ferramenta de programação, de modo parecido com um pesquisador que recorre a software especializado. A arquitetura mistura um modelo menor, uma camada de decisão e uma ferramenta externa para executar código.

Por que isso interessa ao Brasil

Para desenvolvedores, pesquisadores e founders brasileiros, a notícia reforça uma ideia útil: a próxima vantagem em IA talvez não esteja apenas em acessar o modelo mais caro. Ela pode aparecer no workflow que organiza tarefas, testa hipóteses e conecta ferramentas com objetivos claros.

É uma diferença relevante para times que não têm orçamento para operar infraestrutura de modelos gigantes. Em muitos casos, a pergunta correta deixa de ser “qual IA é a maior?” e passa a ser “como esse agente vai decompor o problema?”. A escolha de ferramentas, as verificações e os critérios de parada podem mudar mais o resultado que alguns pontos em uma tabela de benchmark.

Esse debate conversa com o conceito de harness de agentes. Como explicamos no guia sobre o harness de agentes de IA da NVIDIA, um bom sistema não depende só do modelo. Ele depende de como tarefas, contexto, ferramentas e validações são conectados.

O anúncio da Inherent não elimina a importância dos modelos frontier. Faraday, inclusive, recorre ao GPT-5.5 Codex para programar. O que ele sugere é outro equilíbrio: modelos grandes podem virar ferramentas dentro de sistemas menores e mais especializados.

Uma vitória que precisa de contexto

A alegação da Inherent é promissora, mas não deve virar uma conclusão ampla antes de mais detalhes públicos. Comparações entre agentes dependem de conjunto de tarefas, critérios de sucesso, orçamento de execução e acesso a ferramentas. Vencer em replicação de pesquisa não significa liderar em todo tipo de trabalho intelectual.

Mesmo assim, a direção é relevante. A indústria passou anos tratando escala como a principal resposta. Faraday coloca outra pergunta na mesa: e se a diferença estiver em fazer a IA trabalhar com mais método?

Para quem constrói produtos no Brasil, essa é talvez a parte mais prática da história. Em vez de esperar pelo próximo modelo gigantesco, vale desenhar fluxos que transformem uma capacidade disponível em trabalho verificável. Agentes que pesquisam, executam, conferem e registram decisões podem criar valor antes que o maior modelo chegue à sua API.