A informática de materiais (Materials Informatics) está entrando em uma fase na qual o uso da inteligência artificial não se limita à análise de dados ou à sugestão de novas composições, mas se estende à definição das perguntas que devem ser feitas e ao design do próprio ciclo de pesquisa. O artigo, publicado em 9 de setembro de 2026, discute essa transformação por meio do papel dos grandes modelos de linguagem (LLM) e dos agentes inteligentes no ciclo de desenvolvimento de materiais.
A ideia central não é que a inteligência artificial substituirá o pesquisador, mas que a forma de distribuir os papéis entre o ser humano e o sistema mudará. Em vez de realizar um experimento e depois analisar seu resultado, pode-se construir um ciclo iterativo no qual o algoritmo escolhe o próximo experimento com base nos dados anteriores, mantendo as decisões de verificação e intervenção dentro do design do processo.
Da otimização dos resultados à escolha do próximo experimento
O artigo explica que o uso da otimização bayesiana na engenharia de materiais passou a permitir a escolha sequencial dos próximos experimentos. O método baseia-se nos resultados anteriores e na incerteza do modelo, escolhendo então o ponto que se espera ser mais útil para a pesquisa. No entanto, essa abordagem, por si só, não garante uma interpretação completa dos resultados nem a identificação de todos os fatores influentes; seu objetivo principal é alcançar o melhor valor dentro de um número limitado de experimentos.
A discussão indica que o sucesso da otimização bayesiana depende de como as variáveis e as restrições são definidas. Se algumas condições não forem incluídas ou forem consideradas fora do escopo da pesquisa, o campo de recomendações da inteligência artificial poderá mudar sem que isso fique claro para o usuário. Além disso, a própria definição do objetivo pode ser um problema de pesquisa, especialmente quando a relação entre a composição do material e seu desempenho não é suficientemente conhecida.
O que os grandes modelos de linguagem acrescentam?
Os grandes modelos de linguagem podem participar do design das perguntas, por exemplo, lendo registros anteriores, organizando informações, extraindo padrões ou formulando hipóteses iniciais. No entanto, o artigo alerta contra a equiparação dessa capacidade à produção automática de conhecimento confiável. A inferência construída pelos modelos a partir das informações disponíveis pode ser diferente do resultado que o pesquisador deseja alcançar, e suas saídas também podem refletir os limites dos dados e a forma como a pergunta foi formulada.
Por isso, não basta inserir um modelo de linguagem no fluxo de trabalho. É necessário construir um mecanismo que conecte a pergunta aos dados, ao experimento e ao critério de verificação, retornando depois o resultado ao ciclo de pesquisa para atualizar a pergunta ou escolher o próximo experimento. Dessa forma, o modelo se torna parte de um processo de exploração passível de revisão, e não uma fonte isolada de julgamento científico.
O ser humano dentro ou acima do ciclo
O artigo discute o conceito de human-on-the-loop como um modelo no qual o ser humano monitora o sistema e tem autoridade para intervir quando necessário, em vez de participar manualmente de cada etapa, como no modelo human-in-the-loop. Essa ideia está relacionada ao que o artigo chama, no contexto do desenvolvimento de software, de «engenharia de ciclos» (loop engineering): definir a posição da inteligência artificial no ciclo, o que o ser humano monitora e quando o processo é reiniciado ou interrompido.
Essa concepção amplia o escopo do design, passando das capacidades do modelo ao design de todo o sistema. A questão não diz respeito apenas a saber se a inteligência artificial é capaz de sugerir uma resposta, mas também a quem a revisa, como a qualidade do resultado é medida, qual procedimento a segue e quando a decisão retorna ao ser humano. O artigo menciona que o debate sobre o papel do ser humano na automação se intensificou durante 2025, enquanto, em 2026, surgiram apelos para pensar na engenharia de ciclos ao desenvolver agentes de inteligência artificial.
Por que esta notícia é importante?
O impacto prático dessa proposta é que os projetos de engenharia de materiais não serão avaliados apenas pela precisão do modelo ou pelo número de experimentos que ele consegue executar. Também será necessário definir claramente os objetivos, o escopo das variáveis, as condições de exclusão e os pontos de revisão humana. Quanto maior for a capacidade do sistema de passar de um resultado a um novo experimento, mais importante se tornará a rastreabilidade e a verificação das decisões.
Mas o artigo não apresenta evidências de que os agentes ou os modelos de linguagem tenham resolvido essas limitações. Em vez disso, coloca-as entre as questões de design ainda em aberto: como definir um resultado de sucesso? Como relacionar o resultado ao comportamento seguinte? E quando a intervenção humana é necessária? Portanto, o principal valor da transformação proposta não está na automação completa da pesquisa, mas no redesenho do ciclo de pesquisa para que o uso da inteligência artificial possa ser examinado e corrigido.