Quando a IA deixou de ajudar a ciência e começou a fazê-la

Aconteceu algo que merece mais atenção e análise cuidadosa do que está recebendo.

Em 6 de outubro, a OpenAI publicou 722 manuscritos matemáticos em um repositório público do GitHub. Os artigos foram produzidos por um modelo interno de fronteira que ainda não foi lançado e cujo nome é desconhecido do público. Os resultados abrangem 17 áreas da matemática, organizadas em 372 famílias distintas. Algumas das afirmações, se forem verificadas, representariam avanços reais em problemas que estão em aberto há décadas.

A reação imediata se dividiu em dois grupos, como sempre acontece. Um disse que isso é extraordinário e transformador. O outro pediu cautela: nada disso passou por revisão por pares, e não sabemos se algum resultado está correto.

As duas reações estão certas, mas ambas deixam de lado a questão mais importante: os resultados estão corretos e quem está verificando isso?

Duas perguntas. Apenas uma foi respondida.

Quero separar duas questões que a cobertura tem tratado como se fossem uma só, mas que merecem uma análise mais aprofundada porque têm implicações completamente diferentes.

A primeira pergunta: esses resultados matemáticos estão corretos? Essa é uma questão para os matemáticos, e levará meses para ser respondida. Cerca de um quinto dos 722 manuscritos tem provas em Lean, isto é, verificações formais conferidas por máquina. Os cerca de 580 restantes não têm, e a própria OpenAI reconhece no README do repositório que alguns resultados não formalizados podem apresentar problemas. A comunidade matemática vai analisar tudo isso com cuidado. Alguns resultados se confirmarão. Outros provavelmente não. Esse processo é essencial e ainda não aconteceu.

A segunda pergunta é diferente: o que significa um modelo de IA ter produzido 722 manuscritos matemáticos em 17 áreas, usando um equivalente computacional a cerca de três horas de pensamento por resultado?

Um sistema de IA funcionou como um verdadeiro mecanismo de descoberta matemática: formulou cerca de 4.000 problemas e produziu trabalhos matemáticos originais em teoria dos números, geometria, ciência da computação teórica, física matemática e lógica. A questão da verificação é importante para o estudo da matemática, mas a realização e a capacidade em si importam para todo o resto.

O modelo que ninguém pode usar

O que considero mais impressionante não são os 722 artigos, mas o modelo que os produziu, que continua sem nome e sem uma API disponibilizada. Ele não está disponível para nenhum cliente, pesquisador de fora da OpenAI ou empresa que queira desenvolver algo com base nele. A OpenAI publicou os resultados de uma capacidade que o mercado ainda não viu e à qual ainda não tem acesso.

Em termos de investimento, esse é um sinal muito específico. A empresa demonstrou uma capacidade de ponta que, por definição, está além do que o mercado já precificou. Com essa realização, aumentou a distância entre o que os modelos internos da OpenAI conseguem fazer e o que o mercado entende que eles conseguem fazer.

No entanto, essa distância não permanece grande para sempre. Ela diminui quando o modelo é lançado, quando os concorrentes o alcançam ou quando os resultados servem de base para novos benchmarks que todos começam a otimizar. Mas, neste momento, em outubro de 2026, há uma demonstração pública documentada de uma capacidade matemática em um sistema de IA que ninguém de fora da empresa pode usar ou avaliar plenamente.

O que isso muda na tese de investimento

Em Investing in Revolutions, descrevo o Efeito de Convergência como o princípio de que, quando tecnologias transformadoras se combinam, o resultado não é aditivo, mas multiplicativo. Dois mais dois não são quatro. A combinação cria algo que nenhuma das tecnologias conseguiria produzir sozinha.

Há dois anos, escrevo sobre a combinação de IA e descoberta científica como uma tese de investimento voltada para o futuro. Prazos de descoberta de medicamentos que caem de anos para semanas graças à combinação de IA híbrida e computação quântica. Avanços na ciência dos materiais por meio de simulações moleculares geradas por IA. Uma transformação da criptografia com análises, assistidas por IA, dos fundamentos matemáticos.

Essas eram previsões baseadas em sinais iniciais. Nesta semana, uma delas se concretizou.

Um modelo de IA realizando descobertas matemáticas genuínas, com 722 manuscritos em 17 áreas, representa uma relação entre a IA e o conhecimento científico categoricamente diferente daquela com que temos trabalhado até agora. As áreas em que isso mais importa são justamente as que venho acompanhando. A teoria dos números é a base matemática da criptografia, que, por sua vez, fundamenta todos os sistemas de blockchain e protocolos de comunicação segura. A física matemática está na base da ciência dos materiais e do hardware de computação quântica. A ciência da computação teórica é a espinha dorsal do desenvolvimento de algoritmos. Os avanços em qualquer uma dessas áreas se propagam a produtos, empresas e setores inteiros.

Quando a IA consegue acelerar o avanço dessas áreas em relação ao trabalho de pesquisadores humanos atuando sozinhos, essa propagação a jusante se acelera. Para os investidores, a questão é o que vai acelerar, quais são os fatores que impulsionam essa aceleração, em que ritmo e quem está bem posicionado no caminho dela.

A economia da verificação que ainda não existe

Há uma implicação específica para os investimentos nesta história que, pelo que vi, ninguém nomeou claramente.

162 dos 722 manuscritos têm demonstrações em Lean verificadas por máquina. Os demais, não. A OpenAI recorreu a um grupo consultivo do Institute for Advanced Study para fornecer supervisão inicial. O grupo descreveu o lançamento como um primeiro passo, que dá início — mas não conclui — ao trabalho de incorporar os resultados ao conhecimento matemático.

Na prática, isso significa que agora vivemos em um mundo no qual sistemas de IA podem produzir afirmações matemáticas e científicas mais rápido do que a infraestrutura humana existente consegue verificá-las. Essa diferença entre produção e verificação não é um problema temporário. Ela cresce junto com a capacidade. Cada avanço na capacidade da IA de produzir resultados científicos amplia a lacuna de verificação, a menos que algo seja criado para fechá-la.

Esse algo é uma nova categoria de infraestrutura: ferramentas de verificação formal, verificação de demonstrações assistida por IA e fluxos automatizados para testar afirmações matemáticas em relação a resultados conhecidos e estruturas internamente consistentes. O sistema de demonstrações Lean é um começo, mas abrange 22% deste lançamento e não foi projetado para o volume que está por vir.

A economia da verificação da ciência gerada por IA será significativa e mal existe hoje. As empresas que a construírem farão algo realmente necessário, e não apenas útil — o tipo mais duradouro de infraestrutura a ser criado.

A linha que vem se movendo há 80 anos

Quando os computadores começaram a fazer cálculos numéricos mais rápido do que os seres humanos, a maioria dos matemáticos os descartou como meros instrumentos de cálculo, e não como ferramentas matemáticas. As máquinas podiam calcular. Não podiam descobrir. Essa era a linha divisória.

Desde então, essa linha vem se movendo. As demonstrações assistidas por computador de resultados importantes, como o teorema das quatro cores, geraram controvérsia nas décadas de 1980 e 1990 porque não podiam ser verificadas integralmente por uma pessoa. Os provadores automáticos de teoremas avançaram ao longo dos anos 2000 e 2010. A cada mudança da linha, surgia o mesmo argumento: isso não é matemática de verdade; é apenas cálculo.

A linha voltou a se mover, de forma mais visível do que em muitos anos e mais difícil de descartar, porque o resultado está em um repositório público do GitHub que qualquer pessoa pode examinar.

Não afirmo que os 722 resultados resistirão ao escrutínio. Afirmo que a capacidade demonstrada ao produzi-los representa uma mudança real e duradoura no que a IA pode fazer em áreas científicas.

O ponto de inflexão para os investidores

Em Investing in Revolutions, defendo que as maiores oportunidades de investimento surgem em pontos de inflexão, quando tecnologias transformadoras ultrapassam um limiar que muda fundamentalmente o que é possível. Este é um desses momentos.

A capacidade emergente da IA de gerar descobertas científicas originais sinaliza uma mudança na forma como a inovação acontece e em onde o valor será criado. As implicações vão além das empresas que desenvolvem IA e alcançam a descoberta de medicamentos, os materiais avançados, a energia, a criptografia e a P&D industrial, áreas em que a aceleração da pesquisa pode encurtar os prazos de desenvolvimento, reduzir custos e abrir mercados inteiramente novos.

Para os investidores, a oportunidade está em reconhecer esse ponto de inflexão antes que suas implicações comerciais se tornem evidentes. Isso significa identificar a infraestrutura necessária para validar descobertas geradas por IA e as empresas mais bem posicionadas para transformá-las em tecnologias proprietárias, negócios escaláveis e vantagens competitivas duradouras.

As descobertas individuais ainda precisam ser verificadas, mas o sinal mais amplo é claro: a IA está deixando de apenas auxiliar a descoberta científica e pode passar a conduzi-la. Os investidores que compreenderem a importância dessa mudança e onde seus efeitos convergirão estarão mais bem posicionados para capturar o valor que ela criar.