A maioria das ferramentas de leitura de IA resume artigos; o Faraday tenta refazê-los. O novo agente da Inherent é otimizado para replicação: identificando etapas experimentais-chave, projetando procedimentos executáveis e reportando se os resultados se mantêm. A empresa afirma que o Faraday, rodando em um modelo Qwen 27B de porte relativamente pequeno com ferramentas externas, superou sistemas muito maiores da OpenAI e Anthropic em suas tarefas internas de replicação. Mesmo que os números principais sejam provisórios, a mudança no objetivo é notável. A replicação operacionaliza o rigor científico e está diretamente ligada à produtividade e credibilidade do laboratório, tornando-se um indicador melhor de utilidade real do que extração de citações ou qualidade de revisão da literatura.

A vantagem alegada parece vir do design do agente, e não apenas do tamanho do modelo: aprendizado por reforço para cultivar “bom senso de pesquisa”, planejamento deliberado de experimentos e dependência pragmática de assistentes de codificação existentes para implementação. Essa arquitetura reflete como equipes humanas realmente trabalham — o pesquisador principal define a hipótese, o pós-doutorando estrutura o plano, as ferramentas produzem código e gráficos. Se a reprodutibilidade é o objetivo, a orquestração importa tanto quanto o raciocínio. A questão em aberto é a validade externa: esses ganhos persistem em testes públicos, cegos, multidomínio, com bases sólidas e métricas transparentes como success@k, paridade de acesso a dados e tempo para replicação?

Se os agentes de replicação amadurecerem, seu impacto pode ser imediato para biotecnologia, materiais e organizações de pesquisa em ML. Eles podem pré-selecionar artigos de alto esforço antes da alocação de bancada, testar rigorosamente procedimentos operacionais padrão do laboratório e documentar resultados negativos — frequentemente valiosos, mas pouco reportados. Para empresas, isso redefine a IA de assistente de leitura para uma camada de verificação em P&D, conformidade e diligência de propriedade intelectual. Mas a governança é crucial: devem ser codificadas diretrizes para proveniência de dados, execução de código, conjuntos de dados licenciados e escalonamento de reivindicações. Sem protocolos transparentes e trilhas de auditoria, a replicação em escala corre o risco de amplificar métodos falhos mais rapidamente do que melhorar a confiabilidade científica.