Google lança ERA: agente IA pra escrever código científico

Em 19 de maio de 2026, o Google Research publicou simultaneamente no blog oficial e na revista Nature um paper sobre o ERA, sistema de IA pra escrever código científico. ERA é uma ferramenta da Google que usa o modelo Gemini para escrever e otimizar código de experimentos computacionais em pesquisa científica. O sistema considera milhares de opções via busca em árvore, consulta literatura científica relevante, combina técnicas e avalia resultados. Faz parte do que o Google chama de Computational Discovery, em rollout pelo Gemini for Science. Pra quem está fazendo pós-graduação em qualquer área computacional ou que dependa de simulação, esse lançamento muda o que está disponível no mercado de ferramentas.

O que aconteceu

O ERA não saiu do nada. O Google compartilhou design e desempenho do sistema em preprint no outono passado. A novidade de maio de 2026 é dupla: publicação na Nature e disponibilização da ferramenta pra mais pesquisadores via Computational Discovery, no Gemini for Science.

A descrição funcional é direta. Dado um problema científico e uma medida de sucesso, o ERA busca literatura científica relevante, escreve código, explora soluções, combina técnicas e avalia resultados. Internamente, usa uma abordagem de busca em árvore que considera milhares de opções antes de propor o que vai testar. A ideia é resolver um dos problemas mais demorados da pesquisa empírica: testar e refinar código de experimento, parte que costuma consumir semanas de trabalho de mestrandos e doutorandos.

A ferramenta foi construída em parceria entre o time de Product Management e o time de Research do Google. O paper acadêmico se chama “AI system designed to help scientists write expert-level empirical software”, publicado na Nature em 19 de maio.

Pra contexto, é a segunda grande aposta do Google em ferramenta de IA pra ciência em 2026. A primeira foi o AlphaFold, que já mudou a biologia estrutural. ERA aponta pra ambição mais ampla: ferramentas que automatizam o ciclo iterativo de codar, testar e refinar em qualquer área computacional.

Por que isso importa pra você

Existem 3 frentes onde o ERA afeta diretamente quem está em pós-graduação no Brasil.

Se você desenvolve código pra pesquisa

1. Acompanhar o rollout do Computational Discovery via Gemini for Science. Quem chegar primeiro tem vantagem de aprendizado. Se inscrever no programa de testadores quando abrir.
2. Mapear quais etapas do seu trabalho são “iterativas e demoradas”: testar parâmetros, ajustar pipeline, debugar. Essas são candidatas a beneficiar de ferramentas como ERA.
3. Continuar aprendendo programação de verdade. Ferramenta que escreve código não dispensa o pesquisador de entender o que o código faz. Quando ERA erra, só quem sabe programar identifica o erro.

Se você orienta ou ensina

1. Discutir no grupo se vale incluir ferramentas como ERA no método de novos projetos. Pesar ganho de velocidade contra custo de dependência.
2. Considerar como avaliar trabalho de aluno que usa ERA. Critérios mudam quando parte do código foi gerada por IA. O foco passa pra: o aluno entende o que o código faz, escolheu certo o problema, avaliou certo o resultado?
3. Acompanhar como journals da sua área vão exigir declaração de uso de IA. Algumas revistas já têm política, outras estão definindo.

Se você está terminando dissertação ou tese

1. Se sua tese tem componente computacional pesado, vale considerar se ERA acelera a fase final de refinamento. Mas só depois de testar bem, não na reta final.
2. Documentar uso de IA no método do trabalho. Cite ferramenta, versão, etapas onde foi usada. Isso protege contra questionamento futuro.
3. Ler o paper publicado na Nature mesmo se não vai usar ERA. O método descrito é referência pra como avaliar esse tipo de ferramenta.

A pergunta que ERA levanta sobre o método de pesquisa

Quando li o anúncio, o que mais me bateu não foi a ferramenta em si. Foi o que ela implica sobre como a pesquisa vai se organizar nos próximos anos. ERA muda a economia de tempo na pesquisa empírica. O tempo que antes era gasto em escrever e refinar código vira tempo livre pra fazer mais experimentos ou pra pensar melhor sobre quais experimentos fazer.

Os dois caminhos têm consequências diferentes. Se a velocidade adicional vira mais experimentos rasos, vamos ter inflação de papers que ninguém reproduz. Se ela vira mais reflexão crítica sobre o que vale testar, podemos ter pesquisa mais profunda. A diferença não está na ferramenta, está em quem usa.

Pra pós-graduanda brasileira, isso conecta direto com a pressão por publicação que já existe. Tem o risco real de ERA ser usado pra produzir paper mais rápido sem que o pensamento crítico acompanhe. O risco inverso também existe: ignorar a ferramenta por desconfiança e ficar pra trás de quem usou inteligentemente.

O Método V.O.E. (Velocidade, Organização, Execução Inteligente) dá um caminho pra essa decisão. Velocidade não significa correr atrás de cada ferramenta nova. Significa escolher quando ferramenta acelera o que importa. Organização significa montar fluxo de pesquisa onde IA entra em pontos definidos, não em qualquer lugar. E Execução Inteligente significa documentar bem o uso, manter pensamento crítico e não terceirizar julgamento científico pra modelo estatístico, por mais avançado que ele seja.

ERA é ferramenta poderosa. O que vai diferenciar pesquisador no próximo ciclo é saber usar com bom senso.

Próximos passos

Aqui vai um checklist do que dá pra fazer ainda essa semana:

1. Ler o anúncio completo no Google Research e procurar o paper na Nature.
2. Verificar se o Gemini for Science está disponível na sua instituição. Pode estar em rollout regional.
3. Mapear 1 etapa do seu projeto atual onde ferramenta tipo ERA poderia entrar. Pensar em ganho real, não em adoção pela adoção.
4. Conversar com seu orientador sobre como o laboratório vai responder a ferramentas desse tipo. Faz sentido testar coletivamente?
5. Documentar agora a política do seu trabalho atual sobre uso de IA. Mesmo informal, ajuda a manter coerência.

Se você quer ir mais fundo em IA aplicada à pesquisa, dá uma olhada em .

Fonte: Empirical Research Assistance (ERA): From Nature publication to catalyzing Computational Discovery, Google Research