GPT-5 Pro e um experimento de células T deixado de lado: a janela de chat como superfície de pesquisa

Um conjunto de dados de três anos atrás, jogado numa caixa de texto

O mecanismo concreto na história da OpenAI é pouco glamouroso e, ao mesmo tempo, revelador: Derya Unutmaz, professor no The Jackson Laboratory e na University of Connecticut, pegou resultados de um experimento que seu laboratório tinha engavetado em 2022 e enviou tudo para o GPT-5 Pro. Ele pediu ao modelo para analisar os dados. Esse é o frontend inteiro da descoberta — um arquivo, um prompt, uma resposta.

O enigma por trás era específico. A equipe dele tinha exposto células T em desenvolvimento a um ambiente com pouca glicose ou a desoxiglicose, uma molécula parecida com a glicose que interfere na capacidade da célula de usá-la. Eles esperavam resultados parecidos, já que as duas condições limitam a energia que as células T precisam. Só que as células expostas à desoxiglicose se tornaram, de forma predominante, células de resposta inflamatória, e o efeito persistiu mesmo depois que a molécula foi removida. O laboratório não conseguiu explicar o fenômeno e seguiu em frente.

O que importa para quem constrói ferramentas com IA é o quão baixa foi a barreira para reabrir esse caso. Sem pipeline, sem fine-tuning, sem schema. O conhecimento ficou dormente por três anos porque não havia uma forma barata de investigá-lo de novo. A interface eliminou esse custo.

O insight sobre a IL-2 saiu de uma única consulta

Segundo a OpenAI, o GPT-5 Pro propôs que a desoxiglicose interferia na produção de uma proteína chamada IL-2, que pode impedir que células T se transformem em um tipo de célula de resposta inflamatória conhecida como Th17. Ao bloquear a IL-2, a desoxiglicose acabava removendo uma barreira para a formação de Th17 — o que explicava por que condições de baixa glicose não produziam células Th17 nas mesmas quantidades.

O GPT-5 chegou a esse insight realmente notável que, retrospectivamente, faz todo o sentido.Montana Labs

Unutmaz observa que essa conexão estava fora da sua própria área de expertise, e é justamente por isso que nem ele nem ninguém no laboratório dele tinha percebido. Essa forma de enquadrar o caso é precisa e útil: o valor do modelo aqui não foi um raciocínio sobre-humano, mas sim a adjacência — trazer um mecanismo de uma subárea vizinha. O resultado ainda precisava chegar diante de alguém capaz de reconhecê-lo como imunologia plausível, e não como um absurdo dito com confiança.

Simulando um experimento não publicado como teste de validação

O movimento mais interessante, do ponto de vista de design de interface, foi a própria verificação feita por Unutmaz. Ele pediu ao GPT-5 Pro para simular um experimento que ele já tinha realizado, mas não publicado — células T CD8+ com uma capacidade melhorada de matar células de linfoma. O modelo previu o aumento corretamente e, como os resultados não estavam disponíveis online, ele não poderia simplesmente ter recuperado a resposta.

Esse é o padrão que equipes aplicadas deveriam copiar: antes de confiar num modelo sobre o desconhecido, alimente-o com um caso conhecido mas invisível e veja se ele reconstrói o resultado. Unutmaz incorporou seu próprio teste de confiança ao fluxo de trabalho, em vez de aceitar a primeira resposta chamativa de cara. É esse hábito que separa um colaborador de um oráculo.

A expertise é a parte da interface que a OpenAI não consegue entregar

A OpenAI é honesta ao dizer que esse fluxo de trabalho depende do humano. A IA pode gerar um insight, mas alguém ainda precisa julgar sua relevância e plausibilidade — e o texto afirma claramente que alguém sem experiência não saberia se o mecanismo da IL-2 realmente importava. O mesmo documento relaciona essa aceleração a riscos de biossegurança, citando o Preparedness Framework da OpenAI e a possibilidade de reduzir barreiras para maus atores.

A implicação específica para quem projeta ferramentas de pesquisa em cima desses modelos: a superfície de chat está fazendo um trabalho real, mas ela só é tão boa quanto o especialista sentado do outro lado. A unidade produtiva aqui não é o GPT-5 Pro isolado — é um imunologista capaz de enviar três anos de dados esquecidos, reconhecer um mecanismo plausível quando o modelo o traz à tona, e rodar uma validação privada antes de apostar uma semana de laboratório na resposta. Construa para essa pessoa, não à volta dela.