Quando a IA entra no laboratório: o Dual-Use tecnológico muda de escala

A inteligência artificial atravessa progressivamente uma fronteira importante. Depois de ter aprendido a gerar textos, imagens, código de computador, estruturas moleculares e proteínas, ela começa agora a participar da concepção de sistemas biológicos muito mais complexos. Em agosto de 2026, pesquisadores de Stanford e do Arc Institute publicaram na Science trabalhos demonstrando que modelos de inteligência artificial podiam gerar genomas completos de bacteriófagos funcionais, ou seja, de vírus que infectam bactérias. Os pesquisadores obtiveram 16 fagos viáveis apresentando diferentes perfis biológicos, e alguns demonstraram uma capacidade interessante de combater bactérias que haviam se tornado resistentes ao fago natural utilizado como referência.

Esse avanço abre possibilidades consideráveis. Os bacteriófagos são há muito tempo objeto de pesquisas como solução potencial ou complemento aos antibióticos contra certas infecções bacterianas, particularmente em um contexto no qual a resistência antimicrobiana representa um desafio grave. A possibilidade de utilizar a IA para explorar mais rapidamente o espaço biológico e conceber novas variantes poderia eventualmente acelerar essa pesquisa.

Ele também evidencia uma propriedade fundamental de numerosas tecnologias avançadas: a mesma capacidade que permite resolver um problema pode por vezes aumentar a capacidade de criar outro. A inteligência artificial acelera a pesquisa, amplia o espaço das possibilidades e reduz certas barreiras à experimentação. Essas características podem produzir avanços notáveis em medicina, farmacêutica e biotecnologia. Elas obrigam simultaneamente as organizações a refletir muito mais cedo sobre as consequências possíveis das capacidades que desenvolvem.

O verdadeiro desafio ultrapassa, portanto, amplamente os bacteriófagos. À medida que a inteligência artificial entra nos laboratórios e participa diretamente da concepção biológica, o Dual-Use tecnológico muda de escala. A governança deverá evoluir com ele.

Os trabalhos publicados na Science constituem um excelente exemplo dessa nova realidade. Os pesquisadores utilizaram modelos genômicos capazes de aprender as estruturas e as restrições presentes em grandes quantidades de sequências de DNA. O Evo 2, apresentado no início de 2026 na Nature, havia sido treinado com cerca de nove trilhões de pares de bases provenientes do conjunto dos domínios da vida. O objetivo consiste em permitir que a inteligência artificial trabalhe diretamente com a linguagem fundamental da biologia.

Para o experimento sobre os bacteriófagos, o vírus ΦX174, que infecta a E. coli, serviu de modelo de partida. Centenas de genomas gerados pela IA foram selecionados, sintetizados e testados em laboratório. Dezesseis produziram fagos viáveis. Alguns apresentavam características diferentes do vírus natural e a mistura de vários fagos gerados conseguiu infectar bactérias que haviam desenvolvido resistência ao fago natural de referência.

É preciso dimensionar o que esse experimento representa sem lhe fazer dizer mais do que aquilo que ele demonstra. Não se trata da criação por inteligência artificial de um vírus humano. Trata-se da demonstração de que um modelo generativo pode contribuir para conceber genomas virais completos e funcionais. Essa capacidade é suficientemente importante para que pesquisadores em biossegurança tenham imediatamente destacado suas implicações potenciais. Uma perspectiva publicada paralelamente na Science estima assim que a geração de genomas virais funcionais levanta questões urgentes de biossegurança e de bioproteção.

É precisamente aqui que a noção de Dual-Use se torna essencial. Uma tecnologia Dual-Use possui aplicações benéficas ao mesmo tempo em que pode produzir outros usos ou consequências que apresentam riscos. Esse princípio existe há muito tempo na pesquisa científica, na cibersegurança, no domínio nuclear, na aeronáutica, nas tecnologias espaciais e em numerosas disciplinas de engenharia. A inteligência artificial acrescenta, contudo, uma dimensão nova: ela pode acelerar consideravelmente a velocidade de exploração e tornar certas capacidades acessíveis a mais pessoas e organizações.

No domínio biológico, essa aceleração pode ser extraordinariamente benéfica. Os bacteriófagos constituem uma via terapêutica estudada há mais de um século e são hoje objeto de um renovado interesse diante das infecções difíceis de tratar e da resistência aos antibióticos. A possibilidade de utilizar modelos para identificar, conceber ou otimizar mais rapidamente fagos poderia contribuir para explorar um número muito maior de candidatos e eventualmente para desenvolver abordagens terapêuticas mais precisas.

A inteligência artificial pode igualmente acelerar a concepção de proteínas, a análise genômica, a descoberta de moléculas, a compreensão das interações biológicas e numerosas outras atividades que antes exigiam ciclos de experimentação muito mais longos. Uma parte do espaço das possibilidades biológicas pode ser explorada digitalmente antes de selecionar os candidatos que merecem uma experimentação física.

Essa capacidade muda, no entanto, a questão da governança. Quando uma tecnologia permite explorar dez possibilidades, uma equipe humana pode examinar cada uma delas com relativa facilidade. Quando ela permite explorar dez mil ou um milhão, o problema se torna diferente. A capacidade de geração aumenta muito mais rapidamente do que a capacidade humana de examinar individualmente todas as consequências possíveis.

Encontramos aqui um fenômeno já visível em outros domínios da inteligência artificial: a escala modifica a natureza do risco.

Em um laboratório tradicional, a governança se apoia notadamente nas pessoas, nos equipamentos, nas substâncias, nos protocolos, nas autorizações e nos experimentos realizados. Com a inteligência artificial, uma parte importante da exploração pode começar bem antes do experimento físico. Modelos podem gerar hipóteses, propor estruturas e explorar combinações em um ambiente puramente computacional.

A fronteira da governança também deve, portanto, se deslocar a montante.

É aí que um princípio de Dual-Use by Design se torna interessante. Ele consiste em considerar as possibilidades benéficas e os usos potencialmente problemáticos já na concepção de uma capacidade, em vez de esperar sua implantação para começar a refletir sobre os mecanismos de controle necessários.

Essa abordagem não significa que uma tecnologia que apresenta um potencial Dual-Use deveria ser evitada. Grande parte das tecnologias mais úteis de nossa história possui precisamente essa característica. Ela significa, antes, que a gestão do risco se torna uma propriedade da arquitetura e do processo de desenvolvimento.

Para uma organização farmacêutica, biotecnológica ou de pesquisa, isso poderia começar com uma pergunta simples: que capacidades estamos realmente criando?

Essa pergunta vai além do inventário dos modelos utilizados. Um modelo relativamente geral pode adquirir capacidades muito diferentes quando é conectado a bases de dados especializadas, a ferramentas científicas, a infraestruturas de computação, a sistemas automatizados ou a equipamentos de laboratório. O risco deve, portanto, ser avaliado no nível do sistema completo e de suas interações, e não unicamente a partir do modelo considerado isoladamente.

A identidade e as permissões assumem igualmente uma nova dimensão. Quem pode utilizar um modelo? A quais dados ele pode acessar? Que ferramentas ele pode invocar? Que categorias de experimentos ele pode propor? Ele pode disparar uma ação automaticamente? Que resultados exigem uma validação adicional? Que atividades devem permanecer sob autorização humana explícita?

Essas perguntas se parecem muito com aquelas que as organizações já começam a encontrar com os agentes de IA em seus ambientes de TI. A diferença reside na natureza das consequências possíveis. Quando um sistema age sobre código, dados ou uma infraestrutura digital, seu raio de ação deve ser controlado. Quando ele participa de uma cadeia que pode eventualmente levar a uma realização biológica ou física, a governança deve também considerar essa passagem do digital ao real.

O conceito de menor privilégio se torna então particularmente pertinente. Um sistema deveria dispor unicamente dos dados, ferramentas e capacidades necessários à tarefa que lhe é confiada. Os ambientes sensíveis podem ser segmentados. Certas ações podem exigir vários níveis de autorização. As atividades podem ser registradas em log e os resultados ser suficientemente rastreáveis para permitir compreender quais dados, quais modelos e quais intervenções humanas contribuíram para o processo.

Essa rastreabilidade se torna fundamental quando várias inteligências artificiais participam da pesquisa. Uma IA pode propor uma hipótese, uma segunda analisá-la, uma terceira realizar uma simulação e uma quarta contribuir para a preparação de um experimento. Quando o resultado final possui consequências importantes, a organização deve ser capaz de reconstituir essa cadeia de raciocínio e de ação.

O Dual-Use by Design se conecta assim a vários princípios que já conhecemos em cibersegurança: separação de responsabilidades, menor privilégio, segmentação, registro em log, controle de acessos, validação independente, supervisão e capacidade de interromper uma operação. Esses princípios podem ser adaptados aos ambientes nos quais convergem inteligência artificial, pesquisa científica e sistemas físicos.

O objetivo é permitir a inovação com um nível de controle proporcional às capacidades desenvolvidas.

Essa abordagem se torna ainda mais importante porque a IA contribui para reduzir o custo da exploração. Em vários domínios científicos, uma parcela importante da dificuldade residia tradicionalmente no número limitado de hipóteses que uma equipe podia razoavelmente examinar. Os sistemas generativos podem multiplicar essas possibilidades. O que antes era improvável simplesmente porque ninguém tinha tempo de explorá-lo pode se tornar acessível a uma máquina capaz de percorrer um espaço considerável de soluções.

Essa potência constitui precisamente uma das razões pelas quais a inteligência artificial pode acelerar a descoberta científica. Ela constitui igualmente a razão pela qual os mecanismos de governança devem evoluir no mesmo ritmo das capacidades.

A solução não consiste em desacelerar sistematicamente a inovação. Em domínios como a resistência antimicrobiana, o desenvolvimento de medicamentos ou a compreensão das doenças, acelerar a pesquisa pode produzir benefícios humanos consideráveis. Os progressos recentes em terapia por fagos ilustram, aliás, um domínio em que novas abordagens poderiam responder a infecções difíceis de tratar.

A verdadeira maturidade consiste em desenvolver simultaneamente a capacidade de inovar e a capacidade de governar essa inovação.

Isso exige igualmente uma colaboração entre disciplinas. Os especialistas em inteligência artificial não podem, sozinhos, determinar todas as consequências biológicas de um sistema. Os biólogos não deveriam ter de se tornar especialistas em arquitetura de segurança, em IAM ou em governança de agentes. As equipes de cibersegurança devem compreender que certas infraestruturas científicas combinam agora dados, modelos, automação e sistemas físicos de uma maneira que ultrapassa as fronteiras tradicionais da TI.

A governança Dual-Use by Design se torna, portanto, necessariamente multidisciplinar. Ela reúne os cientistas que compreendem o domínio, os especialistas em IA que compreendem os modelos, as equipes de segurança que compreendem os mecanismos de controle, os responsáveis pela conformidade que compreendem as obrigações e os executivos que devem determinar o nível de risco aceitável para a organização.

Essa convergência é particularmente importante para os setores farmacêutico, biotecnológico, médico, governamental e de defesa. Essas organizações podem se beneficiar enormemente das capacidades da inteligência artificial e, ao mesmo tempo, trabalhar com conhecimentos, infraestruturas e pesquisas cujas consequências por vezes ultrapassam amplamente seu próprio ambiente de TI.

A Hipersegurança ganha aqui todo o seu sentido. A segurança já não diz respeito apenas à proteção de um servidor, de uma base de dados ou de uma conta de usuário. Ela deve considerar as identidades humanas e de máquina, os modelos, os dados científicos, as ferramentas acessíveis aos agentes, as infraestruturas de computação, os fornecedores, os equipamentos físicos, as cadeias de validação e as consequências possíveis de uma ação.

Quando o digital pode influenciar diretamente o biológico, a fronteira da cibersegurança se amplia.

Os bacteriófagos gerados com o auxílio de modelos de inteligência artificial representam um avanço científico notável. Eles mostram que a IA pode começar a intervir na concepção de sistemas biológicos completos e que ela poderia eventualmente contribuir para acelerar domínios como a terapia por fagos e o combate a certas infecções resistentes aos antibióticos.

Esse avanço nos ensina simultaneamente algo muito mais amplo sobre a evolução da inteligência artificial. À medida que suas capacidades deixam a tela para alcançar os laboratórios, os equipamentos, as infraestruturas e o mundo físico, as consequências de suas decisões e de suas criações também mudam de escala.

O Dual-Use tecnológico se torna então uma realidade arquitetural. Uma mesma capacidade pode abrir uma nova via terapêutica, acelerar uma descoberta e permitir explorar possibilidades antes inacessíveis, exigindo ao mesmo tempo mecanismos de governança proporcionais à potência que ela torna disponível.

Para a Quantum Beyond, essa evolução reforça a importância de uma abordagem na qual a inovação, a arquitetura, o AI Governance e a Hipersegurança avançam juntos. As organizações que trabalham na fronteira da IA, da farmacêutica, da biotecnologia, da saúde, da pesquisa ou da defesa precisarão de especialistas de seus respectivos domínios. Elas precisarão igualmente de uma visão transversal capaz de compreender como os modelos, os dados, as identidades, as permissões, as infraestruturas e os processos de validação interagem.

O Dual-Use by Design pode se tornar um dos princípios dessa nova geração de governança: identificar as capacidades à medida que elas surgem, compreender seus usos possíveis, limitar os privilégios quando necessário, preservar a rastreabilidade, manter validações humanas proporcionais às consequências e conceber os mecanismos de segurança ao mesmo tempo que a inovação.

A IA provavelmente nos permitirá explorar possibilidades científicas que jamais teríamos tido tempo de examinar por nós mesmos. É precisamente isso que torna este período tão promissor. Quanto mais aumentar nossa capacidade de transformar uma ideia digital em realidade biológica, física ou operacional, mais nossa capacidade de governar essa transição se tornará um componente essencial da própria inovação.