Claude Code acelera a pesquisa, mas enfraquece a autoria do código

A Anthropic levou Claude Code além do código boilerplate, mas um pesquisador relata uma inversão preocupante: maior produtividade acompanhada de menor domínio sobre seus próprios experimentos. O relato coloca um problema humano no centro do horizonte da Anthropic. Um agente de programação pode produzir software de pesquisa aceitável enquanto altera silenciosamente a forma como seu operador entende esse software.

A preocupação surgiu em uma publicação no Reddit, em 31 de agosto, feita por um estudante de doutorado do terceiro ano que trabalha com processamento de linguagem natural e interpretabilidade. Claude Code agora cuida da estrutura dos experimentos, da refatoração de dataloaders, da depuração inicial e de scripts de análise. O estudante revisa e aprova os diffs, mas encontra problemas mais tarde porque a base de código parece desconhecida.

Isso não é evidência de que Claude Code prejudique amplamente a qualidade da pesquisa. Trata-se de uma experiência autorrelatada, e nem a identidade do autor nem o histórico experimental foram verificados de forma independente. Ainda assim, os próprios estudos da Anthropic descrevem o mesmo padrão de delegação em escalas muito maiores. Humanos decidem cada vez mais o que deve acontecer, enquanto Claude decide como implementar.

Essa divisão parece eficiente quando os testes oferecem respostas rápidas e confiáveis. O código de pesquisa é mais difícil porque um programa aprovado pode ainda codificar a população errada, a métrica errada, a política de sementes, a linha de base ou a comparação estatística. Portanto, a disputa central não é Claude Code contra outro agente de programação. É a velocidade de implementação contra a capacidade do pesquisador de explicar cada escolha consequente.

Um fluxo de trabalho de pesquisa cruzou uma fronteira invisível

A mudança significativa não foi que Claude Code escreveu mais código, mas que assumiu a responsabilidade por decisões incorporadas ao experimento.

O fluxo de trabalho do estudante começou com código boilerplate de argparse, gráficos e tarefas de configuração. Essas tarefas geralmente traduzem uma decisão já estabelecida em sintaxe repetitiva. Delegá-las pode economizar tempo sem transferir muito julgamento científico.

A fronteira se moveu gradualmente. A estrutura dos experimentos determina como as condições são criadas e comparadas. Dataloaders determinam quais exemplos chegam a um modelo, como são transformados e se pode ocorrer vazamento. A depuração determina quais comportamentos inesperados recebem atenção. Scripts de análise decidem como medições brutas se tornam conclusões visíveis.

Cada tarefa pode parecer implementação, embora carregue parte do método. Uma refatoração de dataloader pode alterar a ordem de amostragem, o preenchimento, a filtragem ou o agrupamento em lotes. Um script de análise pode omitir execuções que falharam ou agregar resultados no nível errado. Uma métrica pode ser implementada exatamente como solicitado, mas medir algo diferente da pergunta de pesquisa.

O relato do pesquisador descreve claramente a desconexão resultante. Quando um resultado antes parecia suspeito, o estudante tinha uma intuição sobre qual linha poderia ser responsável. Agora, a investigação começa como uma auditoria do repositório de outra pessoa.

Essa distinção importa mais do que saber se toda função gerada parece limpa. Software de pesquisa não é apenas um instrumento que produz uma saída. Escrevê-lo também cria um modelo mental do fluxo de dados, das premissas, das mudanças de estado e dos pontos de falha.

A revisão de diffs nem sempre reconstrói esse modelo. Um revisor pode verificar que cada mudança parece plausível sem reconstruir o comportamento combinado de vários módulos. A dificuldade aumenta quando um agente faz edições coordenadas em configuração, pré-processamento, treinamento, avaliação e visualização.

A discussão no Reddit também mostra que pesquisadores traçam essa fronteira de formas diferentes. Um comentarista restringiu o código gerado à análise e à visualização. Outro relatou não escrever nenhum código, mas descrever o comportamento esperado em um nível detalhado. Outros argumentaram que a própria implementação continua sendo uma forma importante de entender um método.

Esses comentários são anedotas, não uma comparação controlada. Seu valor está em expor a escolha ainda não resolvida. Pesquisadores concordam que agentes podem eliminar trabalho tedioso, mas não concordam sobre quais tarefas de implementação são intelectualmente descartáveis.

O evento é, portanto, uma disputa de fronteiras, e não um lançamento de produto. Claude Code tornou-se capaz o bastante para que usuários deleguem trajetórias técnicas inteiras antes que instituições tenham definido práticas aceitáveis de verificação. Isso cria a tensão do artigo: o resultado chega antes que a autoria tenha sido reconstruída.

O horizonte da Anthropic agora alcança a execução científica

Os dados de uso da Anthropic sugerem que a delegação de ponta a ponta está se tornando normal, embora uma execução bem-sucedida não estabeleça validade científica.

A Anthropic estudou aproximadamente 400.000 sessões de Claude Code envolvendo cerca de 235.000 pessoas entre outubro de 2025 e abril de 2026. Seu estudo sobre programação agêntica constatou que usuários normalmente tomavam a maior parte das decisões de planejamento, enquanto Claude tomava a maior parte das decisões de execução.

A distinção parece tranquilizadora porque os humanos mantêm o objetivo. Ela se torna menos tranquilizadora quando escolhas de implementação influenciam qual objetivo o experimento realmente testa. Um pesquisador pode solicitar uma reprodução fiel enquanto um agente escolhe uma dependência, um parâmetro padrão ou uma rota de pré-processamento que altera a pergunta operacional.

A Anthropic relatou que a parcela de sessões dedicada à depuração caiu quase pela metade ao longo do período de observação de sete meses. O uso se deslocou para executar código, implantar sistemas, analisar dados e produzir documentos que não são código. O valor estimado de uma tarefa típica também aumentou cerca de 25%.

Esses números descrevem o uso observado do produto, não o aprendizado medido ou a confiabilidade da pesquisa. A definição de sucesso se baseou em sinais verificáveis, como testes aprovados ou trabalho registrado em commits. Esses sinais são úteis para tarefas de software, mas não podem determinar se um experimento isola o mecanismo causal pretendido.

O estudo também constatou que a especialização no domínio continuava valiosa. Especialistas obtiveram sucesso com mais frequência e se recuperaram de forma mais eficaz de mal-entendidos. Ainda assim, a diferença de desempenho entre especialistas e usuários intermediários foi modesta.

Essa descoberta sustenta ambos os lados do debate. Agentes de programação podem ajudar especialistas do domínio a executar trabalho técnico sem profundidade tradicional em software. No entanto, a recuperação de erros ainda depende de reconhecer quando o agente entendeu o domínio de forma equivocada.

O horizonte da Anthropic se torna especialmente consequente na pesquisa em aprendizado de máquina porque os experimentos contêm múltiplas fontes interativas de incerteza. Inicialização de modelos, composição do conjunto de dados, desenho de avaliação, precisão numérica e comportamento do hardware podem influenciar os resultados. Uma suíte de testes aprovada cobre apenas as premissas que seu autor antecipou.

O agente também pode fazer um fluxo de trabalho parecer mais coerente do que o raciocínio subjacente. Nomenclatura consistente, funções modulares e comentários claros melhoram a legibilidade. Eles não garantem que a condição de controle selecionada responda à pergunta científica pretendida.

Essa diferença separa a correção de software da correção epistêmica. A correção de software pergunta se a implementação segue uma especificação. A correção epistêmica pergunta se a especificação e a implementação, juntas, sustentam a conclusão declarada.

Grupos de pesquisa tradicionalmente distribuem esse ônus entre autores, orientadores, revisores e esforços de replicação. A programação agêntica insere outro tomador de decisões na cadeia, mas um sem responsabilidade pela alegação publicada. O pesquisador continua responsável mesmo quando o agente forneceu a maior parte dos detalhes de implementação.

A evidência da Anthropic, portanto, confirma a escala da mudança sem resolver seu risco central. Agentes estão executando tarefas mais amplas, e usuários experientes frequentemente os orientam de forma eficaz. A questão em aberto é se os usuários mantêm entendimento procedimental suficiente para contestar um resultado plausível, mas enganoso.

Mais produção não significa mais controle experimental

A principal troca é entre produtividade imediata e a construção mais lenta de intuição diagnóstica.

A Anthropic entrevistou 132 de seus engenheiros e pesquisadores em agosto de 2025, conversou com 53 respondentes e examinou 200.000 transcrições internas de Claude Code. Funcionários relataram usar Claude em 60% de seu trabalho e obter cerca de 50% de ganho em produtividade.

Esses números vêm da força de trabalho da Anthropic, portanto não devem ser tratados como medições independentes de produtividade acadêmica. Ainda assim, revelam a rapidez com que a delegação pode se expandir dentro de uma organização tecnicamente sofisticada.

Segundo a análise do ambiente de trabalho da Anthropic, os funcionários normalmente delegavam tarefas entediantes, bem definidas, de baixo risco ou fáceis de verificar. Depuração descartável e código de pesquisa apareciam entre os exemplos.

É nessa categoria que o conflito atual se torna mais agudo. Código de pesquisa é frequentemente chamado de descartável porque não é mantido como um produto voltado ao cliente. Ainda assim, um script curto pode produzir a figura, o benchmark ou a ablação que sustenta a alegação central de um artigo.

A Anthropic constatou que os funcionários acreditavam que apenas de zero a 20% de seu trabalho poderia ser totalmente delegado, apesar de usarem Claude com frequência. A supervisão ativa permaneceu comum, especialmente em tarefas de alto risco. Os funcionários também expressaram preocupação em perder prática na escrita e na crítica de código.

A experiência do estudante de doutorado se assemelha a esse padrão, com um alerta adicional. A supervisão por meio da aprovação de diffs não preservou a representação mental construída durante a implementação. O estudante conseguia avaliar mudanças locais enquanto perdia uma noção integrada do sistema.

Isso é dívida de compreensão, um passivo armazenado no operador, e não apenas no repositório. O código pode permanecer organizado enquanto a capacidade do pesquisador de prever seu comportamento se deteriora. A dívida se torna visível quando os resultados fogem às expectativas.

A dívida técnica tradicional frequentemente produz custos óbvios de manutenção. A dívida de compreensão pode permanecer oculta porque o pipeline continua funcionando. Ela surge durante falhas incomuns, perguntas de revisores, tentativas de replicação ou mudanças no desenho experimental.

O benefício de velocidade é real. Um agente pode gerar varreduras de parâmetros, funções de gráficos, fixtures de teste e variantes de configuração em minutos. Também pode inspecionar logs em muitos arquivos sem se cansar de buscas repetitivas.

No entanto, a velocidade altera a alocação de atenção do pesquisador. Uma implementação mais rápida incentiva mais experimentos, mais ramificações e mais medições. O volume total pode crescer mais rapidamente do que a capacidade do pesquisador de inspecionar premissas.

Esse desequilíbrio altera o significado de produtividade. Dez execuções adicionais são úteis quando testam uma sequência deliberada de hipóteses. Elas são menos informativas quando o pesquisador não consegue explicar por que as configurações diferem ou qual caminho produziu um número relatado.

A pressão recai mais fortemente sobre pesquisadores de pós-graduação e pequenos laboratórios. Incentivos de publicação recompensam a produção, enquanto orientadores raramente têm tempo para inspecionar cada implementação gerada. Um concorrente mais rápido pode explorar mais ideias e submeter trabalhos antes.

A resposta forçada não é simplesmente recusar assistência de IA. Pesquisadores que abandonam agentes de programação podem perder tempo com tarefas que não aprimoram o julgamento científico. A resposta mais difícil é separar a implementação que apenas expressa uma decisão daquela que silenciosamente toma uma.

Essa separação precisa acontecer antes da geração, e não depois que surge um resultado suspeito. Caso contrário, a implementação produzida pelo agente se torna a especificação padrão. O pesquisador passa então a revisar desvios em relação às escolhas do agente, em vez de definir essas escolhas de forma independente.

Claude Code Pode Reproduzir Resultados Sem Ser Dono da Pergunta

Evidências de execução forte tornam o controle humano sobre hipóteses, métricas e interpretação mais importante, não menos.

Um preprint de 2026 apresentou o SocSci-Repro-Bench, um benchmark construído a partir de 221 tarefas de reprodução em 54 artigos de ciências sociais. Pesquisadores avaliaram Claude Code e OpenAI Codex usando materiais de estudos com condições de reprodutibilidade conhecidas.

O benchmark de reprodutibilidade constatou que ambos os agentes reproduziram uma parcela substancial dos resultados publicados. Claude Code teve melhor desempenho geral, embora os resultados variassem conforme a linguagem de programação e o tipo de repositório.

Isso é significativo porque a reprodução exige mais do que gerar uma função isolada. Um agente precisa inspecionar código existente, gerenciar dependências, diagnosticar falhas, executar análises e conectar resultados a afirmações. Essas tarefas se aproximam das que os pesquisadores delegam cada vez mais.

O benchmark também identificou uma limitação diretamente relevante para pesquisas originais. Uma formulação sutil dos prompts poderia direcionar agentes a buscas de especificações confirmatórias. Uma busca confirmatória explora escolhas de análise que sustentam um resultado preferido, em vez de testar alternativas de maneira neutra.

O agente não precisa fabricar dados para introduzir viés. Ele pode responder de forma prestativa à direção implícita em um prompt. Um pedido para “descobrir por que o efeito desapareceu” enquadra a ausência do efeito como um problema técnico, e não como um resultado potencialmente válido.

Esse mecanismo complica o conselho habitual de inspecionar o código gerado. Cada escolha individual pode parecer razoável. O viés pode emergir da sequência de escolhas, incluindo exclusões, transformações, regras de interrupção e tentativas repetidas de análise.

Por isso, os artefatos de pesquisa mais consequentes devem continuar sendo especificações redigidas por humanos, mesmo quando um agente as implementa. Isso inclui a hipótese, os limites do conjunto de dados, a métrica primária, o harness de avaliação, a seleção de baselines, as regras de exclusão e os critérios de interpretação.

Redigido por humanos não exige digitar manualmente cada linha. Significa que o pesquisador se compromete com o comportamento pretendido antes de pedir ao agente que o implemente. Um documento de projeto em linguagem simples, invariantes testáveis ou um plano de análise pré-registrado podem estabelecer esse ponto de referência.

O pesquisador deve então pedir ao Claude Code que exponha escolhas consequentes. Uma descrição útil da alteração deve identificar padrões modificados, filtragem de dados, níveis de agregação, tratamento de estados aleatórios e mudanças em dependências. Um resumo genérico dos arquivos editados é insuficiente.

A execução independente também importa. A pessoa ou o processo que verifica o resultado não deve depender apenas de explicações geradas pelo mesmo agente que escreveu o código. Um pequeno cálculo feito manualmente, um fixture congelado ou uma segunda implementação podem testar a métrica central.

Isso se assemelha à lógica por trás de um sistema pessoal de conhecimento. O objetivo não é coletar mais texto gerado. É preservar o raciocínio que conecta uma pergunta, uma decisão, um artefato e um resultado.

Logs do agente podem apoiar esse registro, mas logs por si só são detalhados demais e dependem excessivamente do contexto conversacional. Equipes de pesquisa precisam de registros concisos de decisão que expliquem por que uma escolha foi feita e quais evidências a invalidariam.

O desempenho do Claude Code em tarefas de reprodução, portanto, não resolve a questão da titularidade. Ele mostra que agentes podem se tornar executores capazes de fluxos de trabalho computacionais. A competência de execução aumenta a necessidade de um relato independente da intenção científica.

As Evidências Ainda Têm Lacunas Importantes

Nem uma reclamação viral nem as métricas de sucesso da Anthropic podem nos dizer se agentes de programação melhoram a confiabilidade de pesquisas originais em aprendizado de máquina.

O relato no Reddit é auto-reportado e surgiu no mesmo dia desta análise. O autor descreve um fluxo de trabalho que parece real, mas o repositório subjacente, o histórico de bugs e a mudança de produtividade não estão disponíveis. Comentadores apresentam experiências contrastantes sem resultados padronizados.

Os estudos da Anthropic são mais amplos, mas respondem a perguntas diferentes. Conclusão de sessões, código confirmado em commits e testes aprovados medem se os usuários atingiram um objetivo operacional. Eles não medem se a conclusão de um artigo resistiu à replicação independente.

A pesquisa interna no ambiente de trabalho se baseia parcialmente em estimativas dos funcionários. Os participantes também trabalham na empresa que desenvolve Claude, com acesso excepcionalmente forte a modelos, infraestrutura e colegas. Seus resultados podem não se transferir para um estudante de pós-graduação que mantém sozinho um repositório experimental.

A pesquisa com cientistas sociais quantitativos oferece uma visão acadêmica mais ampla. A Anthropic entrevistou 1.260 pesquisadores durante fevereiro e março de 2026. Oitenta e um por cento haviam experimentado chatbots de IA para pesquisa, mas apenas 20 por cento usavam regularmente agentes de programação integrados ao terminal.

Entre os usuários de agentes de programação, 86 por cento relataram usar Claude Code, enquanto 31 por cento relataram usar Codex. Os participantes podiam usar várias ferramentas. A pesquisa sobre adoção por pesquisadores também constatou que os usuários publicaram mais working papers e propostas de financiamento do que não usuários comparáveis.

A Anthropic alertou explicitamente que essa relação não estabelece causalidade. Os primeiros adotantes podem já ser mais produtivos, ter melhor financiamento ou maior confiança técnica. A amostra também foi recrutada para um estudo que oferecia acesso ao Claude, o que poderia favorecer pesquisadores interessados em IA.

A evidência mais importante que falta é longitudinal e baseada em resultados. Pesquisadores precisam de comparações controladas que meçam detecção de erros, compreensão metodológica, tempo para corrigir experimentos defeituosos, sucesso de replicação e a qualidade da incerteza relatada.

As medidas de produtividade também precisam distinguir volume de execução de conhecimento útil. Mais experimentos podem melhorar a descoberta, mas também podem aumentar os riscos de testes múltiplos e sobrecarregar a revisão por pares. Um conjunto maior de resultados não é automaticamente uma contribuição mais forte.

O relatório de riscos da Anthropic de fevereiro de 2026 traz outra ressalva. A empresa afirmou que Claude Opus 4.6 ainda não era capaz de automatizar completamente pesquisa e desenvolvimento em domínios-chave. Descreveu desempenho mais forte em tarefas bem delimitadas, com critérios claros de sucesso.

Essa limitação se aplica diretamente ao trabalho acadêmico. Muitas perguntas de pesquisa permanecem ambíguas por semanas, e os critérios de sucesso mudam conforme as evidências se acumulam. Um agente de programação pode ter bom desempenho em implementações delimitadas, enquanto enfrenta dificuldades com o julgamento necessário para reformular o problema.

O relatório também observou que nenhum dos 16 profissionais técnicos da Anthropic entrevistados acreditava que o modelo já se qualificasse como substituto direto de um pesquisador iniciante. Isso não é uma avaliação independente, mas estabelece um limite para alegações mais fortes de automação.

As evidências, portanto, sustentam uma conclusão restrita. Claude Code pode executar fluxos de trabalho complexos relacionados à pesquisa e aumentar a produção relatada. Estudos existentes não estabelecem que uma delegação extensa preserve a compreensão do pesquisador ou melhore a validade científica.

Qualquer afirmação mais forte iria além dos dados disponíveis. A preocupação atual merece investigação porque o mecanismo é plausível e a tendência de adoção é visível. Ela não deve se tornar um veredito generalizado sobre todo pesquisador que usa um agente.

A Titularidade da Pesquisa Precisa de uma Definição Operacional

Titularidade deve significar ser capaz de prever, testar e defender comportamentos consequentes, e não digitar pessoalmente cada caractere.

O debate se torna improdutivo quando a titularidade é reduzida a uma porcentagem de código escrita à mão. Um pesquisador pode produzir manualmente um repositório sem compreender bibliotecas herdadas. Outro pode gerar a maior parte da sintaxe mantendo controle preciso sobre pressupostos e testes.

Um padrão melhor se concentra em decisões que podem alterar conclusões. O pesquisador deve identificar a origem de cada conjunto de dados, a unidade de análise, a variável-alvo e todas as regras de filtragem. Deve explicar como aleatoriedade, valores ausentes, execuções com falha e agregação são tratados.

O harness de avaliação merece proteção especial. Ele converte o comportamento do modelo em um número publicável e frequentemente sobrevive à implementação de treinamento. Se um agente o escrever, o pesquisador deve validá-lo com casos pequenos cujas respostas sejam conhecidas manualmente.

As métricas exigem o mesmo tratamento. Um nome familiar pode ocultar variantes importantes, incluindo média macro versus micro ou agregação ponderada por amostra. O código deve refletir uma definição escrita que exista independentemente da implementação gerada.

Baselines também codificam julgamento. Um agente pode selecionar um checkpoint disponível ou reutilizar uma configuração existente, mas conveniência não estabelece equidade. Pesquisadores devem documentar por que cada comparação é relevante e se computação, dados e ajuste diferem.

As alterações geradas devem permanecer pequenas o bastante para serem revisadas como afirmações coerentes. Um patch que altera simultaneamente carregamento, treinamento, avaliação e visualização é difícil de validar, mesmo quando cada arquivo parece bem acabado. Alterações atômicas facilitam a localização de falhas.

Os testes devem verificar invariantes científicos, e não apenas a execução do programa. Exemplos incluem confirmar que identificadores de treino e teste nunca se sobrepõem, que rótulos embaralhados destroem o desempenho e que uma métrica corresponde a um fixture calculado manualmente. Essas verificações visam falhas de pesquisa plausíveis.

Pesquisadores também precisam de períodos deliberados sem o agente. Reconstruir um pipeline de memória expõe a compreensão ausente de forma mais eficaz do que reler um diff. Explicar o experimento a um colega de laboratório pode revelar pressupostos ocultos por trás de abstrações limpas.

O agente pode auxiliar nesse processo sem avaliar a si mesmo. Ele pode gerar perguntas sobre um módulo, mapear a linhagem dos dados ou identificar ramificações não testadas. O pesquisador deve responder com base no código e no projeto experimental e, em seguida, confirmar essas respostas de forma independente.

Para orientadores e laboratórios, a titularidade deve se tornar um artefato revisável. Pull requests podem incluir a hipótese, o resultado esperado, os pressupostos alterados, as evidências de validação e a incerteza não resolvida. Isso cria um registro durável que vai além das transcrições de chat.

Essas práticas impõem custos, portanto devem se concentrar em caminhos de alta consequência. Boilerplate, formatação, visualizações rotineiras e utilitários isolados exigem revisão mais leve. Seleção de dados, métricas, avaliação e interpretação de resultados exigem verificação mais profunda.

Esse modelo preserva grande parte do benefício de velocidade, ao mesmo tempo em que reconhece por que a implementação era importante do ponto de vista educacional. Escrever código forçava pesquisadores a lidar com detalhes. Fluxos de trabalho baseados em agentes devem recriar esse contato por meio de especificações, testes e explicação.

O objetivo não é nostalgia pela programação manual. É julgamento científico confiável. Um pesquisador é dono de um experimento quando consegue prever seu comportamento, identificar seus pressupostos frágeis e defender seu resultado sob escrutínio.

Três Sinais Mostrarão se o Equilíbrio Está Melhorando

A próxima etapa deve ser julgada por resultados de compreensão e replicação, não pela quantidade de linhas adicionais que um agente consegue gerar.

O primeiro sinal é o estudo randomizado planejado pela Anthropic sobre agentes de programação entre cientistas sociais. Sua pesquisa de 2026 funciona como linha de base para um experimento que oferece aos pesquisadores acesso ao Claude Code. A atribuição aleatória pode separar os efeitos da ferramenta das características dos primeiros adotantes entusiasmados.

Os resultados mais informativos iriam além de artigos e propostas. Medidas de compreensão de código, descoberta de erros, desvio de especificação e reprodução independente testariam diretamente a preocupação levantada pelo estudante de doutorado. A produtividade sem essas medidas deixaria a questão central em aberto.

Se o estudo encontrar maior produção sem enfraquecimento da validação ou da compreensão, o argumento para uma adoção ampla na pesquisa se fortalece. Se a compreensão cair ou erros evitáveis persistirem por mais tempo, os laboratórios precisarão de limites mais rígidos para a delegação.

O segundo sinal é se conferências, periódicos e laboratórios exigirão a divulgação de código de pesquisa gerado por agentes. As atuais políticas de autoria e uso de IA frequentemente se concentram no texto dos manuscritos. Métodos computacionais exigem registros mais específicos, pois as decisões de implementação moldam diretamente os resultados.

Uma divulgação útil identificaria quais componentes foram gerados por um agente, qual modelo ou ferramenta foi usado e como os comportamentos críticos foram testados de forma independente. Não seria necessário expor cada prompt nem punir a assistência comum.

Se grandes veículos adotarem padrões de divulgação reproduzíveis, os revisores poderão avaliar o uso de agentes como parte do método. Se as políticas continuarem centradas na prosa, uma parcela crescente da produção científica permanecerá pouco documentada.

O terceiro sinal é a diferença de desempenho entre benchmarks delimitados e pesquisa aberta. Tarefas de reprodução fornecem alvos conhecidos e materiais existentes. A pesquisa original exige decidir qual alvo importa, lidar com evidências ambíguas e mudar de direção após falhas.

Avaliações futuras devem acompanhar agentes em projetos de várias semanas com especificações incompletas. Elas devem medir se os sistemas preservam a intenção experimental, evidenciam incertezas e resistem a prompts que incentivem análises confirmatórias.

Uma redução dessa diferença reforçaria a afirmação da Anthropic de que especialistas de domínio podem delegar mais execução com segurança. Falhas persistentes em projetos ambíguos apoiariam um papel mais limitado, com agentes atuando como implementadores sob especificações humanas explícitas.

Os pesquisadores não precisam esperar passivamente por esses estudos. Eles podem identificar um componente de alta consequência, reconstruí-lo de forma independente e comparar o resultado com o caminho gerado pelo agente. Também podem pedir a colegas que expliquem um pipeline sem consultar seu autor.

O horizonte antropológico não é definido pelo momento em que Claude Code consegue escrever um repositório inteiro. Ele é definido por saber se os pesquisadores conseguem manter um julgamento responsável enquanto o agente faz isso.

Antes de aprovar o próximo grande diff gerado, faça uma pergunta mais difícil: você conseguiria prever qual resultado mudaria se uma suposição fosse alterada? Se a resposta não estiver clara, interrompa a expansão do experimento e reconstrua a cadeia do método ao código.