Uma equipe que reúne Princeton, o UK AI Security Institute, a Cornflower Labs, Georgetown e outros publicou Can AI agents conduct open-ended AI research? em 29 de julho. O método é a parte interessante. Eles pegaram duas submissões inéditas ao NeurIPS 2026, deram a um agente a questão central de cada artigo e pediram que os autores reais dos trabalhos avaliassem os resultados como revisores de conferência.
A configuração
Claude Opus 4.8 com raciocínio extra-alto no arcabouço OpenClaw, seis dias de tempo total, US$ 3.000 em créditos de API, créditos de GPU, uma VM Linux e a web aberta.
A engenharia funcionou
Os agentes concluíram revisões extensas da literatura, depuraram ambientes de GPU, executaram centenas de experimentos e testes de robustez, e compilaram documentos LaTeX completos, prontos para submissão, sem intervenção manual além de credenciais e configuração do repositório. Eles resolveram todos os obstáculos ambientais, exceto um. Em uma sondagem prévia, nove de onze coautores esperavam que as execuções morressem em um loop de erro irrecuperável — foram pessimistas demais.
A pesquisa não funcionou
As avaliações dos autores seguem as escalas do NeurIPS: o primeiro artigo recebeu 2/6 no geral, o segundo 1/6, com confiança dos revisores de 4 e 5 em 5. Ambos foram rejeições inequívocas. Os modos de falha apontados: julgamento ruim sobre o patamar de pesquisa publicável, respostas pouco criativas a falhas de projeto, recuos ineficazes diante de becos sem saída, pouca noção de recursos e desvio das instruções.
O detalhe mais revelador
Ambas as execuções terminaram com menos da metade do orçamento de API gasto, apesar do incentivo explícito para usá-lo, e ambas abandonaram seus objetivos mais ambiciosos nas primeiras dez horas e nunca mudaram de rumo. Um rascunho continha zero visualizações no corpo principal, contra 15 no original. Uma nova rodada com GPT-5.6 Sol reproduziu as falhas — e consumiu todo o orçamento de US$ 3.000 em dois dias.