Um artigo do Google Cloud Blog apresenta uma forma de construir agentes de inteligência artificial para pesquisa e desenvolvimento de medicamentos. A maioria dos agentes de IA atuais funciona como um despachante leve: recebe um pedido, faz uma consulta rápida e devolve o resultado. Na biotecnologia, porém, o trabalho é diferente, pois dobrar a estrutura de uma proteína ou testar uma biblioteca de 50 mil compostos são simulações longas, que rodam por minutos ou horas em placas de processamento gráfico (GPUs).

Por isso, o texto propõe separar o sistema em três camadas. A parte de raciocínio, que organiza o fluxo de trabalho, fica separada da parte de cálculo pesado, que roda em microsserviços de inferência da NVIDIA (NIMs) no Google Kubernetes Engine, usando máquinas G4 com GPUs NVIDIA RTX PRO 6000 Blackwell. Tudo isso fica dentro de uma camada de governança da empresa. O ESMFold cuida da previsão de proteínas e o GenMol do desenho de novas moléculas.

Como as estruturas químicas podem valer milhões de dólares, o artigo defende que esses dados nunca saiam do controle da empresa. Na fase inicial, pesquisadores podem usar endpoints hospedados pela NVIDIA. Ao trabalhar com candidatos proprietários, o mesmo contêiner é levado para uma rede privada (VPC), mudando apenas o endereço de destino.

Na camada de governança, o texto cita recursos da plataforma Gemini: identidade criptográfica para cada agente, um gateway único de entrada e saída, um registro de agentes e ferramentas aprovados e o Model Armor, que inspeciona prompts e respostas para barrar injeção de prompt e vazamento de dados. Também há uma regra de aprovação assimétrica: ações reversíveis são automáticas, enquanto iniciar simulações pesadas ou avançar um composto para laboratório exigem aprovação humana explícita.

Para quem trabalha com esse tipo de sistema, o recado é separar bem raciocínio, cálculo e governança, passar dados grandes por referência em armazenamento em nuvem e mostrar o andamento das tarefas em etapas. O artigo ainda sugere evitar o aquecimento inicial de modelos mantendo um nó sempre ativo. A matéria foi escrita para empresas interessadas em criar casos de uso semelhantes com o Google Cloud, que oferece atendimento comercial para isso.