Acelerando o tempo das descobertas científicas com o CDC e o NIH

A transição da inteligência artificial de chatbots experimentais para agentes autônomos enfrenta um desafio crítico em setores altamente regulados, como biomedicina e saúde pública. Embora esses sistemas sejam capazes de navegar por grandes volumes de dados e executar tarefas complexas no mundo real, ainda falta uma estrutura padronizada, observável e orientada à segurança que permita aos agentes de IA interagir com dados sensíveis. Sem guardrails de nível corporativo, o potencial dos fluxos de trabalho agênticos permanece restrito a ambientes de teste isolados.

Para enfrentar esse desafio, a Red Hat lançou um esforço conjunto de pesquisa com o Centers for Disease Control and Prevention (CDC) e com o conglomerado National Institutes of Health (NIH). Ao fortalecer o protocolo open source Model Context Protocol (MCP), estamos estabelecendo os requisitos de infraestrutura necessários para levar, com mais segurança, fluxos de trabalho agênticos para ambientes de produção, onde precisão e segurança dos dados são inegociáveis.

Conectando a IA a repositórios de dados sensíveis

No contexto da saúde pública, o chamado "tempo até a descoberta científica" (time to science) — o intervalo entre uma pergunta de pesquisa e uma resposta baseada em dados — é uma questão de segurança nacional. Atualmente, silos de dados fragmentados e chamadas de API pouco documentadas dificultam esse processo, fazendo com que determinados fluxos de trabalho levem horas para serem concluídos. Ao aplicar o Model Context Protocol nesses ambientes complexos, esse tempo pode ser reduzido para apenas alguns segundos.

Esse trabalho conjunto de engenharia aborda as quatro principais barreiras que hoje impedem pesquisadores de utilizar agentes de IA para gerar impacto científico significativo:

• Substituir a latência por acesso imediato aos dados: ao criar uma interface padronizada entre modelos de IA e importantes repositórios de saúde pública, os pesquisadores podem deixar de realizar a coleta manual de informações e passar a trabalhar com análises em tempo real.
• Integridade contextual em detrimento de dados brutos: na pesquisa científica, uma conclusão sem contexto é incompleta. Por isso, o trabalho atual busca expandir o MCP para assegurar que os agentes de IA recebam não apenas os dados, mas também erratas, ressalvas, notas técnicas e demais informações essenciais para evitar interpretações equivocadas e a disseminação de desinformação.
• Auditabilidade como requisito: para que a IA evolua de assistentes experimentais para agentes autônomos, cada interação precisa ser rastreável. Esse projeto estabelece padrões de governança e observabilidade que tornam todas as decisões conduzidas por IA totalmente auditáveis e compatíveis com as políticas federais.
• Teste de aceitação de conhecimento: aplicações destinadas a setores regulados passam por rigorosos processos de testes e validação conduzidos por especialistas responsáveis pelo domínio de conhecimento. Atualmente, o MCP não possui um mecanismo específico para esse tipo de validação (acceptance testing). Nosso trabalho conjunto busca preencher essa lacuna por meio de novas técnicas de extrapolação em larga escala.

Da colaboração entre instituições à inovação no OpenShift AI

Embora o MCP já seja um componente central do Red Hat OpenShift AI, os insights e o fortalecimento técnico resultantes da colaboração com o CDC e o NIH criam um importante ciclo de retroalimentação para a plataforma. Essa iniciativa vai ajudar a moldar diretamente a evolução da comunidade upstream do MCP e, consequentemente, a próxima geração de recursos do OpenShift AI.

Ao utilizar os casos de uso da saúde pública como o mais rigoroso teste de estresse possível, estamos aperfeiçoando a forma como o OpenShift AI gerencia servidores MCP, processa grandes volumes de requisições simultâneas e estabelece conexões mais seguras entre modelos de IA e diferentes fontes de dados. Essas melhorias — que incluem desde uma lógica de escalabilidade mais eficiente até um tratamento de erros mais robusto para APIs complexas — serão incorporadas à plataforma OpenShift AI.

Isso significa que qualquer cliente da Red Hat, independentemente do setor, pode se beneficiar de uma plataforma testada em condições reais pelas principais instituições científicas do mundo.

Padrões abertos para um impacto global

Os objetivos deste esforço conjunto de pesquisa vão além de ganhos técnicos imediatos; eles podem ajudar a moldar a abordagem global em relação à IA agêntica. Ao disponibilizar em código aberto os frameworks de testes desenvolvidos em parceria com os órgãos federais, estamos ajudando as comunidades científica e de saúde a superar os desafios culturais e organizacionais envolvidos na adoção de arquiteturas baseadas em agentes.

À medida que empresas avançam em direção a agentes autônomos de IA, queremos que nossa colaboração com o CDC e o NIH estabeleça a infraestrutura necessária para tornar esses agentes mais rápidos, mais seguros e, acima de tudo, confiáveis para as pessoas que dependem deles para proteger a saúde pública.