IA da Microsoft acerta 83% e mira superinteligência médica

Diagnóstico por IA passou no teste difícil, mas o custo assusta

Diagnóstico por IA acaba de ganhar o número mais provocador do ano na saúde: 83% de acerto em casos complexos contra 36% de clínicos gerais e internistas. Não é um demo de startup em palco, é um estudo publicado na revista Science com o sistema MAI-DxO da Microsoft. E é aqui que começa o desconforto real para quem opera saúde de verdade, onde falta especialista, sobra fila no SUS e nos planos, e cada exame pedido errado vira custo, atraso e risco jurídico.

Mustafa Suleyman, CEO da Microsoft AI, chamou o resultado de passo rumo à 'superinteligência médica'. Dá para torcer o nariz para o termo, porque ele vende mais do que explica, mas o recado técnico é sério. Não estamos falando de um chatbot que responde uma pergunta médica isolada. Estamos falando de uma orquestração de agentes que interroga o paciente, pede exame, revisa hipótese e debate entre si antes de fechar um diagnóstico. Se isso funcionar fora da simulação, muda workflow, muda custo e muda quem responde pelo erro.

O fato sem hype

O que a Microsoft de fato fez foi testar um sistema chamado MAI-DxO, onde DxO significa orquestração de diagnóstico. A lógica é simples de entender e difícil de executar: em vez de um único modelo gigante tentando adivinhar a doença, vários agentes de IA atuam como um painel de médicos. Um levanta hipóteses, outro questiona, outro sugere pedir um exame de sangue ou imagem, outro tenta refutar o diagnóstico principal. Tudo isso foi rodado em simulação usando casos complexos publicados no New England Journal of Medicine, aquele tipo de caso que vira discussão em rounds e congresso.

Nesse recorte, o MAI-DxO acertou 83% das vezes. Médicos de atenção primária e clínicos gerais, trabalhando sozinhos mas com acesso a materiais de referência, acertaram 36%. É mais que o dobro, e por isso o número viralizou. Só que tem um detalhe que a Microsoft admite e muita manchete ignora: casos desse nível de complexidade normalmente não são resolvidos por um clínico geral sozinho. Eles vão para especialistas ou para times multidisciplinares, que não entraram na comparação. Ou seja, a IA não humilhou o melhor da medicina, ela superou o generalista isolado no pior cenário para ele.

Com esse estudo, a Microsoft entra de vez na briga com Google e OpenAI, que também já publicaram resultados dizendo que seus modelos igualam ou superam médicos em tarefas específicas. O vice-presidente de Saúde da Microsoft AI, Dominic King, resumiu a motivação como um descasamento crescente entre demanda e oferta de expertise médica. Tem paciente demais, especialista de menos, e a conta não fecha. A tese é que IA bem orquestrada poderia levar raciocínio de especialista para onde não há especialista.

Como funciona na visão de operador

Na arquitetura, o MAI-DxO não é um modelo novo. É uma camada de orquestração em cima de modelos de fronteira. A Microsoft testou o sistema com modelos da OpenAI, Google, Anthropic, Meta e DeepSeek, e os melhores resultados vieram com o GPT-5 e o GPT-5.5. Pense nisso como um maestro e uma orquestra: o maestro é o DxO, que define quem fala, quando pedir teste, quando encerrar a investigação. A orquestra são os modelos base, que fazem o raciocínio clínico de fato. Isso tem implicação direta para quem constrói produto, porque o ganho vem de dois lugares diferentes e com custos diferentes.

Os próprios dados do estudo mostram isso com clareza. Boa parte do salto vem do modelo base mais forte, e a orquestração adiciona um ganho por cima. Com GPT-5 sozinho e um prompt básico curto, o acerto em casos complexos foi de 78,9% com custo estimado de cerca de 8.400 dólares por caso em computação. Com o DxO, o custo caiu cerca de 3.000 dólares e a acurácia subiu só uns quatro pontos. Em casos de pronto-socorro, quase não houve diferença entre GPT-5 puro e GPT-5 com DxO, nem em acerto nem em custo. Com o GPT-5.5, modelo mais novo lançado em abril de 2026, o DxO elevou o acerto de 72% para quase 87% em casos complexos com custo um pouco menor, mas de novo sem ganho relevante no pronto-socorro, onde ambos ficaram em torno de 85%.

O padrão é revelador para quem pensa em API, latência e dinheiro. O DxO ajuda mais quando o caso é complexo e quando o modelo base é mais fraco. O Gemini 2.5 Flash, por exemplo, saiu de 46,4% sozinho para quase 69% com DxO. É um salto grande, mas ainda fica longe dos modelos top. E mesmo com otimização, estamos falando de milhares de dólares por caso em simulação, o que é inviável para triagem em escala. Minha inferência técnica aqui, sem tratar como certeza, é que o sistema faz múltiplas chamadas encadeadas com janelas de contexto longas, debate entre agentes e novas rodadas após cada resultado de exame simulado. Isso explica a latência maior, o custo alto e por que o benefício some em emergência, onde o protocolo é mais direto e o tempo vale mais que a deliberação.

O que isso muda na prática

Quem ganha primeiro não é o paciente, é quem tem caso complexo represado e paga por erro diagnóstico. Hospital terciário, centro de segunda opinião, operadora com alto custo de judicialização e healthtech de triagem especializada. Para eles, um painel de IA que organiza hipótese e sugere a sequência certa de exames pode reduzir ida e volta, pedido desnecessário e encaminhamento errado. Quem perde, no curto prazo, é quem vende consulta generalista isolada sem suporte de decisão e quem construiu fluxo inteiro em cima de um chatbot simples. A barra subiu de responder bem para investigar bem.

• Mapeie seus 20 diagnósticos mais caros por erro ou demora e teste o fluxo com orquestração e log de custo por etapa, não só acerto final.
• Se você opera clínica ou pronto-atendimento, não use esse tipo de sistema para emergência agora, use para revisão de casos complexos e segunda leitura assíncrona.
• Exija trilha de auditoria completa: hipótese levantada, exame pedido, motivo do pedido e fonte, porque sem isso ninguém assume risco médico e jurídico.

A ação prática mais imediata para time de produto em saúde é parar de avaliar modelo só por acurácia e começar a avaliar por acurácia por dólar e por minuto. Rode o mesmo lote de casos com modelo puro e com orquestração, meça tokens, chamadas, tempo médio e custo de exames sugeridos. Na maioria dos fluxos reais, um ganho de quatro pontos não paga uma latência três vezes maior no pronto-socorro, mas paga fácil em um ambulatório de casos raros onde cada erro custa internação. Esse é o ajuste fino que separa demo de operação.

A tensão que ninguém quer encarar

Aqui vai a dúvida real: isso escala ou só move o gargalo de lugar? O estudo mostra que os ganhos de orquestração encolhem à medida que os modelos se aproximam do teto teórico. Ou seja, quanto melhor o modelo base, menor o valor adicional do maestro. Se o GPT-6 ou o próximo Gemini já acertar 88% sozinho, por que pagar a complexidade de um painel de agentes? A Microsoft diz que o DxO ajuda a otimizar acurácia e custo juntos, e faz sentido, mas os números atuais ainda mostram custo por caso na casa dos milhares de dólares, o que é ficção científica para a saúde pública brasileira.

Tem outro ponto incômodo. Simulação não é clínica. Na simulação, o paciente responde direitinho, o exame vem limpo e não há interrupção, falta de reagente, prontuário incompleto ou paciente que omite sintoma. Na vida real, o maior erro não é raciocínio, é dado faltante e processo quebrado. Suleyman aposta que a saída é um modelo de fundação para saúde treinado com a Mayo Clinic, previsto para o ano que vem, e fala em 2027 como o ano de uma virada no estilo de codificação de prontuários, com previsões altamente precisas sobre como um prontuário pode evoluir. É uma visão poderosa, quase como um streaming de prognóstico para o clínico. Mas ela depende de acesso a dados longitudinais limpos, consentidos e interoperáveis, justamente o que quase nenhum hospital tem hoje. Sem resolver dado e integração, a superinteligência fica presa no laboratório.

Conclusão

O MAI-DxO prova que orquestração de agentes eleva o diagnóstico em casos complexos e pode até cortar custo computacional, mas ainda é caro, lento e irrelevante no pronto-socorro. A pergunta que fica para quem constrói em saúde agora é direta: você vai usar IA para responder mais rápido ou para investigar melhor onde o erro custa mais?