filosofia das coisas

Análise em 7 de outubro de 2026.

Existe uma diferença importante entre uma inteligência artificial que escreve um programa e uma inteligência artificial que ajuda a construir a próxima geração de inteligência artificial. Na segunda situação, a ferramenta passa a participar do processo que torna a própria ferramenta mais poderosa.

Os novos dados da Anthropic dão uma dimensão concreta a essa mudança. Eles tornam plausível um futuro de desenvolvimento muito mais rápido. A questão em aberto é se esse avanço consegue completar o ciclo: produzir sucessoras melhores, que pesquisem melhor e acelerem novamente a geração seguinte.

Minha leitura é que a singularidade se tornou uma hipótese mais concreta no horizonte, embora os dados ainda não demonstrem um ciclo plenamente autônomo ou uma explosão inevitável de inteligência. Esta análise distingue observações publicadas, projeções dos autores e interpretações sobre o que pode acontecer.

O gráfico: a IA está assumindo mais trabalho

O artigo principal apresenta um índice experimental, ponderado pelo trabalho humano dedicado às atividades.

As faixas somam 100% por mês. Sua espessura indica a parcela por nível; as fronteiras superiores acumulam categorias. Laranja: AL4. Barras verticais: intervalos de medição de 90%.

Mês de 2026	Parcela liderada pela IA — AL4	Aumento sobre o mês anterior
Março	1%	—
Abril	3%	+2 pontos percentuais
Maio	12%	+9 pontos percentuais
Junho	14%	+2 pontos percentuais
Julho	22%	+8 pontos percentuais
Agosto	26%	+4 pontos percentuais

Em agosto, colaboração e liderança somavam mais de 90%. Nenhuma categoria medida atingia autonomia total. Esses números classificam a participação no trabalho.

As seis categorias, explicadas com exemplos

AL significa Automation Level, ou nível de automação. A escala adotada vem de trabalho da Epoch AI. Os exemplos abaixo são ilustrativos, elaborados para este post; não descrevem episódios internos da Anthropic.

Categoria	Significado	Exemplo ilustrativo
AL0 — Sem IA	Execução humana.	Uma equipe investiga erros em um sistema, escolhe a solução, escreve o código e testa a mudança usando ferramentas convencionais.
AL1 — Uso mínimo	Ajuda pontual.	O profissional pede uma explicação de um termo ou uma sugestão breve de redação. O uso da ferramenta ocupa uma parte pequena do trabalho.
AL2 — Assistência	IA executa partes.	O profissional pede uma função ou um rascunho de teste, escolhe como utilizá-lo e integra o resultado. A condução continua principalmente humana.
AL3 — Colaboração	Grandes partes, sob direção humana próxima.	A IA analisa arquivos e prepara alterações, mas o profissional acompanha o processo e decide os próximos passos quando surgem dúvidas ou problemas.
AL4 — Liderança	Execução ampla a partir de um objetivo, com supervisão.	O profissional pede que um relatório seja corrigido. A IA investiga, propõe a solução, altera arquivos e verifica resultados, entregando o trabalho para revisão.
AL5 — Autonomia	Sem participação humana necessária.	Dentro de um escopo autorizado, o sistema identifica que o relatório falhou, decide investigar, corrige e coloca a solução em funcionamento sem depender de uma intervenção humana.

A mudança relevante entre AL3 e AL4 é a frequência com que o humano precisa sustentar o andamento da tarefa. Em AL3, acompanhar e orientar faz parte da execução. Em AL4, a pessoa consegue entregar um objetivo e esperar um resultado mais completo. Entre AL4 e AL5, a questão passa a ser se a participação humana ainda é necessária.

Essas categorias se referem a tarefas. Um sistema pode atuar com autonomia em uma atividade estreita e precisar de assistência em outra. Automatizar uma tarefa bem delimitada não implica saber decidir quais pesquisas uma empresa deve financiar.

A automação está acelerando ou diminuindo?

O avanço é rápido; a aceleração mensal não é constante. A tabela permite essa distinção: a parcela AL4 cresce todos os meses apresentados, mas os acréscimos alternam entre saltos maiores e menores.

De julho para agosto, o aumento estimado foi menor do que de junho para julho. Os intervalos de medição recomendam cautela ao comparar esses saltos. Junho também teve um acréscimo pequeno, seguido por uma alta maior em julho. Seria precipitado transformar qualquer um desses movimentos em uma tendência definitiva.

Há ainda uma diferença entre a velocidade com que novas tarefas passam a ser delegadas e a velocidade com que a pesquisa produz modelos melhores. A primeira pode subir porque ferramentas foram incorporadas ao fluxo de trabalho. A segunda depende também da qualidade dos resultados, do tempo dos experimentos e das descobertas efetivamente aproveitadas.

Outro cuidado: uma participação percentual termina em 100%. Mesmo que toda a cesta atual se tornasse automatizada, esse indicador deixaria de crescer. A capacidade dos modelos, a quantidade de experimentos ou a produção científica poderiam continuar aumentando. A saturação do índice e a saturação da tecnologia são questões distintas.

A METR, organização que avalia capacidades de agentes, afirma que ainda não encontrou desaceleração no crescimento exponencial do horizonte de tarefas que mede. Mas o indicador se concentra em software, aprendizado de máquina e cibersegurança; o horizonte mais citado usa 50% de sucesso. Acima de 16 horas, o conjunto atual de testes já limita a confiabilidade das medições. METR: resultados e limitações.

O ciclo que poderia levar à singularidade

Neste post, singularidade significa uma possível transformação impulsionada por IA capaz de acelerar intensamente o desenvolvimento de novas capacidades. Não pressupõe capacidade infinita, nem uma data universalmente aceita.

O mecanismo pode ser explicado em três passos. Primeiro, uma IA reduz o tempo e o custo de pesquisa. Depois, parte desse ganho ajuda a produzir uma sucessora mais capaz. Por fim, a sucessora melhora o próprio processo de pesquisa. Se esses ganhos continuarem se reforçando e os obstáculos forem superados, o ritmo de avanço pode mudar profundamente.

Em When AI builds itself, a Anthropic relata que seus engenheiros passaram a incorporar cerca de oito vezes mais código por dia no segundo trimestre de 2026 do que em 2024. A empresa ressalva que linhas de código medem quantidade e exageram o ganho real de produtividade.

O mesmo texto apresenta três futuros: estabilização das capacidades; ganhos acumulados com humanos definindo a direção; e autoaperfeiçoamento recursivo completo. A Anthropic considera plausível avançar ao segundo cenário e admite incerteza sobre atingir o terceiro. Fonte.

Para a hipótese de singularidade ganhar evidência mais forte, seria necessário observar sucessivas gerações produzindo melhorias substanciais de forma autônoma, com resultados verificados. Um bom programa isolado, uma pesquisa estreita bem-sucedida ou muitos agentes em paralelo ainda deixam essa demonstração incompleta.

Os limites já observados e os possíveis tetos

No artigo sobre autoaperfeiçoamento, escolher bons problemas e avaliar caminhos de pesquisa continua sendo uma vantagem humana. A Anthropic admite que os métodos atuais podem encontrar uma curva de estabilização e precisar de outra arquitetura. Também aponta restrições de energia e chips, e já identifica revisão humana de código como gargalo. Fonte.

Há sinais específicos de retorno decrescente: no relatório de risco, elevar o orçamento de uma avaliação de 300 mil para 900 mil tokens melhorou o resultado em cerca de três pontos percentuais. Isso não estabelece um teto geral; indica que insistir mais com um modelo em um teste nem sempre gera um ganho proporcional. Relatório de risco, seção 3.4.3.

Um experimento de pesquisa automatizada também encontrou um limite de coordenação: agentes sem direções iniciais diferentes convergiram rapidamente para poucas abordagens. A orientação diversificada melhorou a exploração. Os pesquisadores ainda observaram atalhos para elevar pontuações sem resolver da maneira pretendida o problema avaliado. Experimento e limitações.

Esses resultados sugerem que aumentar a quantidade de agentes ou o processamento não basta por si só. Será preciso verificar se eles exploram alternativas úteis, corrigem erros, produzem resultados que se sustentam e aproveitam bem os recursos disponíveis.

Um exemplo hipotético ajuda a entender o gargalo. Imagine um projeto em que 80% do tempo possa ser automatizado e 20% permaneça igual. Tornar aqueles 80% dez vezes mais rápidos reduz o tempo total para 28% do original: um ganho de aproximadamente 3,6 vezes. Mesmo execução instantânea dessa parte permitiria, no máximo, um ganho de cinco vezes, enquanto os 20% restantes continuassem intactos.

Esse limite não precisa ser permanente. A parte restante também pode vir a ser automatizada. Mas o exemplo mostra por que resultados espetaculares em um componente não se convertem automaticamente em uma explosão do desempenho do processo inteiro.

O que a Anthropic prevê — e o que ainda não demonstrou

O relatório de risco de agosto, com cobertura até 15 de julho de 2026, não considerava os modelos capazes de substituir integralmente sua equipe de pesquisadores e engenheiros. Também não identificava uma duplicação do ritmo global de progresso atribuível principalmente à automação. O documento admitia que seu limiar de alerta poderia ser atingido no ano seguinte. Relatório de risco, seções 3.1, 3.5 e 3.9.

Em janeiro de 2026, Dario Amodei escreveu que uma IA extremamente poderosa poderia estar a um ou dois anos de distância. Considerou também a possibilidade de uma geração construir autonomamente a seguinte nesse horizonte. A tradução aproximada é 2027–2028, mas ele reconheceu que poderia demorar consideravelmente mais. The Adolescence of Technology.

Já em setembro, Amodei afirmou perceber uma aceleração muito mais forte desde o verão do hemisfério norte, relacionada à IA construindo novas gerações de IA. Defendeu coordenar o ritmo de avanço para dar mais tempo às avaliações e à segurança. We Must Pace the Frontier.

São documentos de datas e objetivos diferentes. O alerta posterior não transforma automaticamente os indicadores anteriores em uma medição de singularidade. Ao mesmo tempo, uma avaliação de julho não permite descartar mudanças posteriores. É necessário acompanhar dados comparáveis e atualizados.

Existe um horizonte de poucos anos nas projeções de Amodei. Não existe, nesses dados, uma demonstração que permita marcar no calendário a chegada da singularidade.

Algo bombástico pode acontecer?

Sim, mudanças muito grandes são plausíveis mesmo sem autonomia completa. Como interpretação dos mecanismos descritos, equipes pequenas poderiam explorar muito mais alternativas, automatizar manutenção hoje adiada e reduzir o tempo entre uma ideia e sua avaliação. Isso pode transformar empresas e atividades de pesquisa antes de qualquer suposta explosão de inteligência.

Um desenvolvimento especialmente marcante seria a pesquisa de IA deixar de depender predominantemente da capacidade humana de conduzir experimentos e passar a depender mais da capacidade computacional disponível. Outra possibilidade seria ganhar autonomia para escolher problemas relevantes, detectar resultados enganosos e abandonar caminhos ruins. São possibilidades condicionais, não acontecimentos já comprovados.

Amodei também reconhece limites à transformação instantânea do mundo: fabricar equipamentos e realizar experimentos biológicos exige tempo. Mais capacidade intelectual pode ajudar muito, mas não elimina automaticamente as etapas físicas. Machines of Loving Grace.

Para acompanhar o horizonte, eu observaria cinco sinais: tarefas de pesquisa realmente autônomas; ganhos no ciclo completo de desenvolvimento; resultados reproduzidos por avaliadores externos; melhora sustentada na escolha de problemas; e custo total de executar e verificar o trabalho.

O gráfico merece atenção porque mostra uma mudança rápida em quem executa o trabalho. A pergunta decisiva para os próximos meses é quanto dessa delegação se converte em pesquisa melhor, sucessoras mais capazes e novos ganhos verificáveis de velocidade.

Fontes e leitura complementar

• Anthropic Institute — Measurements for understanding the pace of AI development inside frontier labs. Artigo principal e origem do gráfico.
• Epoch AI — Toward an O*NET for AI R&D. Estrutura para acompanhar a automação da pesquisa.
• Anthropic Institute — When AI builds itself. Evidências, gargalos e cenários de autoaperfeiçoamento.
• Anthropic — Relatório de risco de agosto de 2026. Seções 3.4, 3.5 e 3.9.
• METR — Task-Completion Time Horizons of Frontier AI Models. Medições e limites metodológicos.
• Anthropic Alignment Science — Automated Weak-to-Strong Researcher. Pesquisa automatizada e seus limites.
• Dario Amodei — The Adolescence of Technology. Janeiro de 2026.
• Dario Amodei — We Must Pace the Frontier. Setembro de 2026.
• Dario Amodei — Machines of Loving Grace. Possíveis efeitos e restrições físicas.
• Leia também: AI 2027: quem está por trás da previsão, o que mudou e por que os especialistas discordam.