Quando a IA passa a construir a IA: o gráfico que inquieta os próprios laboratórios

Durante décadas, a ideia de uma inteligência artificial capaz de aprimorar a si mesma pertenceu mais à especulação do que à engenharia. Em 2026, ela ganhou uma série histórica. Em setembro, a Anthropic, empresa que desenvolve o modelo Claude, divulgou um índice segundo o qual o Claude já conduz 26% do trabalho de pesquisa e desenvolvimento que dá origem às suas próximas versões, sempre sob supervisão humana. Em fevereiro, essa fatia era inferior a 1%.²

O The Wall Street Journal tratou o dado como possivelmente o gráfico mais importante do mundo na avaliação de quem lidera o setor, e o jornalista Ben Cohen observou que a proporção atual tende a ser ainda maior do que a registrada em agosto.¹ O entusiasmo merece ser lido com método. O número diz algo relevante sobre a velocidade da indústria, mas foi produzido pela própria empresa, com a própria IA atuando como avaliadora, e ainda não pode ser comparado com o de nenhum concorrente.

O que é autoaperfeiçoamento recursivo?

O conceito é antigo. O matemático britânico I. J. Good já especulava, em 1965, sobre uma máquina capaz de projetar máquinas melhores do que ela própria. Segundo o WSJ, a Anthropic descreve hoje o fenômeno como "fechar o ciclo", e o diretor científico da OpenAI o apontou como o único caminho para permanecer na fronteira tecnológica.¹ A novidade de 2026 é que os laboratórios passaram a apresentar medições, ainda que preliminares, de quanto do próprio trabalho já foi delegado às máquinas.

Em junho, Marina Favaro, que dirige o Anthropic Institute, e o cofundador Jack Clark publicaram o ensaio "When AI builds itself", que sustentava que a IA já acelerava de forma mensurável o desenvolvimento da própria IA e que o autoaperfeiçoamento pleno poderia chegar antes do que as instituições estão preparadas para absorver.³ Na ocasião, a Fortune registrou que mais de 80% do código incorporado à base da empresa já era escrito pelo Claude.¹² O índice de setembro tenta ir além do código e medir o trabalho de pesquisa como um todo.

Como a Anthropic chegou aos 26%

A empresa adotou uma escala de seis níveis de automação proposta pela Epoch AI, organização independente de pesquisa sobre IA.⁴ A escala vai de AL0, sem nenhuma participação da IA, a AL5, em que o sistema opera com plena autonomia.

O mapeamento seguiu uma lógica de linha de produção, descrita pelo WSJ como o trabalho de uma verdadeira aldeia de agentes Claude.¹ Segundo a documentação técnica, a Anthropic sorteou a cada semana de julho de 2026 um quinto dos funcionários dos departamentos envolvidos no desenvolvimento de modelos. Um agente de pesquisa reconstituiu, a partir de mensagens internas e documentos, as tarefas executadas por essas pessoas, o que resultou numa lista de cerca de 15 mil tarefas organizadas em 378 categorias. Outro agente investigou como cada categoria é executada na empresa, e um terceiro modelo, no papel de juiz, atribuiu o nível de automação. O peso de cada categoria no resultado final corresponde às horas de trabalho humano dedicadas a ela.²

Para testar a confiabilidade do juiz, a empresa pediu a funcionários responsáveis por cada área que classificassem o próprio trabalho sem conhecer a avaliação da máquina. O modelo concordou exatamente com os humanos em 59% dos casos, enquanto os humanos concordaram entre si em apenas 35%. Em 97% dos casos, máquina e pessoas ficaram a no máximo um nível de distância.² O dado sugere consistência, mas também revela quão difusa é a fronteira entre "colaborar" e "liderar", reconhecida no próprio documento.

O que os 26% dizem, e o que não dizem

A frase "o Claude lidera um quarto da pesquisa da Anthropic" é facilmente convertida em "a IA está construindo a si mesma". A definição técnica é mais estreita. O exemplo usado pela própria empresa ajuda: diante de uma falha num fluxo noturno de processamento de dados, um engenheiro no nível AL4 entrega o alerta ao Claude, que investiga os registros, identifica a causa, escreve e testa a correção e redige um relatório. Quem decide se a correção vai para produção continua sendo o engenheiro.²

Três ressalvas do documento original merecem destaque. A primeira é que nenhuma tarefa medida atingiu o nível de autonomia total. A segunda é que a cesta de tarefas foi congelada em julho de 2026, de modo que o índice mostra quanto do trabalho que os humanos faziam naquele momento passou para a máquina, e não necessariamente se surgiram novos tipos de trabalho humano. A empresa afirma ter comparado cestas de janeiro e julho sem encontrar aumento de tarefas inéditas, mas promete revisar a base periodicamente. A terceira é que a ponderação por horas humanas é, nas palavras da própria Anthropic, uma aproximação grosseira da importância de cada atividade.²

Há ainda uma leitura que o número não permite: saber se a IA lidera a engenharia de rotina ou as decisões de pesquisa, como qual direção experimental seguir. A distinção importa, porque é justamente nas escolhas de direção que o ciclo de autoaperfeiçoamento ganharia tração própria.

"Não sei como assimilar isso."

Jack Clark, cofundador da Anthropic, em texto recente citado pelo The Wall Street Journal¹

Uma corrida cujos competidores pedem para desacelerar

O índice não surgiu isolado. Em 6 de setembro, a OpenAI anunciou ter atingido a meta de um "estagiário de pesquisa automatizado", sistema capaz de executar tarefas de pesquisa bem delimitadas sob orientação humana, e reafirmou o objetivo de ter um pesquisador de IA totalmente automatizado até março de 2028. No mesmo dia, o diretor científico Jakub Pachocki publicou um ensaio em que admite que nenhum laboratório resolveu adequadamente o controle desses sistemas. Como no caso da Anthropic, os dados da OpenAI são internos e não passaram por revisão independente.⁵

Seis dias depois, o presidente da Anthropic, Dario Amodei, publicou o ensaio "We Must Pace the Frontier", defendendo que os laboratórios reduzam deliberadamente o ritmo de ganho de capacidade dos modelos, sem interromper o treinamento.⁶ A proposta tem três etapas: avaliadores independentes instalados dentro dos laboratórios, com acesso equivalente ao de funcionários; limites comuns entre empresas de países democráticos; e coordenação global de longo prazo. A Anthropic anunciou que adotaria a primeira etapa de forma unilateral. Sam Altman, da OpenAI, declarou concordância no mesmo dia, e Elon Musk e Demis Hassabis, do Google DeepMind, manifestaram apoio.

O documento de setembro da Anthropic traz outras duas medições que ajudam a dimensionar o problema de supervisão. Em agosto, cerca de 30 mil agentes trabalhavam simultaneamente na principal plataforma interna da empresa. Em mais de 1 bilhão de decisões analisadas no mês, 0,002% foram bloqueadas pelo monitor em tempo real, o equivalente a uma a cada 47 mil. Um segundo monitor, que revisa as ações depois de executadas, sinaliza cerca de 100 mil transcrições por semana, das quais aproximadamente 50 chegam a revisão humana. Quanto aos recursos, cerca de 6% da capacidade computacional destinada a P&D foi alocada a pesquisas de segurança numa semana de julho.²

A desproporção entre volume e atenção humana é o ponto central. Quando a fatia de trabalho liderada pela máquina cresce 25 pontos percentuais em seis meses, a capacidade de supervisão precisa crescer em ritmo comparável. O próprio relatório reconhece que esse tipo de monitoramento existe há meses, e não anos.

E o Brasil nessa equação?

O Brasil não desenvolve modelos de fronteira, mas os utiliza em escala crescente em bancos, hospitais, órgãos públicos e escritórios. Isso significa que as ferramentas adotadas no país são produzidas num ciclo cada vez mais automatizado, conduzido fora do alcance da regulação nacional. O relatório da RAND Corporation sobre o tema, publicado em outubro, observa que, se os ganhos da automação se acumularem, vantagens iniciais tendem a se tornar decisivas.⁹ Para países usuários, a consequência é uma distância tecnológica que pode se ampliar mais rápido do que as políticas de capacitação conseguem compensar.

O descompasso é de natureza, não apenas de velocidade. A legislação em discussão pergunta como uma empresa brasileira deve usar um sistema de IA num processo de contratação ou concessão de crédito. As métricas que os laboratórios começaram a divulgar respondem a outra pergunta: com que velocidade e sob que supervisão esses sistemas estão sendo produzidos. São camadas complementares, e só a segunda é capaz de antecipar o que chegará ao mercado nos próximos ciclos.

Isso abre uma agenda concreta para reguladores e compradores públicos brasileiros. Indicadores como cobertura de monitoramento de agentes, taxa de escalonamento para revisão humana e fatia de computação destinada à segurança poderiam integrar exigências de transparência em contratações governamentais de IA ou em futuras normas da ANPD, desde que verificados por terceiros. O Brasil não controla a fronteira tecnológica, mas controla as condições sob as quais ela entra no país.

O que observar nos próximos meses

• Verificação independente. Se os avaliadores externos prometidos pela Anthropic e pela OpenAI de fato auditarem os índices, e se publicarem divergências.
• Adesão de outros laboratórios. Se Google DeepMind, Meta, xAI e empresas chinesas passarem a divulgar medidas comparáveis.
• Natureza do trabalho automatizado. Se a fatia "liderada" pela IA avançar das tarefas de engenharia para as decisões de pesquisa.
• Tramitação do PL 2338. Se o parecer da comissão especial na Câmara incorporar algum mecanismo de transparência sobre fornecedores de modelos de fronteira.

Ewerton Lopes — Curador Editorial