METR: a Anthropic acelerou quase o dobro, e 80% do impulso veio da IA dentro da própria empresa

Imagine que sua equipe escreve um compilador e de repente percebe que a nova versão do compilador constrói a seguinte mais rápido do que você consegue verificar os resultados. É exatamente esse o cenário que os pesquisadores de segurança de IA temem, e foi exatamente isso que a METR examinou na Anthropic.

O que os auditores encontraram

De 12 de agosto a 29 de outubro de 2026, a equipe da METR (cerca de 2,5 funcionários em tempo integral) obteve um acesso incomumente profundo: resultados de benchmarks de modelos não públicos, métricas de treinamento, pesquisas com funcionários e aproximadamente 15 entrevistas com pesquisadores. A organização não recebeu dinheiro da Anthropic, mas trabalhou em dispositivos da empresa.

A principal conclusão: desde outubro de 2025, os resultados dos modelos da Anthropic crescem cerca de 1,9 vez mais rápido do que no período de março de 2024 a outubro de 2025. Pela métrica composta AECI, o avanço subiu de 15 para 29 pontos por ano. Na prática, em um ano a empresa percorreu um caminho que antes levava dois, aproximadamente como o salto do Claude 2.1 para o Sonnet 4.5.

Isso não se explica pelo aumento da computação de treinamento. Pela estimativa da METR, cerca de 80% da aceleração vem do uso de IA na própria pesquisa da Anthropic. Um funcionário disse: «Agora só somos limitados por ideias e computação, não por código». Experimentos que levavam um ou dois dias para configurar ficaram quase gratuitos. Em pesquisas informais no Slack, os funcionários estimaram o ganho de produtividade com o último modelo interno em cerca de 12 vezes, mas a METR chama isso de «evidência muito fraca»: a amostra não é representativa e, muito provavelmente, está inflada.

O limiar que pode ter sido cruzado em julho

Na Responsible Scaling Policy, a Anthropic estabeleceu que, se o ritmo de progresso dobrar por causa da automação da pesquisa com IA, isso é motivo para alerta. No relatório público de agosto, a empresa escreveu que a aceleração era «menor que dois». Mas na versão interna sem tarjas o valor é 1,97, e a própria Anthropic considera «plausível» que o limiar tenha sido ultrapassado. A METR admite que isso pode ter ocorrido já em 15 de julho e critica o relatório público por subestimar tanto a aceleração quanto a incerteza.

Por enquanto a IA atua principalmente como assistente, e não como pesquisadora autônoma, embora haja «sinais de vida» de contribuições independentes. Os auditores não encontraram gargalos que reduzam o ritmo nos próximos 12 meses, de modo que permanece um «risco substancial» de nova aceleração. A METR, assim como a Anthropic, avalia o risco catastrófico agudo como baixo.

Onde os dados são frágeis

A incerteza é grande: o coeficiente real pode ir de 1,3 a 3. Se forem incluídos os modelos da OpenAI, Google e xAI, o número para a indústria cai para 1,4. É possível que haja influência de um efeito de recuperação: em 2025 a Anthropic estava atrás. Dentro da empresa as opiniões divergem: um pesquisador estima a contribuição da IA em apenas 15–20% e não acredita nos autorrelatos dos colegas; outro considera os novos funcionários o fator principal.

A parte mais dolorosa é a edição por tarja. A Anthropic tinha o direito de tarjar unilateralmente qualquer informação não pública e fez amplo uso disso. A maior parte do material que os auditores consideravam mais informativo foi removida: previsões sobre modelos futuros, o detalhamento por etapas de treinamento e a análise de gargalos. A empresa explica que isso protege informações que poderiam acelerar concorrentes. Como resultado, o público precisa confiar no julgamento da METR «muito mais do que gostaria». Em um dos gráficos do relatório está escrito em letras grandes «FAKE DATA».

Além disso, a Anthropic cancelou parte do projeto: a verificação de como a empresa divide a computação entre o desenvolvimento de capacidades e a pesquisa em segurança. Daniel Kokotajlo, autor do cenário «AI 2027», observou com dureza que sem essa auditoria é impossível verificar os compromissos de desacelerar.

O que isso significa na prática

Para desenvolvedores e fundadores, a conclusão é simples. Se em um laboratório líder o código já não é o gargalo, o ciclo de lançamento de modelos vai encurtar, e as APIs e capacidades podem mudar com mais frequência do que nos planos anuais. Incorpore aos seus produtos uma camada de abstração sobre o provedor e testes de regressão regulares com suas próprias tarefas. Os product managers devem lembrar que números como «12 vezes mais produtivo» são autorrelatos, não medições. E, por fim, uma auditoria externa em que o auditado tem direito de censura é, por ora, mais uma transparência parcial do que uma garantia.