METR: a IA praticamente dobrou o ritmo de desenvolvimento de modelos na Anthropic

Todo mundo já se acostumou a ouvir que a IA escreve código mais rápido do que uma pessoa. Mas há uma questão mais relevante: o que acontecerá quando a IA começar a acelerar o desenvolvimento da própria IA? A organização independente METR tentou medir isso em uma empresa real. O resultado é interessante e não tão fantástico quanto se poderia esperar, mas está longe de ser entediante.

O que foi avaliado exatamente

Vários funcionários da METR trabalharam dentro da Anthropic de agosto a outubro, com acesso ampliado a dados internos. A tarefa tinha dois objetivos: entender quanto o avanço das capacidades dos modelos havia acelerado e qual parcela dessa aceleração estava ligada especificamente ao uso de IA no trabalho.

A principal referência usada para medir o progresso é chamada AECI. Trata-se de uma versão interna do índice de capacidades da Epoch AI. Desde outubro de 2025, ela cresce 1,9 vez mais rápido do que antes. Em termos simples, no último ano a Anthropic avançou aproximadamente tanto quanto nos dois anos anteriores.

Quais foram os resultados

A estimativa final é que, até outubro de 2026, o ritmo de aprimoramento dos modelos havia praticamente dobrado em comparação com o período de março de 2024 a outubro de 2025. Os autores reconhecem abertamente que o número é aproximado e apresentam uma ampla faixa de 1,3x a 3x.

O aspecto mais interessante é a contribuição da própria IA. Segundo a estimativa da METR, cerca de 80% da aceleração atual vem especificamente do uso de IA em pesquisa e desenvolvimento. Ou seja, a maior parte do aumento de velocidade não vem de novas GPUs nem de contratações, mas do fato de os modelos ajudarem a construir a próxima geração de modelos.

As avaliações subjetivas dos funcionários são compatíveis com essa conclusão. Em média, eles acreditam que a IA torna seu trabalho aproximadamente duas vezes mais rápido. Em pesquisas realizadas no Slack, as estimativas individuais subiram de 1,2x para o Claude 3.7 Sonnet a 12x para o modelo interno mais recente. Na pesquisa, 12x correspondia à frase: “Faço em um dia o que antes levava quase duas semanas”.

E quanto às limitações?

Seria razoável esperar que, em algum momento, o crescimento atingisse um teto nos algoritmos, na capacidade computacional ou nos dados. A METR afirma não ter encontrado limitações evidentes, pelo menos para o próximo ano. Nenhum dos três possíveis gargalos é visível até agora.

Mas esse quadro tem pontos fracos. Primeiro, a estimativa foi feita em uma única empresa e com métricas internas que não podem ser verificadas externamente. Segundo, a faixa de 1,3x–3x é muito ampla: o limite inferior parece uma melhoria relevante, enquanto o superior parece outra era. Terceiro, as avaliações subjetivas dos funcionários sempre são ruidosas, e a diferença entre a média de 2x e o pico de 12x mostra que o efeito depende fortemente da tarefa e da pessoa.

O que isso significa na prática

Para desenvolvedores e equipes de produto, a conclusão é pragmática. Se mesmo dentro do laboratório, onde as pessoas conhecem os modelos melhor do que qualquer um, a aceleração fica em torno de 2x, é arriscado uma equipe comum planejar ser “dez vezes mais rápida”. É mais realista esperar ganhos expressivos, porém desiguais.

Para os fundadores, outro aspecto é mais importante: o ritmo de renovação das gerações de modelos provavelmente continuará aumentando. Isso significa que um produto construído em torno das limitações do modelo atual pode ficar obsoleto em questão de meses. Uma estratégia sensata é criar uma arquitetura na qual o modelo possa ser substituído facilmente e reavaliar regularmente quais soluções alternativas ainda são necessárias.

Por fim, vale acompanhar a própria metodologia. Auditorias independentes dos dados internos dos laboratórios estão se tornando a norma, e serão relatórios como esses, e não declarações de marketing, que definirão as expectativas do mercado para o próximo ano.