METR: Anthropic dobrou o ritmo de desenvolvimento de modelos, em grande parte graças à IA

Durante anos, falar em uma “IA que constrói IA” foi um cenário especulativo. Agora existe um relatório de uma organização independente que teve acesso aos dados internos de um dos principais laboratórios. A conclusão é cautelosa, mas preocupante: a autoaperfeiçoamento recursivo parece já ter começado, ainda que de forma moderada.

O que exatamente a METR descobriu

De 12 de agosto a 29 de outubro de 2026, funcionários da METR trabalharam dentro da Anthropic com acesso ampliado. Eles tiveram acesso a métricas de pré-treinamento e RL, volumes de computação por área, resultados de modelos internos em benchmarks, análises da aceleração proporcionada pela IA e previsões para um modelo futuro, além de realizarem entrevistas com funcionários.

O principal número: desde outubro de 2025, os resultados dos modelos da Anthropic em seu índice interno AECI — a versão da empresa do Epoch Capabilities Index — estão melhorando a um ritmo 1,9 vez maior do que antes. O intervalo de confiança de 95% vai de 1,5x a 2,8x. Em termos simples, ao longo do último ano a empresa percorreu aproximadamente o equivalente a dois anos de progresso no ritmo anterior.

Será que a Anthropic simplesmente gastou mais com hardware? Não. Segundo a estimativa da METR, a aceleração não está ligada ao aumento da computação usada no treinamento. Em entrevistas e pesquisas, os funcionários relatam ganhos de várias vezes com ferramentas de IA, o que é compatível com a duplicação do ritmo. No entanto, relatos pessoais são difíceis de interpretar: as pessoas tendem a superestimar a própria produtividade.

Por que isso não é apenas “mais uma estimativa”

Por enquanto, a IA ajuda principalmente as pessoas, em vez de trabalhar de modo totalmente autônomo. Mas, segundo os autores, já há sinais de que sua contribuição autônoma aumentará em breve. Se isso acontecer, a aceleração poderá se retroalimentar: um modelo melhor significa pesquisas mais rápidas, que por sua vez produzem um modelo seguinte ainda melhor.

O mais preocupante é que a METR não encontrou obstáculos claros para os próximos 12 meses: nem em ideias algorítmicas, nem em computação para treinamento e experimentos, nem em dados. Ao mesmo tempo, os autores reconhecem com franqueza que sua visão sobre possíveis limitações mudou várias vezes à medida que receberam novas informações, portanto há pouca confiança nesse ponto.

A reação dentro da comunidade é reveladora. Ryan Greenblatt, que trabalha na METR, admitiu que esperava para 2026 uma aceleração de apenas 1,15–1,3 vez. Ajeya Cotra acredita que, considerando toda a empresa, a P&D pode estar avançando de 4 a 5 vezes mais rápido. Daniel Kokotajlo, do AI Futures Project, afirma que o relatório confirma suas preocupações sobre o curto prazo até a superinteligência.

Onde o relatório é mais fraco

O primeiro problema é que a Anthropic removeu parte dos dados que sustentam as principais conclusões sobre riscos. Greenblatt escreve explicitamente que as conclusões sobre a origem exata da aceleração agora dependem, em grande medida, da confiança nos autores. A versão pública deve ser lida levando essa ressalva em conta.

O segundo problema é o próprio índice. O AECI mede tarefas verificáveis, que não equivalem ao progresso real da pesquisa. Além disso, o ritmo baixo de 2023–2025 pode ter sido anormalmente reduzido, fazendo a aceleração atual parecer maior do que realmente é. Por outro lado, o índice às vezes subestimou o efeito prático real, portanto o erro pode ocorrer nas duas direções.

O que os profissionais devem fazer a respeito

Para desenvolvedores e equipes de produto, a conclusão é prática. Planejem os produtos partindo do princípio de que os modelos serão atualizados com uma frequência significativamente maior do que nos anos anteriores, o que torna arriscada a dependência de uma única versão de API e de seu comportamento. Mantenham uma camada de avaliação de qualidade e a capacidade de alternar rapidamente entre modelos.

Para fundadores: se a aceleração for real, o custo e os recursos das ferramentas de IA mudarão mais rapidamente do que os orçamentos preveem. E os processos internos devem ser medidos da mesma maneira que a Anthropic faz: não com base nas impressões da equipe, mas em métricas claras coletadas antes e depois da implementação da IA.

E, acima de tudo, acompanhem não apenas os números, mas também a transparência. A controvérsia sobre os trechos removidos do relatório mostrará se os laboratórios conseguem fornecer ao mundo exterior dados suficientes para que avaliações desse tipo possam ser verificadas.