Automatizar o desenvolvimento de IA pode acelerar o progresso em 10 vezes em 17 meses

Estamos acostumados a discutir a IA como assistente do desenvolvedor: escreve uma função, encontra um erro, monta um protótipo. Um novo trabalho coloca a questão um nível acima. O que acontecerá se os modelos começarem a automatizar não apenas a programação comum, mas o próprio processo de criação dos modelos seguintes: experimentos, análise de resultados, preparação de sistemas de treinamento e busca por novos métodos?

Os autores chamam esse cenário de explosão de inteligência de software. Não é preciso esperar por uma nova geração de aceleradores. A aceleração pode surgir dentro da infraestrutura de computação já disponível: a IA ajuda os pesquisadores a fazer mais experimentos, esses experimentos melhoram a IA, e a nova versão acelera ainda mais a pesquisa.

Como pode surgir o ciclo de aceleração

Imaginemos um laboratório de cem engenheiros. No início, a IA apenas completa código e prepara testes. Depois, um agente recebe uma tarefa como «verifique três variantes de arquitetura», altera por conta própria as configurações, executa experimentos e consolida os resultados. O ser humano continua aprovando as decisões, mas em um dia revisa um trabalho que antes levava uma semana.

O passo seguinte é automatizar uma parte significativa do ciclo de pesquisa. Se o modelo sabe não só executar um experimento definido, mas também escolher uma direção útil, testar hipóteses e levar em conta os resultados malsucedidos, a produtividade do laboratório começa a crescer junto com as capacidades do modelo. Isso cria um feedback positivo.

Como sinal precoce, os autores citam indicadores internos da Anthropic. A parcela de código aceito escrito por IA subiu de alguns pontos percentuais em janeiro de 2025 para mais de 80% em maio de 2026. A parcela de tarefas autônomas de P&D executadas sob supervisão próxima de especialistas aumentou de 1% em março para 26% em agosto de 2026. Esses números não provam que a explosão esteja próxima, mas mostram a rapidez com que muda a organização do desenvolvimento.

O modelo dos autores relaciona esses indicadores ao retorno econômico do esforço de pesquisa. Com estimativas centrais do parâmetro de retorno de 1,2 a 1,9 para diferentes áreas da IA, a automação total da pesquisa pode multiplicar por 10 o ritmo do progresso em cerca de 17 meses. Nesse regime, o volume de trabalho que antes levava um ano seria concluído em cerca de cinco semanas.

Por que isso ainda não é uma previsão

O cálculo tem uma ampla zona de incerteza. Os limites inferiores dos intervalos de confiança de 90% ficam abaixo do nível em que surge uma aceleração autossustentada. Em outras palavras, os dados disponíveis são compatíveis tanto com um crescimento abrupto quanto com um cenário bem mais tranquilo.

Há também um problema de medição. O aumento da parcela de código escrito por IA não equivale a um aumento da produtividade científica. Um agente pode escrever rapidamente a estrutura experimental, mas não propor uma boa hipótese. As métricas também misturam a melhoria dos métodos de software com o aumento dos recursos computacionais. Por fim, a pesquisa esbarra em hardware, dados, energia, verificação de resultados e na capacidade das pessoas de tomar decisões.

Por isso, o número «10 vezes em 17 meses» deve ser lido como resultado de um modelo sob certas premissas, e não como uma promessa de calendário. O trabalho é útil sobretudo porque transforma uma conversa nebulosa sobre explosão de inteligência em um conjunto de grandezas mensuráveis: a parcela de tarefas autônomas, a qualidade dos resultados, o tempo de supervisão humana e o retorno do esforço adicional de pesquisa.

O que as equipes devem fazer agora

Os desenvolvedores de sistemas de IA devem medir separadamente a geração de código e a autonomia real. Uma métrica útil não é o número de linhas, mas a parcela de tarefas que o agente levou a um resultado verificável sem intervenção humana. Ao lado dela, devem ser considerados o custo dos erros, o tempo de revisão e o número de ações revertidas.

As equipes de produto precisam de registros das ações dos agentes, permissões limitadas, ambientes isolados e a possibilidade de interromper a execução instantaneamente. Quanto mais longa a cadeia de ações independentes, mais arriscado é confiar apenas na resposta final do modelo.

Para os fundadores, a conclusão também é prática: a velocidade de desenvolvimento pode mudar mais rápido do que os ciclos habituais de planejamento e contratação. Mas ainda é cedo para construir uma estratégia sobre uma «explosão» inevitável. É mais sensato preparar os processos para um rápido aumento da autonomia, preservando o controle, a reprodutibilidade dos experimentos e uma pessoa nos pontos em que um erro é especialmente caro.