IA criando IA: o novo estudo descreve um risco possível, não uma explosão em curso

Um grupo de 22 pesquisadores publicou em 28 de setembro de 2026 um working paper sobre a possibilidade de uma explosão de inteligência movida pela automação da própria pesquisa em inteligência artificial. O argumento é condicional: se sistemas assumirem uma parcela crescente do trabalho necessário para construir sistemas melhores, cada geração poderá ampliar a capacidade que produz a seguinte. O texto não diz que esse ciclo já se tornou autônomo nem apresenta uma máquina que tenha criado sozinha seu sucessor.

O relatório do Cambridge Programme on AI Science and Policy descreve evidência preliminar e mista. Código gerado por modelos e agentes que executam experimentos mostram aceleração real em partes da pesquisa. Planejamento de alto nível, escolha de problemas, integração de resultados e treinamento em grande escala continuam dependentes de pessoas e infraestrutura. A pergunta relevante não é se IA ajuda a criar IA, algo já observado, mas se esse auxílio pode atravessar um limiar e sustentar aceleração extrema.

O que o estudo chama de explosão

O trabalho, também disponível no arXiv, é o número 2 de 2026 da Frontier AI Working Paper Series. Tem 22 autores, entre eles Andrew Barto, Geoffrey Hinton, Yoshua Bengio, Jakub Pachocki, Eric Horvitz, Jack Clark, Dawn Song, Hilary Greaves e Anton Korinek. Alan Chan e Sören Mindermann aparecem como correspondentes. O documento declara que as opiniões não representam necessariamente as instituições dos autores, portanto não é posição oficial da OpenAI, Anthropic ou Microsoft.

Há três níveis que costumam ser confundidos. Automação de programação ocorre quando um modelo escreve, revisa ou depura código sob objetivos humanos. Automação de pesquisa e desenvolvimento exige escolher ideias, projetar experimentos, executá-los, interpretar resultados e integrá-los ao próximo sistema. Autoaperfeiçoamento recursivo ocorre se gerações sucessivas passarem a melhorar de modo autônomo o processo que produz seus sucessores. Só o terceiro nível poderia alimentar o ciclo mais forte discutido no paper.

Explosão de inteligência, na definição usada, é uma aceleração capaz de comprimir anos de progresso em meses ou menos. O mecanismo seria uma expansão do trabalho efetivo: modelos copiados em muitos computadores fariam tarefas de pesquisa em paralelo, ajudariam a desenvolver modelos mais capazes e aumentariam a produtividade da rodada seguinte. Essa narrativa depende de capacidade técnica, computação disponível, resultados que se combinem e retorno suficiente para cada unidade adicional de esforço.

O paper usa um parâmetro econômico, identificado por r, para representar retorno ao esforço de pesquisa. Estudos históricos citados em três subcampos de IA produzem estimativas centrais entre 1,2 e 1,9. Se o retorno permanecesse acima de 1 depois de ampla automação e nenhum novo gargalo aparecesse, um modelo estilizado produziria aumento de dez vezes no ritmo em aproximadamente um ano e meio. Nesse cenário, um ano atual de avanço caberia em cerca de cinco semanas. É cálculo condicionado a premissas, não previsão de data.

As evidências de aceleração disponíveis

A Anthropic informou em sua análise sobre autoaperfeiçoamento recursivo que a parcela aprovada de código produzida com IA subiu de poucos pontos percentuais em janeiro de 2025 para mais de 80% em maio de 2026. Em uma medição separada, o índice interno de automação com supervisão de alto nível avançou de 1% em março para 26% em agosto de 2026. Esses números sugerem mudança rápida no fluxo de engenharia, mas foram medidos pela própria empresa e não equivalem a 26% de toda a pesquisa feita sem humanos.

O índice depende parcialmente de agentes e avaliadores Claude, da ponderação das tarefas e de uma cesta definida em julho. A concordância exata entre avaliação do modelo e de humanos foi 59%, enquanto humanos concordaram entre si em 35%. A baixa concordância humana mostra dificuldade real de classificar trabalho complexo; ao mesmo tempo, limita a precisão do indicador. Uma cesta congelada também pode deixar de captar novas tarefas criadas quando as ferramentas mudam.

A OpenAI informou em 6 de setembro que o total de execução de agentes chegou a 3,1 dias de trabalho de agente por dia de trabalho humano em meados de agosto. Código de pesquisa e experimentos aumentaram. No entanto, planejamento de alto nível continuou mínimo, e mais da metade das tarefas bem sucedidas com duração de quatro a oito horas exigiu uma ou mais intervenções humanas. A empresa ressalvou que uso de agentes não mede diretamente o ritmo global de pesquisa.

Humanos ainda estabelecem prioridades, escolhem escala, decidem pausar, interpretam riscos e autorizam implantação. O próprio paper extrapola, de forma provisória, a chegada a projetos de pesquisa com meses de duração por volta de meados de 2028. O suplemento imagina milhões de equivalentes a pesquisadores de elite com base em tokens, computação, custo e desempenho comparável. Isso é uma estimativa de cenário. Os dados publicados até 1º de outubro de 2026 não registravam milhões de pesquisadores artificiais equivalentes.

Os gargalos que podem quebrar o ciclo

O primeiro freio é retorno decrescente. Muitas cópias podem repetir erros, competir pelos mesmos dados ou criar custo de coordenação. O segundo é computação: chips, energia, centros de dados e treinamento não se multiplicam à velocidade do software. O terceiro é dado e avaliação, pois tarefas realmente novas podem não ter respostas conhecidas. O quarto é tempo sequencial. Grandes treinamentos podem durar três meses ou mais e certos experimentos não podem ser paralelizados sem limite.

Quando a pesquisa toca o mundo físico, os atrasos crescem. Descobrir uma molécula, construir uma fábrica, testar um material ou obter aprovação regulatória exige laboratório, cadeia de suprimentos, segurança e instituições. Mesmo na pesquisa de software, um agente que escreve rapidamente ainda precisa de avaliação robusta para não introduzir defeitos ou otimizar a métrica errada. Aceleração em código é evidência de produtividade, não prova de que todos os gargalos desaparecerão juntos.

Uma linha crítica conhecida como IA como tecnologia normal, associada a Arvind Narayanan e Sayash Kapoor, prevê difusão gradual, limitada por adoção, validação de alto risco e mundo físico. O estudo CASP não ignora essa objeção. Ele reconhece as mesmas fricções, mas argumenta que a incerteza e o tamanho do impacto justificam preparação antes de haver certeza. As duas posições divergem sobretudo sobre quanto os gargalos resistirão quando pesquisa digital for automatizada em escala.

Em setembro de 2026, a OpenAI afirmou que autoaperfeiçoamento plenamente autônomo não acontecia naquele estágio. Outro estudo econômico publicado no arXiv em 14 de setembro chegou a conclusão semelhante: ciclos de retorno existem e se fortalecem, mas permanecem abaixo do limiar autossustentável. Assim, as evidências disponíveis apoiam aceleração parcial e dependente de supervisão. Elas não confirmam uma explosão nem eliminam a possibilidade futura.

Riscos, benefícios e preparação

Os autores listam benefícios possíveis, como descoberta médica, ciência mais rápida, inovação industrial e pesquisa de segurança. O mesmo ritmo poderia ampliar capacidades biológicas ou cibernéticas, deslocar trabalho antes de adaptação institucional, enfraquecer conhecimento humano e concentrar poder. Um pipeline desalinhado poderia alterar o sistema seguinte de modo indesejado. Essas consequências são cenários derivados do mecanismo proposto, não eventos observados em 2026.

Entre as recomendações estão relatórios padronizados sobre automação de pesquisa e computação, auditoria independente ou incorporada, condições para expansão de capacidades, meios de pausar cargas críticas, testes isolados e compartilhamento internacional de incidentes. O relatório do CASP também propõe verificação, planos de emergência e fortalecimento de instituições civis. Cada medida tem custos e precisa de desenho para não transformar uma hipótese em justificativa automática para controle sem prestação de contas.

A presença de nomes conhecidos aumenta o interesse, mas não valida o resultado por autoridade. O formato de working paper permite debate rápido, porém não substitui revisão por pares de periódico. Leitores devem observar dados novos, replicações e definições consistentes. O indicador mais informativo não será apenas quantas linhas de código um agente escreve, mas quanta pesquisa válida conclui, com quanta intervenção e se o ganho persiste quando tarefas, modelos e recursos mudam.

Confirmado, aberto e próximo evento

Confirmado: IA já acelera programação e partes de experimentos sob supervisão, e o novo estudo formaliza condições para um ciclo mais forte. Aberto: retorno real ao esforço, autonomia de planejamento, limites de computação, qualidade e governança. Próximo evento: atualizações dos índices de Anthropic e OpenAI, avaliação independente e eventual revisão acadêmica do paper poderão mostrar se tarefas passam de horas para projetos longos; até lá, explosão de inteligência permanece hipótese, não fato.