As etiquetas são úteis, mas não são leis naturais
A inteligência artificial restrita, a inteligência artificial geral e a superinteligência artificial são mais bem entendidas como regiões em várias dimensões de capacidade — não como três caixas marcadas com precisão. Pesquisadores e instituições usam definições diferentes, e não existe uma autoridade científica capaz de certificar que um sistema “se tornou AGI”. Um leitor atento deveria, portanto, perguntar o que quem fala quer dizer com o termo e que evidência sustenta a classificação.
A inteligência artificial restrita (ANI, na sigla em inglês) tradicionalmente designa um sistema otimizado para uma tarefa ou domínio delimitado: um motor de xadrez, um detector de fraude, um reconhecedor de voz ou um previsor de estrutura de proteínas. Um sistema assim pode superar qualquer humano na sua tarefa-alvo enquanto permanece inútil em qualquer outra coisa. Mas chamar de “restrito” todo modelo hoje em uso é cada vez mais enganoso. Modelos de linguagem e multimodais de propósito geral conseguem escrever, programar, analisar imagens, usar ferramentas e se adaptar a muitas tarefas a partir de instruções. Eles são amplos em um sentido, mas pouco confiáveis, dependentes de andaimes técnicos e irregulares entre domínios. “IA de propósito geral” ou “modelo de ampla capacidade” costuma ser uma descrição mais informativa do que forçar esses sistemas no antigo binômio restrito/geral.
A inteligência artificial geral (AGI) costuma designar uma máquina com competência ampla que se transfere para tarefas desconhecidas. Além desse núcleo, as definições divergem. Algumas exigem desempenho comparável ao de um humano típico na maior parte do trabalho cognitivo; outras exigem a capacidade de aprender de forma eficiente; algumas enfatizam o trabalho economicamente valioso; e outras acrescentam autonomia no mundo físico ou digital. Pesquisadores do Google DeepMind propuseram descrever a AGI tanto por sua amplitude — quantas tarefas ela consegue realizar — quanto por sua profundidade — quão bem ela as realiza —, tratando a autonomia como uma propriedade de implantação separada (DeepMind, Levels of AGI). Esse modelo evita fingir que um único parâmetro de referência cria um limiar mágico.
A superinteligência artificial (ASI) é um sistema hipotético que supera substancialmente os melhores humanos em quase todos os domínios de valor cognitivo. Não é uma categoria tecnológica observada. É um cenário usado para raciocinar sobre sistemas que poderiam superar as instituições humanas em ciência, estratégia, engenharia, persuasão e, talvez, na própria pesquisa em IA. Se tal sistema é possível, com que rapidez poderia seguir a AGI, e se a inteligência em todos os domínios pode ser combinada em um único sistema continuam sendo perguntas em disputa.
A capacidade tem mais de um eixo
Uma avaliação útil separa pelo menos cinco propriedades:
- Amplitude: a variedade de tarefas e ambientes em que o sistema é competente.
- Desempenho: se ele iguala um iniciante, um trabalhador típico, um especialista, ou o melhor humano.
- Confiabilidade: com que frequência ele tem sucesso, inclusive em condições incomuns ou adversariais.
- Aprendizado e transferência: com que facilidade ele lida com uma tarefa genuinamente nova sem retreinamento específico para ela.
- Autonomia: por quanto tempo e com que segurança ele consegue planejar, agir, usar ferramentas, se recuperar de erros e perseguir um objetivo com supervisão limitada.
Esses eixos podem se separar de forma drástica. Um modelo pode responder perguntas sobre centenas de assuntos e ainda cometer erros elementares. Outro pode ser excepcionalmente confiável em um fluxo de trabalho científico específico, mas incapaz de generalizar. Um modelo conversacional pode parecer amplamente informado enquanto um agente construído sobre esse mesmo modelo falha porque perde o contexto, usa mal uma ferramenta, ou não reconhece que seu plano está dando errado. A definição de sistema de IA da OCDE distingue de forma semelhante os resultados gerados e a influência sobre ambientes dos diferentes níveis de autonomia e adaptabilidade após a implantação (Princípios de IA da OCDE).
Isso importa porque uma linguagem polida não é o mesmo que uma capacidade de agir robusta. Uma conversa de aparência humana estimula o antropomorfismo, enquanto pontuações em parâmetros de referência podem esconder a dependência de instruções cuidadosamente estruturadas, dados limpos e correção automatizada. Por outro lado, um sistema não precisa conversar como uma pessoa para ter capacidades relevantes. Um modelo científico, um agente de negociação ou uma ferramenta cibernética podem importar pelo que conseguem fazer, não por se parecerem com uma mente humana.
Por que nenhum parâmetro de referência isolado prova a AGI
Parâmetros de referência amostram comportamento sob condições especificadas. Eles não revelam diretamente compreensão, consciência, intenções, nem o desempenho em qualquer contexto não testado. As pontuações podem subir por generalização genuína, exposição a exemplos de treinamento semelhantes, instruções melhores, acesso a ferramentas, ou engenharia em torno do modelo. Um parâmetro de referência também pode saturar: quando os sistemas líderes se aproximam do seu teto, pequenas diferenças se tornam difíceis de interpretar.
O mesmo alerta se aplica às definições econômicas. “Consegue automatizar a maioria dos empregos” soa concreto, mas empregos são pacotes de tarefas técnicas, negociação social, responsabilização, atividade física, conhecimento local e responsabilidade por erros. O sucesso em tarefas autocontidas não estabelece que um sistema consiga substituir um trabalhador em uma organização bagunçada. A METR afirma explicitamente que seu horizonte de tempo de conclusão de tarefas está concentrado em software, aprendizado de máquina e cibersegurança, e não deve ser lido como uma medida geral de automação do emprego (metodologia da METR).
A AGI deveria, portanto, ser tratada como uma afirmação que exige um perfil de evidências. Quais domínios foram testados? Quão inéditas eram as tarefas? Que ferramentas e ajuda humana foram permitidas? O desempenho foi replicado de forma independente? Qual foi a taxa de sucesso? O sistema continuou confiável quando os objetivos eram ambíguos ou o ambiente mudava? Sem esses detalhes, um anúncio de AGI é marketing, previsão ou julgamento pessoal — não um resultado de medição.
Por que a distinção muda a política
Perfis de capacidade diferentes criam riscos diferentes. Os sistemas atuais já causam danos documentados por meio de fraude, discriminação, invasão de privacidade, conselhos inseguros, disrupção trabalhista e mídia sintética. Esses problemas não exigem a AGI e não deveriam ser adiados até um limiar futuro. Sistemas amplamente autônomos poderiam acrescentar outros riscos ao conduzir operações cibernéticas, acelerar pesquisas perigosas, ou controlar processos críticos em uma escala que supera a revisão humana. A superinteligência hipotética levanta questões ainda mais incertas sobre se as instituições humanas conseguiriam supervisionar um sistema estrategicamente superior a elas.
As categorias também moldam salvaguardas proporcionais. Um classificador médico restrito pode precisar de validação clínica, monitoramento e um processo de recurso. Um modelo de propósito geral pode precisar de avaliações de capacidade, detecção de abuso, notificação de incidentes e controles em torno de ferramentas perigosas. Um sistema altamente autônomo que opere infraestrutura crítica justificaria garantias, contenção e exigências de autorização humana mais rígidas. Usar “IA” como uma categoria indiferenciada oculta essas diferenças.
Uma forma melhor de ler as afirmações sobre a AGI
Quando alguém diz que a AGI já chegou — ou que é impossível —, traduza a afirmação em perguntas observáveis. O sistema é amplamente competente ou apenas amplo na interface? Ele se transfere para trabalho novo? Quão confiável é? Consegue concluir projetos longos do mundo real? Exige correção humana contínua? Aprende depois de implantado? A evidência é pública e reproduzível de forma independente?
A conclusão honesta em 2026 não é que toda IA implantada seja simplesmente restrita, nem que os modelos amplos de linguagem tenham cruzado uma linha de AGI universalmente aceita. Os sistemas atuais combinam amplitude impressionante com fragilidade séria. A AGI continua sendo um conceito disputado, e a ASI continua hipotética. A “escada de capacidades” mais útil é, portanto, um mapa multidimensional com evidências datadas — não uma escada de três degraus na qual uma empresa possa se declarar vencedora.