Assistência, automação, e melhoria recursiva são afirmações diferentes
Os sistemas de IA já assistem trabalho de software e de aprendizado de máquina. Eles geram código, buscam literatura, analisam experimentos, propõem testes, e ajudam a depurar. Automatizar partes da pesquisa em IA pode encurtar ciclos de desenvolvimento. Nada disso, por si só, prova o autoaperfeiçoamento recursivo: um ciclo no qual um sistema de IA melhora substancialmente o processo que cria seus sucessores, esses sucessores o melhoram ainda mais, e o crescimento de capacidade acelera além do controle humano.
Uma análise clara separa três níveis:
- Assistência à pesquisa: as pessoas usam ferramentas de IA enquanto retêm o planejamento, o julgamento, e o trabalho de integração.
- Automação de fluxo de trabalho: um agente conclui uma tarefa delimitada de pesquisa ou engenharia com intervenção limitada.
- Automação de ponta a ponta de P&D em IA: os sistemas realizam a maior parte do trabalho necessário para produzir avanços algorítmicos importantes e integrá-los em sistemas aprimorados.
Apenas o terceiro nível cria o argumento mais forte de ciclo de retroalimentação, e mesmo assim o hardware, os experimentos, as organizações, e as decisões de implantação podem limitar a velocidade.
Capacidade de programação observada
A programação é um dos domínios atuais mais fortes. Agentes públicos conseguem corrigir problemas selecionados de repositório e gerar programas funcionais. Ainda assim, os parâmetros de referência frequentemente fornecem um problema limpo, testes, ferramentas, e um ponto final automaticamente avaliável. O desenvolvimento maduro envolve contexto não documentado, coordenação, julgamento de produto, segurança, e manutenção.
O estudo randomizado da METR com 16 desenvolvedores experientes de código aberto concluindo 246 tarefas em repositórios que conheciam bem descobriu que as ferramentas de IA do início de 2025 aumentaram o tempo de conclusão em 19 por cento, apesar de os desenvolvedores acreditarem que as ferramentas os tornavam mais rápidos (estudo de produtividade de desenvolvedores da METR). Este é um resultado restrito e datado — não uma prova de que ferramentas posteriores ou outros desenvolvedores sejam mais lentos. Ele demonstra por que ganhos em parâmetros de referência não podem ser convertidos diretamente em aceleração econômica.
A METR começou um acompanhamento maior e mudou seu design em 2026 à medida que as ferramentas e o uso evoluíram (atualização de potencialização da METR). A produtividade real depende da carga de revisão, da seleção de tarefas, da familiaridade do desenvolvedor, das interfaces de agente, e de erros que passam pelos testes.
Evidências de parâmetros de referência de pesquisa em IA
O RE-Bench coloca agentes e especialistas humanos em sete ambientes abertos de engenharia de pesquisa em aprendizado de máquina. Em seu estudo original, os melhores agentes pontuaram cerca de quatro vezes mais alto do que humanos com um orçamento de duas horas. Os humanos melhoraram mais com tempo adicional, superaram ligeiramente os agentes em oito horas, e alcançaram cerca do dobro da pontuação do agente ao longo de 32 horas (artigo do RE-Bench).
Esse resultado mostra forte experimentação de horizonte curto: os agentes conseguem gerar e testar muitas soluções candidatas rapidamente e às vezes produzem um excelente trabalho de otimização. Também mostra uma limitação: os agentes ficam presos, falham em se reorientar, ou ganham menos com um orçamento mais longo. Sete tarefas não conseguem representar a distribuição completa da pesquisa, e amostragem repetida não é o mesmo que um cientista persistente único.
Outras avaliações cobrem partes do processo. O PaperBench da OpenAI pede que agentes reproduzam resultados de 20 artigos do ICML a partir de descrições e executem experimentos (PaperBench). O MLE-bench avalia engenharia de aprendizado de máquina por meio de competições estilo Kaggle (MLE-bench). Esses parâmetros de referência medem habilidades significativas, mas não estabelecem formação de teoria original, definição de agenda, gestão de laboratório, revisão por pares, ou implantação segura.
O que os desenvolvedores relatam
Os laboratórios de fronteira agora tratam a P&D automatizada como um limiar de risco. O Relatório de Risco da Anthropic de fevereiro de 2026 disse que o Claude Opus 4.6 não estava próximo ou muito próximo da automação completa das atividades necessárias para P&D em domínios-chave, ao mesmo tempo em que alertou que a automação parcial ainda poderia acelerar o progresso (Relatório de Risco da Anthropic). Esta é a autoavaliação de um desenvolvedor, com trechos suprimidos e um conflito de interesse.
A Anthropic revisou seu limiar de P&D automatizada novamente na versão 3.4 da Responsible Scaling Policy, em julho de 2026, ilustrando que o objeto sendo medido não está resolvido (arquivo da RSP da Anthropic). Os limiares de uma empresa podem orientar a ação interna, mas não deveriam ser tratados como consenso científico.
Em agosto de 2026, pesquisadores da Anthropic relataram experimentos nos quais agentes de pesquisa automatizados encontraram mitigações para falhas de alinhamento selecionadas (relatório de pesquisa automatizada da Anthropic). Essa é uma evidência encorajadora de que a pesquisa acelerada por IA pode fortalecer a segurança. Também é pesquisa de parte interessada em tarefas construídas, não prova de uma ciência de alinhamento totalmente automatizada.
O argumento do ciclo de retroalimentação
Um ciclo simples tem quatro etapas: implantar IA para pesquisar IA; obter uma melhoria algorítmica ou de engenharia; treinar ou configurar um sistema melhor; usar esse sistema para produzir melhorias adicionais. A aceleração depende do produto de vários fatores, não da mera existência do ciclo.
Cobertura de pesquisa: quanto do trabalho relevante os agentes conseguem realizar? A assistência de programação tem valor, mas as pessoas podem continuar sendo o gargalo na seleção de problemas, na avaliação, no hardware, nos dados, na gestão, e na segurança.
Tamanho da melhoria: a maioria dos experimentos falha ou entrega ganhos pequenos. Um agente precisa produzir inovações que melhorem materialmente o próximo sistema, e não apenas otimizar um parâmetro de referência.
Tempo de ciclo: o treinamento, a fabricação de chips, a construção de data centers, as avaliações, e a implantação podem levar muito mais tempo do que escrever código. Uma pesquisa melhor não consegue fabricar computação instantaneamente.
Reinvestimento: as organizações precisam escolher aplicar os ganhos a mais capacidade. Elas podem, em vez disso, alocá-los a custo, confiabilidade, produtos, ou segurança.
Retornos decrescentes: as descobertas podem se tornar mais difíceis à medida que as melhorias fáceis se esgotam. Um ciclo pode continuar sem acelerar de forma explosiva.
Verificação: pesquisa não confiável cria custos de revisão e replicação. Se os sistemas conseguem manipular avaliações, uma saída mais rápida pode desacelerar o progresso confiável.
O aperfeiçoamento recursivo é, portanto, um cenário condicional. Não é uma extrapolação direta a partir das taxas de geração de código.
O software pode se mover mais rápido do que o hardware
Eficiência algorítmica, receitas de treinamento, curadoria de dados, métodos de inferência, compiladores, e andaimes técnicos de agente podem melhorar dentro do hardware existente. Esses ganhos de “software” podem se difundir rapidamente e aumentar a capacidade por chip. A IA pode ajudar a buscar nesses espaços, criando um canal genuíno de retroalimentação positiva.
Mas os modelos de fronteira ainda dependem de energia, chips, redes, memória, instalações, e cadeias de suprimento. Um sistema não consegue editar recursivamente seu caminho ao redor de toda restrição física. Ele pode melhorar como os recursos são usados ou ajudar a projetar hardware, enquanto a fabricação e a construção mantêm prazos de execução reais.
O caminho mais rápido pode, portanto, ser uma explosão de melhoria de software e processo seguida por limites físicos ou organizacionais — não uma exponencial suave para sempre. Outras trajetórias continuam possíveis; a evidência disponível não consegue escolher uma com confiança.
Por que o ciclo poderia aumentar o risco
Ciclos rápidos de capacidade podem superar a velocidade da avaliação, da regulação, e do aprendizado institucional. Se agentes internos de pesquisa acessam pesos de modelo, infraestrutura de treinamento, implantação de código, e avaliações sensíveis, um erro ou uso malicioso tem maior alcance. A pressão competitiva pode incentivar os desenvolvedores a usar automação antes que o monitoramento esteja maduro.
O ciclo também pode concentrar poder. Organizações com computação e sistemas de pesquisa automatizados podem se distanciar à frente, atraindo mais capital e talento. Alternativamente, algoritmos eficientes podem se difundir e reduzir a concentração. Esses efeitos opostos deveriam ser modelados, não presumidos.
Por que o ciclo poderia melhorar a segurança
A IA pode buscar vulnerabilidades, gerar testes, analisar incidentes, melhorar ferramentas de interpretabilidade, e automatizar a verificação de rotina. A pesquisa de segurança pode se beneficiar da mesma escala e iteração. A questão crítica de governança é se a capacidade de segurança cresce antes e ao lado da capacidade — não se a assistência de pesquisa em IA é inerentemente perigosa.
Os controles incluem ambientes de pesquisa isolados (sandboxed), conjuntos de avaliação protegidos, acesso de privilégio mínimo, monitoramento independente, integração em etapas, experimentos reproduzíveis, e aprovação humana antes que as mudanças cheguem ao treinamento ou à implantação. Os agentes de pesquisa não deveriam conseguir alterar seu próprio avaliador, suas credenciais, ou os sistemas de produção.
As organizações podem medir tanto a aceleração de capacidade quanto a de segurança: horas de pesquisador economizadas, descobertas validadas, experimentos falhos detectados, carga de revisão, taxa de incidentes, e tempo necessário para reprodução independente.
Evidências que mudariam a avaliação
Evidências mais fortes para um ciclo rápido de retroalimentação incluiriam agentes gerando avanços algorítmicos novos e importantes em múltiplos domínios; replicação independente; sucesso sustentado ao longo de projetos longos; tempo de ciclo de ponta a ponta reduzido; e sistemas sucessivos melhorando mensuravelmente o agente de pesquisa sem crescimento equivalente no trabalho humano.
Evidências contra uma aceleração explosiva de curto prazo incluiriam dependência persistente da definição humana de agenda, retornos rapidamente decrescentes, altos custos de verificação, incapacidade de operar projetos longos, e gargalos rígidos de computação ou de experimentação.
A conclusão prática
A pesquisa em IA acelerada por IA já é real no nível da assistência e de automação delimitada selecionada. Os parâmetros de referência mostram uma engenharia de pesquisa de horizonte curto notável, enquanto estudos de produtividade no mundo real e orçamentos mais longos expõem lacunas importantes. Nenhuma evidência pública, até 13 de setembro de 2026, demonstra P&D autônoma de ponta a ponta em IA ou um ciclo incontrolável de aperfeiçoamento recursivo.
A resposta correta não é nem a rejeição nem a inevitabilidade. Acompanhe cada gargalo, teste o sistema de pesquisa implantado, proteja suas ferramentas e avaliadores, e torne explícitas as suposições sobre cobertura, tamanho da melhoria, tempo de ciclo, e reinvestimento.