Como ler este retrato
Este painel registra evidências públicas disponíveis em 13 de setembro de 2026. Não é um placar ao vivo e não deveria ser atualizado silenciosamente. Produtos de IA, andaimes técnicos, conjuntos de avaliação, e preços mudam rápido demais para que uma página “atual” sem data permaneça honesta.
A capacidade é multidimensional. Um sistema pode resolver um problema de olimpíada e, ainda assim, falhar ao ler um relógio analógico, responder perguntas especializadas de biologia e falhar ao concluir um fluxo de trabalho de laboratório, ou passar em um avaliador de código enquanto produz um patch que um mantenedor rejeitaria. O AI Index de Stanford de 2026 chama esse padrão de inteligência irregular e documenta grandes lacunas entre ambientes controlados e reais (AI Index de Stanford, desempenho técnico).
As avaliações abaixo descrevem a evidência, não um modelo universal. “Forte” significa que os sistemas líderes têm desempenho impressionante em avaliações públicas relevantes. Não significa seguro, equivalente a humano, ou confiável o bastante para uso autônomo de alto risco.
| Dimensão | Evidência de setembro de 2026 | Limitação importante |
|---|---|---|
| Linguagem e conhecimento | Forte em testes amplos de perguntas e respostas e multimodais | Alucinações, contaminação, e confiabilidade factual irregular persistem |
| Matemática e raciocínio estruturado | Sistemas de fronteira alcançaram resultados de nível de competição de elite em problemas selecionados | O desempenho continua irregular e sensível a ferramentas e orçamento de inferência |
| Programação e uso de computador | Ganhos rápidos em parâmetros de referência de programação e de agentes de desktop estruturados | Passar em avaliadores automáticos não garante trabalho de produção sustentável |
| Autonomia em tarefas longas | Os horizontes de tarefas de software medidos aumentaram rapidamente | Majoritariamente tarefas limpas de software/AM/cibersegurança; não é a duração da operação independente |
| Assistência científica | Forte conhecimento de domínio e desempenho crescente em geração de protocolo e resolução de problemas | Pontuações de conhecimento não estabelecem competência experimental de ponta a ponta |
| Capacidade cibernética | Agentes conseguem encontrar vulnerabilidades reais e concluir tarefas especializadas selecionadas | Ataques autônomos de ponta a ponta não estão publicamente estabelecidos |
| Persuasão | Mudanças de opinião mensuráveis em experimentos controlados | O impacto malicioso em escala populacional não está demonstrado |
| Robótica e corporificação | Forte progresso em ambientes controlados | A confiabilidade doméstica e em mundo aberto continua muito mais baixa |
| Segurança e confiabilidade | Salvaguardas e avaliações estão melhorando | O relato é inconsistente e nenhum método garante controle |
O raciocínio é impressionante e irregular
O AI Index de 2026 relata que um sistema do Google DeepMind alcançou uma pontuação de nível de medalha de ouro na Olimpíada Internacional de Matemática de 2025 dentro do limite de tempo da competição. O mesmo capítulo relata que o melhor modelo testado no ClockBench leu relógios analógicos corretamente apenas cerca de metade das vezes, contra aproximadamente 90 por cento para humanos. Esses testes não são igualmente importantes, mas seu contraste derrota a ideia de um único “nível de inteligência” escalar.
Ganhos em parâmetros de referência podem refletir um modelo de base melhor, mais computação em tempo de inferência, uso de ferramentas, amostragem de várias soluções, ou andaime técnico especializado. Um resultado pertence ao sistema completo testado sob condições declaradas. Não deveria ser transferido casualmente para uma camada de produto mais barata ou uma implantação com restrição de tempo.
Muitos testes também saturam rapidamente. Stanford relata ganhos acentuados no Humanity’s Last Exam e quase saturação no SWE-bench Verified, ao mesmo tempo em que observa questões inválidas e possível adaptação ao placar. Saturação significa que uma avaliação tem menos poder para distinguir sistemas líderes; não significa que o domínio subjacente esteja resolvido.
Programação e uso de computador
Os agentes líderes conseguem corrigir problemas selecionados de repositório, escrever código substancial, e operar aplicativos gráficos. Stanford relata que o desempenho no OSWorld subiu de cerca de 12 por cento para 66,3 por cento, ainda falhando em aproximadamente uma em cada três tarefas estruturadas. O uso real de computador acrescenta interfaces em mudança, objetivos pouco claros, credenciais, conteúdo adversarial, e consequências que um parâmetro de referência pode omitir.
A correção automatizada é outra fronteira. O estudo de 2026 da METR sobre patches do SWE-bench descobriu que passar nos testes do parâmetro de referência não significava que os mantenedores integrariam as mudanças, destacando dimensões de qualidade além dos casos de teste funcionais (estudo de revisão de mantenedores da METR). A programação de produção exige arquitetura, comunicação, segurança, manutenção, e responsabilidade por falhas.
Essa evidência sustenta assistência substancial e automação de trabalho selecionado. Não sustenta que “a engenharia de software está resolvida”.
Autonomia em tarefas longas
O painel de maio de 2026 da METR estima a duração de tarefas, em tempo de especialista humano, na qual um agente tem uma taxa de sucesso prevista de 50 ou 80 por cento. As tarefas dizem respeito principalmente a engenharia de software, aprendizado de máquina, e cibersegurança. A METR afirma que medições acima de dezesseis horas não são confiáveis com o conjunto atual (horizontes de tarefas da METR).
A métrica é frequentemente relatada de forma incorreta. Um horizonte de quatro horas não significa que o agente opera de forma independente por quatro horas; significa que um especialista humano tipicamente precisa de cerca de quatro horas para tarefas da dificuldade medida. Agentes bem-sucedidos podem terminar muito mais rápido. O conjunto é autocontido e objetivamente avaliável, ao contrário de boa parte do trabalho organizacional.
A METR também alerta que os domínios diferem por ordens de grandeza, as margens de erro podem ser amplas, e um horizonte de 50 por cento é inadequado onde se exige 98 por cento de confiabilidade (limitações da METR). A tendência é evidência significativa de progresso rápido em tarefas digitais selecionadas — não um relógio contando regressivamente para a automação de empregos ou para a AGI.
Ciência, biologia, e cibersegurança
O AI Security Institute do Reino Unido relata que os sistemas testados até outubro de 2025 superaram suas referências de especialista em nível de doutorado em questões selecionadas de química e biologia, e melhoraram na geração de protocolos e na resolução de problemas de laboratório. Também relata dificuldade persistente com o design de plasmídeos de ponta a ponta (Relatório de Tendências de IA de Fronteira do AISI). Esses são resultados de avaliação governamental, mas as referências de especialista e a construção das tarefas ainda determinam o significado.
A capacidade cibernética avançou de responder perguntas para agentes que descobrem vulnerabilidades e resolvem desafios de múltiplas etapas. O AISI relatou crescimento mais rápido em suas medidas de tarefas cibernéticas em fevereiro de 2026 (tendências cibernéticas do AISI). O Relatório Internacional de Segurança em IA distingue essa evidência da implantação real: atacantes usam IA, mas ataques autônomos de ponta a ponta não foram publicamente relatados, e permanece incerto se o ataque ou a defesa ganha mais com isso (Relatório Internacional de Segurança em IA de 2026).
Persuasão e capacidade social
A IA conversacional consegue mudar atitudes em experimentos. Um estudo de 2026 liderado pelo AISI, envolvendo 76.977 participantes, encontrou efeitos de persuasão maiores a partir da formulação de prompts e do pós-treinamento voltado à persuasão do que a partir da escala ou da personalização básica; os efeitos de personalização ficaram abaixo de um ponto percentual. O aumento de persuasão foi associado a uma redução na precisão factual (estudo de persuasão do AISI).
Essa descoberta estabelece capacidade medida sob condições experimentais. Não prova mudança duradoura de comportamento, efeitos eleitorais, ou controle populacional. Alcance, distribuição em plataformas, mensagens concorrentes, confiança do usuário, e persistência continuam sendo variáveis separadas.
A corporificação física continua sendo uma lacuna importante
A robótica mostra a diferença mais clara entre ambientes controlados e abertos. Stanford relata alto sucesso em um parâmetro de referência de simulação, mas apenas 12 por cento em tarefas domésticas reais testadas. Veículos autônomos operam em escala significativa em áreas de serviço restritas, com domínios de design operacional e suporte humano remoto que importam para a interpretação.
A ampla interface digital de um modelo de linguagem não deveria ser confundida com generalidade no mundo físico. Sensoriamento, manipulação, segurança perto de pessoas, recuperação de erros inéditos, manutenção de hardware, e custo, todos restringem a implantação. O capítulo de robôs humanoides deste manual acompanha essa lacuna entre demonstrações em parâmetros de referência e desempenho real de robôs com mais detalhe, empresa por empresa.
A confiabilidade é parte da capacidade
Um agente que tem sucesso 66 por cento das vezes pode ser útil com revisão e inaceitável sem ela. Sistemas de alto risco exigem incerteza calibrada, detecção de falhas, recurso, registros de auditoria, reversão, segurança, e apoio humano de reserva. As pontuações médias em parâmetros de referência escondem erros raros, mas consequentes.
O AI Index de 2026 constata que os desenvolvedores relatam parâmetros de referência de capacidade convencional de forma muito mais consistente do que avaliações de IA responsável (capítulo de IA responsável do AI Index). Resultados públicos ausentes não provam ausência de testes internos, mas limitam a comparação e a garantia pública.
O que este painel não estabelece
Ele não estabelece consciência, intenções, valor econômico em todos os empregos, ou um limiar aceito de AGI. Não mostra que um resultado de parâmetro de referência se transfere para um idioma diferente, uma população diferente, um conjunto de ferramentas diferente, um limite de custo diferente, ou um ambiente adversarial. Não resolve se as arquiteturas atuais conseguem se tornar robustamente gerais.
A partir deste retrato, a conclusão mais forte é que os sistemas de fronteira mostram amplitude extraordinária e melhoria rápida ao lado de fragilidade persistente, lacunas de domínio, e evidências incompletas de segurança. Isso é mais consequente — e mais preciso — do que “é só autocompletar” ou “a AGI chegou”.