A dispersão é o resultado mais importante
As previsões para uma IA altamente capaz ou de nível humano variam de poucos anos a muitas décadas, com alguns pesquisadores duvidando que os métodos atuais consigam produzi-la. Essa discordância não é uma pequena margem de erro em torno de um modelo científico compartilhado. Os prognosticadores discordam sobre o que conta como AGI, quais passos técnicos ainda faltam, com que rapidez insumos como computação e dados podem crescer, e se o progresso continuará de forma suave. Qualquer linha do tempo deveria, portanto, ser apresentada como uma previsão datada sob uma definição declarada — não como uma “contagem regressiva para a AGI”.
Demis Hassabis oferece um bom exemplo de por que a atribuição exata importa. Em uma entrevista à CNBC em março de 2025, o diretor-executivo do Google DeepMind disse que a IA em nível humano poderia chegar em cinco a dez anos. Ele não disse que evidências significativas de AGI chegariam “dentro do ano” (entrevista à CNBC). Mesmo a previsão corretamente citada deixa perguntas em aberto: nível humano em quais tarefas, com que confiabilidade, e com quanta autonomia? A citação registra o julgamento de um especialista, não uma probabilidade medida.
Quatro tipos de previsão que não deveriam ser misturados
Declarações de líderes de laboratórios são visíveis e informadas por exposição direta a sistemas de fronteira, mas não são medições neutras. Executivos possuem informação privada valiosa sobre experimentos, mas também lideram organizações que competem por capital, talento, clientes e atenção política. Suas declarações podem usar definições específicas da empresa e raramente expõem um modelo de previsão completo.
Pesquisas com especialistas agregam muitas opiniões e revelam a distribuição da opinião especializada. A Pesquisa de Especialistas sobre o Progresso em IA de 2023, publicada em 2024, reuniu 2.778 pesquisadores e relatou uma ampla gama de estimativas para máquinas que superam humanos em toda tarefa possível; os autores também destacaram discordância substancial e sensibilidade à formulação das perguntas (Grace et al., 2024). As pesquisas descrevem crenças em um momento específico. Elas não validam essas crenças nem garantem que os respondentes compartilhem uma definição.
Plataformas de previsão como a Metaculus agregam prognósticos continuamente. Suas medianas podem se atualizar mais rápido do que pesquisas, mas o resultado depende dos critérios exatos de resolução e do conjunto de participantes. “IA fracamente geral”, “IA transformadora” e “AGI” são perguntas diferentes. Uma mediana de mercado ou de comunidade deveria ser exibida com sua data de coleta, formulação da pergunta, faixa de valores e condições de resolução — em vez de ser transformada em um prazo final para todo o site.
Projeções baseadas em modelos extrapolam tendências em computação, desempenho em parâmetros de referência, eficiência algorítmica, ou a duração das tarefas que os agentes conseguem concluir. Isso torna as premissas visíveis, o que é valioso, mas a extrapolação pode falhar quando um parâmetro de referência satura, uma restrição de recursos se impõe, ou um novo paradigma muda a tendência. Uma curva é evidência sobre medições passadas; sua extensão é uma previsão condicional.
O que as tendências atuais de capacidade de fato mostram
Há evidências reais de melhoria rápida. O Stanford AI Index documenta a queda nos custos de inferência e o aumento das pontuações em parâmetros de referência exigentes, ao mesmo tempo em que mostra que avaliações difíceis continuam sem solução e que a avaliação padronizada de IA responsável é irregular (Stanford AI Index 2025). A METR relata que a duração de tarefas orientadas a software — medida em tempo de especialista humano — que os agentes de fronteira conseguem concluir com uma determinada probabilidade de sucesso aumentou rapidamente (horizontes de tempo da METR). Essas são observações sobre sistemas e testes selecionados, não observações diretas de uma data de AGI se aproximando.
A métrica da METR é especialmente fácil de deturpar. Um horizonte de tempo de 50% de várias horas significa que, no conjunto de tarefas da METR, o modelo ajustado prevê uma chance de 50% de concluir tarefas que levam esse tempo para um especialista humano. Isso não significa que a IA trabalha de forma autônoma por essa quantidade de horas. As tarefas são principalmente de engenharia de software, aprendizado de máquina e cibersegurança; são incomumente autocontidas e objetivamente avaliáveis; estimativas acima de dezesseis horas são atualmente descritas como não confiáveis; e empregos reais são muito mais confusos. Pesquisadores da METR alertaram que as margens de erro podem abranger aproximadamente um fator de dois, e que as diferenças entre domínios podem abranger ordens de grandeza (nota de limitações da METR).
Esses resultados sustentam uma conclusão mais restrita: algumas formas de conclusão de tarefas digitais estão melhorando rapidamente. Elas não estabelecem, por si sós, quando um sistema se tornará um cientista, gestor, cuidador, tomador de decisão política ou substituto geral confiável para o trabalho humano.
Por que previsões razoáveis divergem
Prognosticadores que esperam uma chegada antecipada costumam enfatizar a persistência da escala, uma computação melhor em tempo de raciocínio, dados sintéticos, uso de ferramentas e pesquisa assistida por IA. Se essas tendências se reforçarem mutuamente, o progresso pode acelerar. Eles também podem argumentar que sistemas economicamente transformadores não precisam reproduzir todas as características da inteligência humana; uma ampla competência digital poderia ser suficiente.
Prognosticadores de prazos mais longos enfatizam confiabilidade, ancoragem no mundo real, aprendizado contínuo, compreensão causal, robótica, e a lacuna entre parâmetros de referência e trabalho aberto. Eles também apontam restrições práticas: energia, chips, construção de data centers, dados de alta qualidade, avaliação, e a capacidade das organizações de implantar sistemas com segurança. Alguns esperam avanços arquitetônicos além dos métodos atuais de grandes modelos. Nenhuma dessas posições pode ser resolvida apenas por confiança ou antiguidade.
As definições criam outra fonte de discordância aparente. Um sistema capaz de automatizar boa parte do trabalho remoto em computador poderia ser economicamente transformador e ainda falhar em tarefas corporificadas. Um modelo que pontua acima de humanos típicos em uma ampla bateria de exames ainda pode ser pouco confiável demais para operar de forma independente. Um prognosticador pode chamar qualquer um dos dois sistemas de AGI; outro pode reservar a palavra para um aprendizado robusto e equivalente ao humano no mundo real.
Como manter um rastreador de linha do tempo responsável
Um rastreador útil deveria preservar a formulação original, o autor da declaração, a data, a fonte, a definição e a faixa de previsão. Deveria distinguir uma estimativa pessoal de um compromisso organizacional, registrar revisões posteriores, e nunca substituir silenciosamente uma previsão antiga. Previsões agregadas deveriam mostrar intervalos de incerteza, e não apenas uma mediana. A página também deveria divulgar possíveis incentivos e se a previsão se apoia em evidências públicas ou privadas.
Os leitores podem aplicar cinco perguntas:
- Qual resultado está sendo previsto? AGI, IA de nível humano, automação de tarefas, ou superinteligência?
- Que probabilidade e data estão associadas? “Poderia” não é uma previsão de mediana.
- Que evidência sustenta a estimativa? Escala, uma pesquisa, experimentos privados, ou intuição?
- O que mudaria a opinião do prognosticador? Uma previsão sem possível refutação é difícil de avaliar.
- Ela foi avaliada depois? Previsões passadas deveriam continuar visíveis após seu prazo.
A conclusão prática
O planejamento não deveria depender de escolher uma data. Danos e oportunidades de curto prazo merecem ação independentemente de a AGI chegar em 2028, 2040, ou nunca. Governos e organizações podem usar faixas de cenários: preparar-se para ganhos rápidos de capacidade, construir políticas que continuem úteis sob progresso mais lento, e definir gatilhos mensuráveis para salvaguardas mais rígidas.
A incerteza em si é acionável. Ela argumenta a favor de monitorar capacidades em vez de rótulos de marketing, investir em avaliação e resiliência, e revisitar previsões em um cronograma fixo. Uma página sobre linha do tempo conquista confiança ao mostrar o quão pouco as datas realmente provam — não ao fazer uma mediana móvel parecer um relógio contando regressivamente até um destino.