noticias
Claude já lidera 26% do trabalho de pesquisa da Anthropic e a IA começa a ajudar a construir sua própria sucessora
**O número não significa que uma IA esteja se recriando sozinha. Mas revela uma mudança importante: modelos já executam partes relevantes do desenvolvimento das próximas gerações de inteligência artificial.**
Existe uma imagem irresistível quando alguém diz que uma inteligência artificial está “ajudando a construir sua própria sucessora”.
Parece o começo daquele momento clássico da ficção científica em que a máquina percebe que humanos são lentos demais, fecha a porta do laboratório e resolve continuar o projeto sem nós.
Não é isso que está acontecendo na Anthropic.
O que está acontecendo talvez seja menos cinematográfico — e tecnicamente muito mais interessante.
A empresa responsável pelo Claude revelou que, em agosto de 2026, seus sistemas de inteligência artificial já lideravam cerca de **26% das tarefas de pesquisa e desenvolvimento de IA realizadas internamente**.
Em mais de 90% desse trabalho, Claude participava ao menos como colaborador.
E essa proporção está crescendo rapidamente.
Antes de qualquer coisa: o que esses 26% realmente significam?
A distinção é fundamental.
Claude não está desenvolvendo autonomamente um novo Claude.
A Anthropic utiliza uma escala de automação que classifica quanto trabalho uma IA consegue realizar dentro de determinada tarefa.
Nos níveis mais baixos, o modelo praticamente não participa ou apenas auxilia o pesquisador.
Depois vem a colaboração, na qual a IA consegue realizar grandes blocos de trabalho sob orientação humana.
O nível seguinte é chamado de **“AI leads” — a IA lidera**.
Nesse estágio, o modelo recebe uma orientação de alto nível e consegue realizar a maior parte da tarefa de ponta a ponta, enquanto uma pessoa acompanha o processo.
É nessa categoria que estavam 26% das atividades medidas pela Anthropic.
A autonomia completa corresponderia a outro nível.
E, segundo a própria empresa, Claude ainda não alcançou esse estágio em nenhuma das categorias analisadas.
Portanto, não existe neste momento uma IA fechada dentro de um data center projetando sozinha a próxima geração de si mesma.
Existe algo diferente: pesquisadores estão transferindo parcelas cada vez maiores do processo de pesquisa para agentes artificiais.
Essa diferença não é semântica.
Ela define onde realmente estamos.
De menos de 1% para 26% em poucos meses
O número fica mais relevante quando observamos a velocidade da mudança.
No começo de 2026, a participação de Claude em tarefas classificadas como lideradas pela IA era praticamente residual.
Em agosto, já alcançava aproximadamente um quarto do trabalho de P&D analisado.
A Anthropic afirma também que seus engenheiros passaram a entregar aproximadamente oito vezes mais código por trimestre do que a média registrada entre 2021 e 2025.
Não é possível atribuir todo esse aumento exclusivamente aos modelos.
Mas o dado ajuda a enxergar o mecanismo que começa a aparecer dentro dos laboratórios.
Uma IA escreve código.
Esse código ajuda a realizar experimentos.
Experimentos ajudam pesquisadores a encontrar arquiteturas melhores.
Modelos melhores tornam os agentes de programação mais capazes.
Esses agentes ajudam a produzir ainda mais experimentos.
É um ciclo de aceleração.
E esse ciclo merece muito mais atenção do que a simples ideia de um chatbot ficando melhor.
Há cerca de 30 mil agentes trabalhando dentro da Anthropic
Talvez o número mais impressionante nem seja 26%.
Em agosto, aproximadamente **30 mil agentes de inteligência artificial** estavam realizando simultaneamente tarefas de pesquisa e engenharia na principal plataforma interna utilizada pela Anthropic.
Isso muda nossa percepção do que significa utilizar IA em uma empresa.
Não estamos mais falando de um pesquisador abrindo uma janela do Claude e perguntando como corrigir determinado código.
Estamos falando de uma infraestrutura onde milhares de instâncias podem analisar problemas, executar tarefas, produzir código, investigar falhas e colaborar com outros processos.
É quase uma força de trabalho computacional paralela.
Há uma diferença decisiva, entretanto.
Esses agentes não recebem liberdade irrestrita.
Segundo a Anthropic, suas ações passam por sistemas de monitoramento antes de serem executadas.
Mais de 1 bilhão de decisões foram monitoradas
A Anthropic analisou mais de **um bilhão de decisões realizadas por agentes** durante agosto.
Aproximadamente uma em cada 47 mil foi bloqueada pelo sistema de monitoramento online.
O número pode ser interpretado de duas maneiras.
De um lado, a taxa de bloqueio é extremamente pequena.
Isso sugere que comportamentos considerados problemáticos são raros naquele ambiente.
Mas existe uma segunda maneira de olhar para a mesma estatística.
Quando sistemas executam bilhões de decisões, eventos extremamente raros deixam de ser necessariamente eventos insignificantes.
Uma falha com probabilidade de 0,002% parece minúscula.
Multiplicada por bilhões de operações, ela deixa de ser teoricamente irrelevante.
Esse é um dos grandes problemas da segurança dos agentes.
Escala transforma probabilidades pequenas em acontecimentos recorrentes.
O supervisor também pode ser uma IA
Aqui aparece talvez o ponto mais interessante de todo o estudo.
Parte da avaliação utilizada pela Anthropic depende dos próprios modelos da empresa.
Claude ajuda a analisar registros do trabalho.
Claude organiza tarefas.
E modelos Claude também participam da classificação de quanto dessas tarefas está sendo automatizado.
A própria Anthropic reconhece a limitação.
Quando uma IA avalia outra IA da mesma família, existe a possibilidade de ambas compartilharem determinadas falhas de julgamento.
É o equivalente tecnológico de perguntar ao sistema se o próprio sistema está funcionando corretamente.
Isso não invalida os dados.
Mas reduz a força de qualquer interpretação excessivamente precisa desses números.
Por esse motivo, a empresa defende verificações independentes e pretende ampliar o acesso de avaliadores externos aos seus processos internos.
E talvez esse seja um dos assuntos menos discutidos dessa nova fase da inteligência artificial.
Não basta perguntar quem supervisiona as máquinas.
Precisaremos perguntar também **quem supervisiona as máquinas que supervisionam as máquinas**.
O objetivo final tem nome: autoaperfeiçoamento recursivo
Existe um conceito importante por trás dessa discussão.
**Recursive self-improvement**, ou autoaperfeiçoamento recursivo.
Imagine uma inteligência artificial capaz de desenvolver integralmente uma versão mais avançada de si própria.
Essa segunda versão, sendo mais capaz, poderia desenvolver uma terceira ainda melhor.
A terceira poderia acelerar novamente o processo.
Em teoria, surgiria um ciclo no qual o desenvolvimento de IA deixaria de depender majoritariamente da velocidade humana.
É uma hipótese discutida há décadas.
A diferença é que agora começamos a possuir métricas que procuram medir a distância entre o estado atual e essa possibilidade.
A Anthropic é explícita: **ainda não estamos lá**.
E nada garante que o processo ocorrerá.
Existem limitações computacionais, científicas, econômicas, energéticas e de engenharia que podem impedir ou desacelerar drasticamente esse cenário.
Mas aquilo que antes era quase exclusivamente uma discussão teórica começou a ganhar indicadores operacionais.
Essa é a parte realmente nova.
Humanos continuam essenciais — mas talvez estejam mudando de função
Existe ainda uma interpretação menos dramática e provavelmente mais imediata.
O pesquisador de IA não está desaparecendo.
Seu trabalho está mudando.
Em vez de escrever manualmente cada trecho de código, uma pessoa pode especificar o experimento e revisar aquilo que agentes produziram.
Em vez de executar dezenas de testes individualmente, pode analisar centenas realizados paralelamente.
Em vez de procurar manualmente determinada falha, pode delegar a investigação a vários agentes especializados.
A produtividade potencial é gigantesca.
Mas o risco também muda.
Quanto mais trabalho é delegado, menos capacidade o humano possui de observar cada detalhe individual.
Surge então uma inversão curiosa.
Automatizamos tarefas para ganhar velocidade.
Depois precisamos desenvolver novas formas de automação justamente para conseguir supervisionar tudo aquilo que automatizamos.
O gargalo pode migrar do trabalho para o julgamento
Durante boa parte da história do software, escrever código era caro porque exigia tempo humano.
Agentes estão reduzindo esse custo rapidamente.
Isso pode produzir uma mudança importante.
Se gerar uma implementação passa a ser barato, decidir **qual implementação merece ser utilizada** torna-se mais valioso.
Se executar mil experimentos é fácil, interpretar corretamente os resultados passa a ser o gargalo.
Se dez agentes encontram dez soluções diferentes, alguém precisa determinar qual delas realmente funciona.
É possível, portanto, que o desenvolvimento de software e de IA caminhe para uma economia de abundância de produção e escassez de julgamento.
Código teremos demais.
Testes teremos demais.
Hipóteses teremos demais.
O problema será descobrir em quais confiar.
E há uma corrida acontecendo
Nenhum laboratório de fronteira trabalha isoladamente.
Se uma empresa descobre que agentes conseguem reduzir drasticamente o tempo necessário para desenvolver um modelo, existe um incentivo econômico enorme para utilizá-los.
Um concorrente que se recuse a fazer isso pode ficar para trás.
Esse mecanismo cria um problema particularmente complicado para segurança.
Mesmo que todos concordem que seria prudente estudar determinada capacidade durante mais alguns meses, cada participante precisa considerar a possibilidade de seus concorrentes continuarem avançando.
Isso transforma segurança em uma questão não apenas técnica, mas de coordenação.
A Anthropic informou que, numa amostra de uma semana de julho, aproximadamente 6% da capacidade computacional destinada a P&D de IA foi usada em trabalhos classificados como segurança.
Quando considerado especificamente o trabalho de P&D conduzido por IA, a parcela chegou a aproximadamente 12%.
A própria empresa considera essas estimativas conservadoras.
Ainda assim, a pergunta permanece.
A automação da segurança conseguirá acompanhar a automação das capacidades?
Análise da equipe
A manchete de que “uma IA já faz 25% do trabalho de criar sua sucessora” é irresistível.
Também é simplificadora.
Claude não está criando autonomamente outro Claude.
Existem humanos definindo objetivos, supervisionando processos, avaliando resultados e controlando infraestrutura.
Mas seria igualmente equivocado utilizar essa supervisão para tratar a mudança como algo banal.
Passamos de ferramentas que completavam algumas linhas de código para dezenas de milhares de agentes realizando pesquisa e engenharia simultaneamente dentro de um dos principais laboratórios de IA do planeta.
Isso aconteceu muito rápido.
E a variável mais importante talvez não seja a capacidade absoluta desses agentes.
É a **velocidade com que sua participação está crescendo**.
O momento crítico não acontecerá necessariamente quando algum laboratório anunciar: “agora a IA consegue construir outra IA”.
Pode acontecer gradualmente.
Primeiro ela auxilia.
Depois colabora.
Depois lidera.
Depois humanos aprovam aquilo que ela fez.
Até que, em algum momento, precisaremos discutir quanto dessa supervisão ainda constitui controle real e quanto se tornou apenas autorização formal de um processo rápido demais para ser acompanhado em detalhes.
A pergunta deixou de ser ficção científica
Ainda existe uma grande distância entre Claude executar tarefas de pesquisa e uma inteligência artificial desenvolver integralmente seu sucessor.
Essa distância não deve ser ignorada.
Também não deveria ser tratada como permanente.
O mérito dos dados divulgados pela Anthropic está justamente em permitir que essa discussão abandone um pouco o terreno das previsões grandiosas.
Agora temos números.
26% das tarefas medidas são lideradas pela IA.
Mais de 90% já possuem algum grau relevante de participação artificial.
Cerca de 30 mil agentes trabalham simultaneamente em pesquisa e engenharia.
Mais de um bilhão de decisões foram monitoradas em apenas um mês.
Individualmente, nenhum desses números representa uma ruptura.
Juntos, eles descrevem uma transformação.
A inteligência artificial já não é somente o objeto sendo desenvolvido dentro dos laboratórios.
Ela começou a fazer parte da equipe que a desenvolve.
E a partir daqui, a questão realmente importante não é saber se as máquinas estão construindo a próxima geração de inteligência artificial sozinhas.
Ainda não estão.
A pergunta é outra:
**quanto tempo continuaremos sendo indispensáveis dentro desse ciclo?**
👉 Dúvida? Então veja mais em: https://pixbugtech.com/linksuteis