A Anthropic está usando sistemas de inteligência artificial para acelerar a construção de sistemas de inteligência artificial. A conclusão aparece em uma reportagem do The Verge baseada em uma investigação de 11 semanas conduzida pela organização METR. Segundo o relatório, os modelos da empresa estariam melhorando aproximadamente duas vezes mais rápido do que há um ano, e boa parte do avanço seria associada ao uso da própria IA no trabalho de pesquisa e desenvolvimento.
A notícia é importante para desenvolvedores e profissionais digitais porque muda o lugar da IA na cadeia de produção. Durante anos, a pergunta principal foi como uma equipe poderia usar um modelo para escrever código, resumir documentos ou analisar dados. Agora, laboratórios de fronteira tentam usar modelos para definir experimentos, revisar implementações, encontrar problemas e contribuir para o treinamento de versões sucessoras. A ferramenta deixa de atuar apenas no produto final e passa a influenciar a velocidade de criação da tecnologia.
O que o relatório observou
O METR acompanhou parte das atividades da Anthropic, ouviu funcionários e analisou dados de desempenho fornecidos pela empresa. A avaliação citada pelo The Verge afirma que os modelos apresentaram um progresso equivalente a cerca de dois anos de avanço histórico em apenas um ano. A equipe também concluiu que o ganho não parecia ser explicado apenas pelo aumento de poder computacional usado no treinamento.
Funcionários relataram que o modelo interno mais capaz tornou seu trabalho cerca de 12 vezes mais produtivo em média, o dobro do que havia sido informado alguns meses antes com o Mythos 5. Esse número é uma percepção interna, não uma medição universal de produtividade. Mesmo assim, ele indica como a empresa está tentando usar IA no próprio ciclo de pesquisa. O modelo pode sugerir código, organizar resultados, criar testes, explorar hipóteses e reduzir o tempo entre uma ideia e uma avaliação.
O relatório também identificou três modelos ainda não lançados, que teriam concluído o treinamento entre julho e outubro. A existência de versões internas mais avançadas não significa que elas estejam prontas para uso público. Modelos de pesquisa precisam passar por testes, ajustes de segurança, avaliações de custo e decisões de produto. Ainda assim, a sucessão rápida de treinamentos mostra como a automação pode aumentar a quantidade de experimentos que uma equipe consegue realizar.
O que significa usar IA para criar IA
Em um projeto tradicional, pesquisadores escolhem uma arquitetura, escrevem código, preparam dados, executam testes e interpretam os resultados. Várias etapas dependem de trabalho humano especializado. Um modelo pode auxiliar em cada parte, mas a equipe ainda precisa verificar se a sugestão funciona, se o experimento mede o que deveria medir e se o resultado pode ser reproduzido.
Quando o sistema passa a atuar em muitas etapas ao mesmo tempo, surge uma forma de automação composta. Um agente pode transformar uma hipótese em um plano, chamar ferramentas, alterar um programa, executar uma avaliação e registrar a conclusão. O ser humano continua definindo objetivos e limites, mas deixa de acompanhar cada operação manualmente. O ganho potencial é grande porque o laboratório pode rodar mais ciclos em menos tempo.
O risco também cresce. Um erro em uma etapa inicial pode contaminar todos os passos seguintes. Se o agente escolhe uma métrica ruim, os experimentos podem parecer melhores sem realmente produzir um modelo mais capaz. Se ele gera código com uma falha, a alteração pode entrar em dezenas de componentes. Se interpreta uma correlação como causa, a equipe pode investir semanas em uma direção equivocada. A automação aumenta a velocidade da descoberta e a velocidade do erro.
A contradição entre segurança e aceleração
A Anthropic se posiciona como uma empresa preocupada com segurança e defende que o desenvolvimento de sistemas avançados precisa ser controlado. Ao mesmo tempo, o relatório indica que seu uso interno de IA está acelerando o próprio desenvolvimento. Essa tensão não prova que a empresa esteja agindo de forma irresponsável, mas cria uma pergunta pública legítima: quem decide quando uma aceleração deixa de ser aceitável?
O documento teria passado por revisões e cortes solicitados pela Anthropic. O METR afirmou que a empresa removeu uma grande parte das evidências que considerava mais informativas. A justificativa apresentada foi que detalhes poderiam ajudar concorrentes a acelerar ainda mais. A decisão cria um problema de transparência. Uma avaliação independente só consegue produzir confiança quando leitores externos podem examinar os dados, entender as limitações e contestar a interpretação.
Esse ponto interessa também a empresas que compram modelos. Um fornecedor pode divulgar ganhos impressionantes de produtividade sem explicar quais tarefas foram avaliadas, qual supervisão existia ou que tipo de erro ficou fora da medição. Antes de adotar um agente, uma equipe precisa pedir evidências: registros de revisão, testes de regressão, limites de acesso, métricas de falha e um caminho claro para interromper a automação.
O efeito sobre programação e desenvolvimento
Para equipes de software, o caso da Anthropic reforça uma tendência já visível: o trabalho de programar está mudando de escrever cada linha para desenhar, validar e supervisionar mudanças. Modelos podem produzir funções, testes e documentação em alta velocidade, mas a qualidade final depende do contexto do projeto. Um repositório com arquitetura confusa, dependências antigas e pouca cobertura de testes continua difícil mesmo com um modelo poderoso.
A maior vantagem de agentes de desenvolvimento deve aparecer em tarefas repetitivas e bem especificadas. Criar testes para uma função existente, atualizar uma biblioteca, migrar uma configuração ou explicar um módulo são trabalhos que podem se beneficiar de ferramentas automáticas. Tarefas com decisões de produto, risco de segurança ou requisitos ambíguos precisam de uma participação humana mais forte.
Os desenvolvedores também precisam acompanhar a procedência das alterações. Um sistema que escreve código deve informar qual modelo usou, quais arquivos leu, quais comandos executou e quais testes passaram. Sem esse registro, investigar um bug se torna mais difícil. A velocidade da IA não pode eliminar a rastreabilidade que equipes maduras usam para manter um software confiável.
O que acompanhar nos próximos meses
O relatório sugere que a capacidade de uma IA contribuir para pesquisa pode avançar antes de existir um acordo sobre como medir e governar esse comportamento. O próximo passo não é necessariamente uma máquina que desenvolve sozinha um novo modelo. É mais provável que laboratórios criem equipes híbridas, nas quais pesquisadores coordenam uma coleção de agentes especializados. A diferença prática será a quantidade de trabalho que um pequeno grupo consegue supervisionar.
Isso pode reduzir o custo de experimentação e ampliar o acesso a ferramentas avançadas, mas também pode concentrar ainda mais capacidade em poucas empresas com dados, chips e infraestrutura. Se a produtividade depende de modelos internos que não são publicados, o público conhece apenas o resultado final e não consegue avaliar a velocidade real do processo. A transparência deixa de ser um detalhe de comunicação e passa a ser uma condição para o debate social.
Para quem usa IA no Brasil, a consequência mais concreta é o ritmo de atualização de ferramentas. Recursos de programação, escrita e análise podem mudar com mais frequência, e as empresas podem lançar modelos sucessivos em intervalos menores. Isso exige uma estratégia de aprendizado contínuo, mas também atenção a compatibilidade, custo e privacidade. Adotar cada novidade sem avaliar o impacto pode gerar dependência e retrabalho.
Velocidade precisa de controle
A história da Anthropic mostra que o principal debate sobre IA não é apenas se o modelo responde bem. É também quem usa o modelo para construir o próximo modelo, com quais limites e com que grau de prestação de contas. A aceleração pode beneficiar pesquisadores, empresas e usuários, mas precisa ser acompanhada de testes independentes, registros claros e mecanismos para interromper sistemas que saem do objetivo.
O uso de IA para pesquisar IA parece inevitável. O que ainda está em disputa é a forma de governá-lo. Para o desenvolvedor, a lição é direta: trate agentes como sistemas de engenharia, não como colegas infalíveis. Defina escopo, limite permissões, registre ações, teste resultados e preserve a capacidade de revisar cada mudança. Quanto mais rápido o ciclo de desenvolvimento, mais importante fica saber onde a decisão foi tomada e quem pode corrigi-la.
Fonte original: Why a new report on Anthropic automating AI development is alarming researchers, no The Verge.
