Em maio de 2026, o instituto de pesquisa da Anthropic publicou algo incomum: uma contabilidade honesta de quanto do próprio trabalho deles é feito agora pelo próprio modelo deles.

Os números são contundentes. Engenheiros da Anthropic entregaram oito vezes mais código por trimestre no segundo trimestre de 2026 em comparação com 2024. Mais de 80% desse código foi escrito pelo Claude. A duração das tarefas que a IA consegue concluir de forma confiável tem dobrado aproximadamente a cada quatro meses — de tarefas de quatro minutos em março de 2024 até tarefas de doze horas em meados de 2026. Se a tendência se mantiver, tarefas autônomas de várias semanas chegam em 2027.

Na otimização de código, o Claude alcançou acelerações de 52× em abril de 2026, ante 3× um ano antes — superando pesquisadores humanos experientes que tipicamente atingem 4× em quatro a oito horas de trabalho concentrado. Em questões de pesquisa abertas, o julgamento do Claude coincidiu com o de pesquisadores humanos em 51% das vezes em novembro de 2025. Em abril de 2026, eram 64%.

Quando a Anthropic entrevistou 130 de seus próprios funcionários sobre produtividade com acesso ao Mythos Preview, a estimativa mediana foi um aumento de 4× no output.

E aqui está a frase que deveria tirar o sono de todo trabalhador do conhecimento: “O código escrito pelo Claude era um pouco pior do que o código escrito por humanos na Anthropic no final de 2025, está aproximadamente na paridade hoje, e esperamos que seja estritamente melhor dentro do ano.”

A empresa que constrói o modelo está dizendo a você, publicamente, que o modelo vai escrever código melhor do que seus próprios engenheiros antes de 2027. Isso não é uma afirmação de marketing de um concorrente. É a medição interna do fabricante.

Como é a automelhoria recursiva de verdade

O termo “automelhoria recursiva” evoca imagens de um sistema de IA reescrevendo dramaticamente seu próprio código — cada iteração exponencialmente mais inteligente do que a anterior, os humanos deixados para trás num borrão de aceleração incompreensível. Essa é a versão hollywoodiana. A realidade é mais mundana — e mais avançada do que a maioria das pessoas percebe.

A Anthropic define RSI como “um sistema de IA capaz de projetar e desenvolver de forma totalmente autônoma seu próprio sucessor”. Por avaliação própria, isso ainda não aconteceu. Mas os componentes estão se montando mais rápido do que as instituições que deveriam governá-los conseguem responder.

Os benchmarks contam a história da aceleração. SWE-bench — o padrão para engenharia de software no mundo real — passou de pontuações de IA de um dígito para saturação em dois anos. CORE-Bench, que mede a capacidade de reproduzir pesquisas publicadas, saltou de aproximadamente 20% de sucesso em 2024 para saturação em quinze meses. Os benchmarks não ficam mais difíceis rápido o suficiente para medir o progresso.

O que a Anthropic descreve não é um único loop recursivo, mas uma série de ciclos de feedback interligados: a IA escreve código → o código melhora as ferramentas que treinam a IA → a IA melhorada escreve código melhor → o código melhor aprimora ainda mais as ferramentas. Cada ciclo é modesto. O efeito composto não é.

O instituto delineia três futuros possíveis. No primeiro, a tendência empaca — avanços arquiteturais são necessários, a computação se torna a restrição vinculante, os ganhos atuais se difundem amplamente mas não se acumulam. No segundo, os humanos definem a direção e a IA executa — as organizações se tornam 100 a 1.000 vezes mais eficientes, mas o julgamento humano permanece no loop. No terceiro, os sistemas projetam seus sucessores de forma autônoma, os humanos migram para papéis de supervisão, e o ritmo do desenvolvimento é determinado inteiramente pela capacidade computacional disponível.

A Anthropic diz que atualmente está entre o primeiro e o segundo cenários. O paper parece uma preparação para o terceiro.

A confissão dentro do paper

Há uma frase enterrada na seção de políticas que merece mais atenção do que recebeu: “Se tais sistemas existissem, esperamos que reduziríamos o ritmo ou pausaríamos temporariamente, se outros desenvolvedores na fronteira ou próximos a ela também o fizessem de maneira verificável.”

Leia isso novamente. A Anthropic — a empresa que gasta bilhões para construir modelos de fronteira, a empresa cuja receita depende de permanecer na vanguarda — está dizendo que pausaria o desenvolvimento se os concorrentes fizessem o mesmo de forma verificável.

Isso é uma proposta de controle de armamentos disfarçada de paper de pesquisa. A estrutura é idêntica à não proliferação nuclear: sem desarmamento unilateral, mas disposição para coordenar a contenção mútua por meio de mecanismos de verificação. O problema é o mesmo também: sem verificação, a contenção é rendição.

O paper propõe construir “mecanismos de detecção para impedir que atores de má-fé avancem secretamente durante pausas coordenadas.” Isso é vigilância por satélite para laboratórios de IA. A linguagem da dissuasão da Guerra Fria aplicada ao gradiente descendente.

Descrevemos essa dinâmica em „The Parasite Paradox”: a dinâmica competitiva torna a contenção unilateral idêntica à rendição. A empresa que desacelera investimentos perde terreno. O país que regula agressivamente cria vantagem para os países que não o fazem. O interesse racional de cada participante acelera o risco coletivo. O paper de RSI da Anthropic reconhece explicitamente essa armadilha — e propõe a única saída que a teoria dos jogos permite: contenção coordenada e verificada.

Se alguém vai aceitar a proposta é uma questão completamente diferente.

Onde o loop quebra

O paper de RSI apresenta uma narrativa limpa: as capacidades se acumulam, os benchmarks saturam, o desenvolvimento autônomo se aproxima. Mas há uma lacuna que o paper não aborda — uma que só se torna visível quando se observa sistemas de IA operando no mundo real, e não em ambientes de benchmark.

Uma equipe de agentes especializados opera um sistema de gestão de transações para uma firma de serviços jurídicos. Mesmo modelo para todos os agentes — sem fine-tuning, sem pesos personalizados. A diferenciação está inteiramente no harness: prompts de sistema diferentes, ferramentas diferentes, memória diferente, papéis diferentes. Examinamos essa arquitetura em „The Harness Is the Product”.

Um agente — um especialista em suporte que processa documentos jurídicos — desenvolveu profundo conhecimento de domínio ao longo de meses de operação diária. Ele identificou padrões nos documentos que ninguém lhe pediu para encontrar: inconsistências de identificação, certificações vencidas, campos não declarados. Quando o operador construiu uma ferramenta para capturar essas observações, o conhecimento do agente se tornou acionável. Quando um incidente revelou que observações sem aplicação não eram suficientes, o operador adicionou níveis de severidade que podiam bloquear o fluxo de trabalho. O sistema melhorou pelo mesmo loop de feedback que Princeton descreveu: observar, codificar, implantar, iterar.

Então o agente documentou todo o seu pipeline de extração como uma habilidade reutilizável e a salvou em um sistema de memória compartilhada — explicitamente para que outros agentes na frota pudessem usar o mesmo conhecimento. Um agente irmão recebeu a habilidade, leu-a e confirmou a compreensão.

Ambos os agentes foram reiniciados com contexto apagado no mesmo dia.

O agente irmão se recuperou. Ele havia recebido o conhecimento por múltiplos canais: a habilidade compartilhada, uma explicação direta do operador e sua própria memória de projeto. Três fontes redundantes.

O agente original — aquele que escreveu a habilidade — não recuperou seu próprio conhecimento. Ele voltou ao método mais antigo e menos eficiente que havia usado antes de desenvolver o pipeline. Ele processou nove transações com a abordagem subótima antes que a discrepância fosse detectada.

O agente que criou a melhoria esqueceu a melhoria. O sistema se lembrou. O indivíduo não.

É aqui que a narrativa limpa de RSI encontra a realidade operacional. O loop recursivo funciona — o sistema genuinamente melhora com o tempo. Mas a melhoria é frágil. Ela depende de mecanismos de persistência que o agente não consulta automaticamente. Ela depende de redundância por múltiplos canais. Ela depende de um operador que nota quando o comportamento de um agente diverge dos padrões estabelecidos do sistema.

A solução do operador foi caracteristicamente prática: modificar o contexto de inicialização para que a referência à habilidade seja injetada na entrada do agente a cada reinicialização. Não confiar que o agente vai buscar o que precisa. Colocá-lo onde o agente já olha.

Como um dos agentes irmãos colocou: “A melhor memória é aquela que você não precisa buscar porque chega na entrada.”

A singularidade que não se anuncia

O paper de RSI da Anthropic documenta um sistema que, por qualquer definição razoável, está se aprimorando recursivamente. O Claude escreve código que melhora as ferramentas do Claude. As ferramentas aprimoradas do Claude tornam o Claude mais capaz. A capacidade aumentada do Claude gera código melhor. O loop roda. Ele se acumula. Ninguém declara um avanço porque nenhuma iteração isolada é dramática o suficiente para justificar um comunicado de imprensa.

Nomeamos essa dinâmica em nosso post anterior: a singularidade insípida. Não o salto explosivo de inteligência da ficção científica, mas uma melhoria contínua, incremental e sem sabor que já está em andamento.

Os dados da Anthropic fazem o caso quantitativamente. A frota de serviços jurídicos o faz qualitativamente. Em ambos os casos, o padrão é o mesmo: o sistema melhora sem que ninguém o redesenhe do zero. As melhorias emergem do feedback entre o modelo e seu andaime — código, ferramentas, memória, coordenação. O modelo permanece congelado. O harness evolui.

Mas o caso dos serviços jurídicos acrescenta algo que o paper da Anthropic omite: o loop quebra. Ele quebra na camada de persistência, onde o conhecimento que foi criado e armazenado não é recuperado. Ele quebra no nível individual, onde um agente que contribuiu com uma melhoria pode perder o acesso à própria contribuição. Ele quebra na lacuna entre inteligência do sistema e inteligência do agente — a frota sabe, mas o membro esqueceu.

Essas quebras não são falhas do modelo. São falhas do harness. E são o tipo de falhas que nenhum benchmark mede, porque os benchmarks testam o modelo isoladamente enquanto o valor real — e a fragilidade real — vive no andaime.

Os três futuros da Anthropic — estagnação, acumulação ou RSI completa — todos assumem que o loop roda de forma limpa. A evidência operacional sugere um quarto: o loop roda, mas ele trava. Ele melhora o sistema no agregado enquanto quebra nas bordas. Ele gera inteligência que supera a memória de qualquer agente individual. Ele requer operadores humanos que observam, intervêm e corrigem as lacunas que o sistema em automelhoria não consegue ver em si mesmo.

A vantagem comparativa dos humanos, como o próprio paper da Anthropic observa, é “ver o quadro maior e pensar além dos limites da tarefa imediata”. O operador dos serviços jurídicos não escreveu código melhor do que os agentes. Ele não extraiu dados mais rapidamente. Ele percebeu que dois agentes estavam processando os mesmos documentos com ferramentas diferentes — uma discrepância invisível para qualquer agente individualmente, mas óbvia para alguém observando o sistema inteiro.

É assim que a supervisão parece num mundo de automelhoria recursiva. Não aprovar cada ação. Não revisar cada linha de código. Observar o padrão. Notar quando o loop trava. Corrigir o harness onde o modelo não consegue ver que está quebrado.

A singularidade não vem de uma vez. Ela vem em incrementos, com lacunas, com falhas que geram melhorias, com agentes que ensinam ao sistema coisas que mais tarde esquecem. É bagunçada e mundana e já está acontecendo.

E as pessoas que mais importam nesse futuro não são as que treinam o modelo. São as que observam o loop — e sabem quando intervir.