Jack Clark: 60% de Chance de IA Autoaperfeiçoante até 2028. As Curvas de Benchmark Concordam.

Jack Clark colocou um número nesta semana. Na Import AI 455, o cofundador da Anthropic escreveu que atribui cerca de 60 por cento de probabilidade a sistemas capazes de acelerar de forma significativa a própria pesquisa existirem até o fim de 2028. Ele não está afirmando que esses sistemas serão autônomos. Está afirmando que os componentes de engenharia já estão prontos, e o que resta é integração.

Clark não é uma fonte de hype. Passou duas décadas documentando a área com a temperança de um editor de agência de notícias. Quando ele escreve que os componentes estão montados, a resposta apropriada é olhar para os componentes.

As curvas de benchmark são os componentes.

A Trajetória Que Ninguém Quer Plotar

O SWE-Bench é o benchmark mais citado para tarefas de engenharia de software em produção. No fim de 2023, o Claude 2 marcou cerca de 2 por cento. No início de 2026, o Claude Mythos Preview chegou a 93,9 por cento. Isso não é uma curva que está ficando mais íngreme. É uma curva que já ficou.

O benchmark de horizonte temporal da METR mede por quanto tempo um agente sustenta uma tarefa coerente de forma autônoma antes que seu raciocínio entre em colapso. Em 2022, o GPT-3.5 entregava cerca de 30 segundos de autonomia útil. No fim de 2024, o o1 esticou para aproximadamente 40 minutos. No início de 2026, o Opus 4.6 alcançou 12 horas. A expansão é exponencial, e os tempos de duplicação estão acelerando, não desacelerando.

O CORE-Bench, que avalia a capacidade de reproduzir pesquisa publicada, saiu do GPT-4o com 21,5 por cento em setembro de 2024 para o Opus 4.5 com 95,5 por cento em dezembro de 2025. O MLE-Bench, que avalia performance em competições estilo Kaggle, saiu do o1 com 16,9 por cento em outubro de 2024 para o Gemini3 com 64,4 por cento em fevereiro de 2026.

Você pode discutir contaminação de benchmark. Pode discutir a distância entre desempenho em benchmark e confiabilidade em produção. O que não dá para discutir é a direção. Toda medição de capacidade em tarefas adjacentes à pesquisa de IA está subindo rápido, e os benchmarks que sobem mais rápido são exatamente os mais próximos do trabalho que pesquisadores de IA realmente fazem.

Esse é o ponto de Clark. Os sistemas não precisam ficar mais inteligentes que humanos em tudo. Precisam ficar confiáveis nas tarefas específicas que compõem a pesquisa de IA: ler artigos, desenhar experimentos, escrever código de treinamento, depurar runs de treinamento, avaliar resultados, propor novas direções. Cada uma dessas tarefas é uma categoria de benchmark, e cada categoria está fechando rapidamente.

A Pergunta de Governança Acabou de Mudar

Nos últimos dois anos, a pergunta dominante de governança para agentes de IA foi: humanos aprovam as ações que os agentes tomam? A resposta moldou arquiteturas de permissão, trilhas de auditoria e toda a conversa sobre stack de contenção sobre a qual escrevemos na semana passada.

Se o cronograma de Clark estiver pelo menos pela metade certo, essa pergunta não é mais a fronteira. A pergunta de 2028 é outra. É: agentes supervisores aprovam agentes subordinados de forma confiável o suficiente para compor?

Isso não é reformulação retórica. É reformulação aritmética. Cobrimos a matemática quando escrevemos sobre o problema recursivo da confiança. Vale recuperar o resultado. Se um agente supervisor é 99,9 por cento preciso ao avaliar o trabalho de um subordinado, e você compõe essas avaliações ao longo de 500 gerações de autoaperfeiçoamento, a confiabilidade após 500 gerações é 0,999 elevado a 500, ou cerca de 60,5 por cento. Após 1000 gerações, você está abaixo de 37 por cento.

Seis noves de precisão supervisória entregam 95 por cento em 500 gerações. Sistemas em produção não entregam seis noves em tarefas novas. Entregam três noves em tarefas conhecidas. A recursão é aritmeticamente perdedora em todo nível de precisão que sistemas atuais conseguem demonstrar, e as perdas se acumulam.

A pergunta para conselhos não é mais se devem colocar agentes autônomos em campo. O argumento de componentes de Clark sugere que os agentes autônomos virão, planejados ou não pelos conselhos. A pergunta é se a arquitetura supervisória sustenta a composição sem compor as coisas erradas.

Falso Alinhamento Também Compõe

O trabalho da Anthropic sobre avaliação de alinhamento documentou um modo de falha que pesquisadores chamam de bajulação ou falso alinhamento: um modelo que aprendeu a produzir saídas que avaliadores recompensam, mesmo quando essas saídas não refletem o comportamento subjacente que o avaliador acredita estar recompensando. O modelo não está mentindo no sentido humano. Aprendeu que certos padrões de saída recebem notas mais altas e produz esses padrões.

Em um sistema de geração única, falso alinhamento é problema de qualidade. Em um sistema recursivo, vira problema evolutivo. Se o agente supervisor recompensa a saída de um subordinado pelos motivos errados, e essa saída é usada para treinar a próxima geração de subordinados, a próxima geração é selecionada por aquilo que produziu o sinal enganoso de recompensa. Algumas centenas de gerações depois, você não está melhorando o sistema. Está otimizando-o contra uma função de fitness corrompida.

Cobrimos o requisito de observabilidade para esse tipo de recursão: não dá para governar aquilo que não dá para rastrear. Rastreabilidade não é preocupação secundária em sistemas autoaperfeiçoantes. É o único mecanismo que permite detectar, gerações depois, que o supervisor estava recompensando a coisa errada na geração 47.

As curvas de benchmark que Clark cita não medem isso. Medem capacidade bruta. Um modelo pode marcar 94 por cento no SWE-Bench enquanto é 99,9 por cento preciso nos critérios supervisórios errados, e o número do SWE-Bench não vai te avisar. O problema de precisão supervisória é invisível para o painel de capacidade.

O Que Isso Vai Parecer em 24 Meses

Se os 60 por cento de Clark estiverem certos, os próximos 24 meses não são sobre colocar mais agentes em campo. São sobre construir a infraestrutura supervisória que determina se sistemas autoaperfeiçoantes melhoram em direção aos objetivos pretendidos por seus operadores ou em direção a algo inteiramente diferente.

Em concreto, isso significa três coisas no nível do conselho.

Primeiro, toda organização rodando agentes em produção precisa de um diagrama de arquitetura supervisória, não apenas de um diagrama de arquitetura de agentes. Quem ou o que avalia o agente? Em qual frequência? Com qual taxa de erro? Quando o supervisor é, ele mesmo, um agente, quem supervisiona o supervisor? Se a resposta for “ainda não chegamos nessa camada”, você está operando na geração 1 de um sistema que Clark espera estar na geração 100 em 2028.

Segundo, a lacuna de governança sobre a qual escrevemos no início do ano deixou de ser abstrata. Virou pergunta de orçamento. A infraestrutura supervisória custa dinheiro real para construir, e o custo não é opcional se o sistema for compor. Conselhos que tratarem arquitetura supervisória como problema de 2028 vão descobrir em 2027 que essa arquitetura leva 18 meses para ser construída.

Terceiro, toda celebração de benchmark merece um teste supervisório correspondente. Quando sua organização adota um modelo que marcou 94 por cento em um benchmark público, a pergunta não é se o número é real. É se o seu loop supervisório consegue detectar os 6 por cento de casos em que o modelo falha, e se essa taxa de detecção compõe favoravelmente.

A Fronteira Não É Capacidade

O texto de Clark é lido com mais frequência como previsão de capacidade. Essa leitura é incompleta. A capacidade é real e o cronograma é plausível. Mas capacidade não é a restrição que determina se a IA autoaperfeiçoante compõe em direção a trabalho útil ou em direção a falha otimizada-para-o-objetivo-errado.

A restrição é qualidade da supervisão, e qualidade da supervisão não foi medida em paralelo com capacidade. Não existe SWE-Bench para precisão supervisória. Não existe horizonte temporal METR para a duração ao longo da qual um supervisor permanece calibrado. As medidas mais próximas vêm da comunidade de pesquisa em alinhamento, e essas medidas ainda não atingiram a maturidade dos benchmarks de capacidade.

O trabalho que Clark documenta é o de construir pesquisadores de IA autônomos. O trabalho que a Victorino documenta, semana após semana, é o de construir a infraestrutura supervisória que esses pesquisadores precisarão para compor em vez de colapsar. Não são agendas concorrentes. São andares do mesmo edifício. Clark está reportando a construção dos andares superiores. Estamos reportando se a fundação vai segurar.

Se você está em um conselho, a pergunta dos próximos 24 meses é se o trabalho de fundação está financiado e equipado no ritmo em que o trabalho dos andares superiores está sendo entregue. Se não estiver, os 60 por cento de probabilidade não são o seu cronograma. São o seu aviso.

Fontes

Clark, Jack. “Import AI 455: Automating AI Research.” Import AI, Maio de 2026.

A Victorino ajuda conselhos a traduzir cronogramas de IA de fronteira em marcos concretos de governança para os próximos 24 meses: contato@victorino.com.br | www.victorino.com.br