4 minutos de leitura
Fique por dentro de conteúdos, insights e oportunidades do universo tech. Receba novidades e lançamentos direto no seu e-mail.
O Anthropic Institute, braço de pesquisa da Anthropic, publicou em 4 de junho de 2026 o relatório When AI builds itself. Nele, a organização apresenta dados internos sobre o ritmo em que a IA já acelera o próprio desenvolvimento da IA.
O documento apresenta evidências de que a Anthropic está próxima do que pesquisadores chamam de recursive self-improvement (melhoria recursiva). Nesse ciclo, um modelo de IA contribui para treinar seu próprio sucessor com pouca supervisão humana.
Com base nisso, a empresa defende que o mundo precisa ter a opção de desacelerar ou pausar o desenvolvimento de fronteira. Isso, porém, exigiria coordenação verificável entre os principais laboratórios do setor.
Em maio de 2026, mais de 80% do código integrado à base de produção da Anthropic foi escrito pelo Claude, segundo o relatório do Anthropic Institute. Antes do lançamento do Claude Code, em fevereiro de 2025, esse número estava na casa de um dígito.
O crescimento de produtividade veio em dois saltos distintos:
O relatório foi assinado por Marina Favaro e Jack Clark, cofundador e chefe de política da Anthropic.
A empresa afirma que estaria disposta a desacelerar ou pausar temporariamente se outros laboratórios de fronteira fizessem o mesmo de forma verificável. A condição é que múltiplos laboratórios bem financiados, em múltiplos países, concordem em parar sob as mesmas condições.
A Anthropic reconhece que seria necessário algo parecido com os tratados de controle de armamentos da Guerra Fria. Na prática, porém, a empresa admite que ocultar um treinamento de IA é muito mais fácil do que esconder silos de mísseis.
Rob Enderle, analista do Enderle Group, disse ao SiliconANGLE que a declaração serve mais para marcar posição no mercado do que para frear o desenvolvimento de fato.
O relatório descreve três cenários para os próximos anos. A Anthropic considera o intermediário o mais urgente: IA que automatiza grandes partes do ciclo de pesquisa e desenvolvimento, mas ainda com humanos no circuito em decisões-chave.
Para devs e engenheiras, o sinal mais concreto é a própria curva de automação. Na prática, se a autoria de código e a execução de experimentos continuam migrando para modelos, revisão humana e discernimento de pesquisa passam a ser os gargalos reais do processo.
Há ainda dois pontos práticos que o relatório coloca em evidência:
Em nosso canal do Youtube, Fabrício Carraro fala sobre esse caso com mais detalhes:
Se você quer ir além do uso e compreender os fundamentos de redes neurais e o avanço acelerado da IA, a Alura tem trilhas completas para esse caminho. Na prática, elas vão das bases de IA e Machine Learning até temas como alinhamento e segurança de IA, passando pela engenharia de agentes.
Avalie essa notícia
