Anthropic usa IA para desenvolver seus próprios modelos quase duas vezes mais rápido

O que o estudo mediu

Uma avaliação independente da organização sem fins lucrativos Model Evaluation and Threat Research (METR) apontou que os modelos da Anthropic avançam a uma taxa 1,9 vez maior desde outubro de 2025, na comparação com o ritmo observado antes desse período. O estudo foi divulgado em 5 de novembro de 2026 e cobriu 11 semanas de observação, entre agosto e outubro deste ano.

A METR teve acesso a dados internos da empresa, entrevistou funcionários e analisou o desempenho de modelos ainda não divulgados publicamente. Segundo a organização, cerca de 80% da aceleração atual está relacionada ao uso de sistemas de IA nas próprias atividades de pesquisa e desenvolvimento da Anthropic, não ao aumento de poder computacional disponível para treinar os modelos.

A métrica usada foi o avanço de capacidades em tarefas bem definidas, aquelas que podem ser verificadas por testes automatizados ou por outros modelos de linguagem. Isso importa para quem interpreta o número: o 1,9x não descreve inteligência geral subindo, descreve o ritmo em que a Anthropic resolve problemas específicos e mensuráveis de engenharia de modelos.

Como a IA entra no fluxo de trabalho da Anthropic

O levantamento identificou usos concretos de IA no dia a dia de pesquisa da empresa:

• Escrever código para experimentos e pipelines de treinamento;
• Conduzir e analisar experimentos de forma mais rápida;
• Executar tarefas de suporte que antes consumiam tempo de pesquisadores humanos, liberando espaço para etapas mais estratégicas.

Funcionários relataram ganhos de produtividade em pesquisas internas informais, com estimativas que chegaram a 12 vezes em outubro de 2026. A própria METR classifica esses números como pouco confiáveis, por serem percepções subjetivas que tendem a superestimar o impacto real. O dado que a organização defende com mais confiança é o 1,9x calculado por métricas automatizadas, não a percepção de quem usa a ferramenta.

O estudo faz uma distinção que separa hype de fato: a maior parte do ganho vem de IA assistindo pesquisadores humanos, não de IA conduzindo o processo de desenvolvimento de forma autônoma. A METR afirma não ter encontrado evidências de que os sistemas atuais já façam contribuições altamente significativas e totalmente independentes nas etapas mais importantes do treinamento.

O que é o autoaperfeiçoamento recursivo

O resultado reacende a discussão sobre autoaperfeiçoamento recursivo, conhecido pela sigla em inglês RSI (recursive self-improvement). A ideia é simples de enunciar: se um modelo ajuda a construir o próximo, e esse próximo modelo é mais capaz e ajuda a construir o seguinte, o processo pode se acelerar de forma cumulativa, sem depender só de mais dados ou mais chips.

A METR não encontrou esse cenário plenamente autônomo hoje, mas também não identificou gargalos claros de poder computacional, dados ou capacidade de experimentação que impeçam novos avanços nos próximos 12 meses. É uma leitura relevante para quem acompanha a corrida entre laboratórios: o teto de curto prazo parece mais distante do que modelo de negócio ou disponibilidade de GPU sugeririam.

Os limites do próprio estudo

A METR reconhece que o relatório tem lacunas importantes:

Essa tabela resume por que vale ler o número com cautela antes de usá-lo como argumento de marketing ou de pânico regulatório. O próprio texto da METR trata a incerteza como parte do resultado, não como rodapé.

Por que isso importa para quem escolhe ferramenta de IA para codar

Quem decide entre Claude, GPT ou outro modelo para construir agentes, copilotos de código ou produtos internos geralmente olha para benchmark público e custo por token. O estudo da METR acrescenta uma variável que não aparece em tabela de preço: a velocidade com que o fornecedor melhora a própria linha de produção de modelos.

Se a Anthropic está, de fato, usando IA para escrever código de treinamento, rodar experimentos e acelerar ciclos internos de pesquisa, isso sugere que o intervalo entre versões do Claude pode encurtar, com ganhos de capacidade chegando mais rápido ao mercado do que o histórico recente indicava. Para quem mantém integração via API, isso é argumento a favor de arquitetar o código de forma a trocar de versão de modelo sem reescrever a aplicação inteira, por exemplo isolando chamadas de modelo atrás de uma camada própria em vez de espalhar prompts e parâmetros pelo código.

A METR é uma organização independente dedicada a avaliar riscos de sistemas de IA de ponta, incluindo testes de capacidades autônomas. Para quem acompanha o tema, seus relatórios periódicos são uma forma de monitorar mudanças de capacidade dos modelos antes mesmo do lançamento oficial de uma nova versão.

O que ainda não está resolvido

O resultado aparece em um momento em que o executivo-chefe da Anthropic, Dario Amodei, tem defendido publicamente que o setor desacelere o avanço de capacidades para dar tempo às medidas de segurança. O próprio estudo reforça esse ponto ao afirmar que, se sistemas de IA passarem a contribuir de forma cada vez mais significativa para o desenvolvimento de seus sucessores, o trabalho de monitoramento e controle também fica mais difícil.

Para quem constrói sobre esses modelos, a lição prática não é alarmismo, é instrumentação: acompanhar cada nova versão com os próprios testes de regressão e avaliação, em vez de assumir que ganho de benchmark do fornecedor se traduz automaticamente em ganho equivalente na tarefa específica do seu produto.

Fonte: Olhar Digital — IA