AI 2027: e se a inteligência artificial avançar muito mais depressa do que esperamos? Parte I
A hipótese que torna o AI 2027 diferente não é simplesmente a substituição de trabalhadores por máquinas. É a possibilidade de os sistemas de IA começarem a participar na própria investigação que cria a próxima geração de IA. Se esse ciclo fechar, a velocidade de desenvolvimento poderá aumentar. Mas fechar esse ciclo é muito mais difícil do que escrever código.
Há uma diferença fundamental entre uma inteligência artificial que faz trabalho e uma inteligência artificial que ajuda a melhorar a tecnologia que produz inteligência artificial.
A primeira pode aumentar a produtividade.
A segunda pode, em determinadas condições, aumentar a própria velocidade de evolução tecnológica.
É esta segunda hipótese que está no centro do AI 2027.
O mecanismo pode ser resumido assim:
IA → ajuda investigadores → melhora modelos e algoritmos → IA mais capaz → investigação mais rápida → novos modelos → IA ainda mais capaz.
É aquilo a que se chama recursive self-improvement — RSI, ou melhoria recursiva da própria inteligência artificial.
Mas há uma distinção essencial: isto não significa que as IA atuais estejam já a reescrever autonomamente o seu próprio cérebro e a transformar-se numa superinteligência.
O fenómeno que já podemos observar é mais limitado.
E é precisamente entre o que já existe e o que o AI 2027 imagina que está a verdadeira questão.
O que significa “melhorar a própria IA”?
A expressão pode induzir em erro.
Quando falamos de melhoria recursiva, não estamos necessariamente a imaginar uma máquina que abre o seu próprio código-fonte, altera-se e reinicia-se como uma nova versão.
Existem vários níveis de automação.
Nível 1 - IA melhora o trabalho humano
Um investigador utiliza IA para:
- escrever código;
- procurar informação;
- analisar resultados;
- gerar hipóteses;
- documentar experiências;
- encontrar erros.
Aqui, o humano continua a dirigir o processo.
Nível 2 - IA executa partes da investigação
O sistema passa a poder:
formular uma tarefa → escrever código → executar → analisar resultados → corrigir → repetir.
Já não estamos perante um simples chatbot.
Estamos perante um agente.
Nível 3 - IA melhora componentes da própria IA
O sistema pode ajudar a:
- otimizar algoritmos;
- gerar dados;
- criar avaliações;
- testar arquiteturas;
- melhorar prompts ou scaffolds;
- desenvolver ferramentas;
- encontrar configurações mais eficientes.
Aqui começa a aparecer um ciclo.
Nível 4 - IA conduz investigação de IA
O sistema consegue participar em praticamente todas as etapas relevantes da investigação.
É este nível que começa a aproximar-se da hipótese central do AI 2027.
Nível 5 - investigação de IA fortemente automatizada
A maior parte do trabalho necessário para produzir a próxima geração de sistemas passa a poder ser executada por sistemas de IA.
É aqui que surge a possibilidade de uma aceleração muito rápida.
Não é simplesmente “IA substituir humanos”
Esta é a distinção mais importante desta série.
A narrativa habitual sobre IA é:
humanos → utilizam IA → alguns trabalhos são automatizados.
O AI 2027 coloca uma seta adicional:
humanos → IA → investigação de IA → IA melhor → investigação ainda mais rápida.
A consequência potencial é diferente.
Se uma IA substituir um programador, temos automação do trabalho.
Se uma IA aumentar a capacidade de todos os investigadores que estão a construir a próxima geração de IA, temos automação da própria produção de capacidade tecnológica.
A diferença pode ser enorme.
Por que razão a programação é a primeira peça?
Porque a programação é particularmente adequada à automação.
O código pode ser:
- escrito;
- executado;
- testado;
- comparado;
- corrigido;
- avaliado.
Existe, muitas vezes, um mecanismo objetivo de verificação:
o programa funciona ou não funciona.
Isto torna a programação um campo especialmente favorável para agentes de IA.
O AI 2027 começa precisamente por aí.
O seu conceito de superhuman coder não significa simplesmente “uma IA que programa bem”.
É um sistema capaz de realizar as tarefas de programação associadas à investigação de IA ao nível dos melhores engenheiros humanos, mas mais rapidamente, mais barato e em quantidade suficiente para poderem existir muitas cópias.
Essa última parte é crucial.
Não é apenas inteligência.
É:
inteligência × velocidade × número de cópias.
O verdadeiro multiplicador pode ser o número de investigadores
Imagine-se um laboratório com 100 investigadores.
Cada investigador trabalha oito horas por dia.
Agora imagine que uma IA consegue realizar o mesmo tipo de trabalho 10 vezes mais depressa e pode ser replicada 1.000 vezes.
Não significa automaticamente que temos 1.000 investigadores humanos equivalentes.
Existem custos, limitações de computação, comunicação, coordenação, avaliação e qualidade.
Mas o princípio económico muda:
a capacidade de investigação deixa de estar limitada apenas pelo número de pessoas disponíveis.
É esta possibilidade que torna a automação da investigação muito mais importante do que a simples automação de tarefas administrativas.
O ciclo de feedback
Agora podemos visualizar o mecanismo.
ETAPA 1
A IA ajuda a programar.
↓
ETAPA 2
Os investigadores conseguem testar mais ideias.
↓
ETAPA 3
Algumas dessas ideias melhoram os sistemas de IA.
↓
ETAPA 4
Os novos sistemas tornam-se melhores programadores e investigadores.
↓
ETAPA 5
A investigação passa a ser realizada mais rapidamente.
↓
ETAPA 6
Mais investigação produz sistemas ainda melhores.
↓
ETAPA 7
O ciclo repete-se.
É a retroalimentação que importa.
Uma melhoria de 10% num modelo não é necessariamente extraordinária.
Mas se essa melhoria aumentar a capacidade de investigação que produz a próxima melhoria, o efeito pode acumular-se.
É aqui que aparece a “explosão de inteligência”
O termo é forte.
E precisa de ser tratado com cuidado.
Uma intelligence explosion seria uma fase em que a capacidade dos sistemas de IA aumenta muito rapidamente porque os próprios sistemas passaram a contribuir de forma significativa para a investigação que os melhora.
No modelo de takeoff do AI 2027, os autores imaginaram uma progressão que vai de:
superhuman coder
para
superhuman AI researcher
depois
superintelligent AI researcher
e finalmente
artificial superintelligence - ASI.
No cenário original, o primeiro marco ocorreria em março de 2027.
A previsão condicional dos autores colocava depois o sistema capaz de desempenhar o trabalho de um investigador de IA de topo em julho de 2027, seguindo-se uma progressão muito mais rápida.
Mas é importante repetir:
estas datas pertencem ao cenário e ao modelo de previsão, não a acontecimentos confirmados.
A matemática do cenário é ainda mais interessante
O AI 2027 tentou não ficar apenas pela narrativa.
Os autores atribuíram multiplicadores à velocidade de investigação.
No cenário apresentado, um superhuman coder poderia multiplicar a velocidade de investigação em IA por cerca de 5 vezes.
Um superhuman AI researcher teria um multiplicador estimado em cerca de 25 vezes.
Estes números são parâmetros de modelização e não medições empíricas de sistemas já existentes. Os próprios autores reconhecem a elevada incerteza destas estimativas.
A lógica é, contudo, importante:
melhor investigador → investigação mais rápida → investigador ainda melhor.
É o ciclo, e não um número isolado, que interessa.
Mas há um problema: investigação não é apenas programação
Aqui começa uma das maiores fragilidades da hipótese.
Programar é uma parte da investigação em IA.
Não é a investigação inteira.
Um investigador precisa de:
- identificar problemas importantes;
- formular hipóteses;
- desenhar experiências;
- escolher métricas;
- interpretar resultados;
- distinguir correlação de causalidade;
- perceber quando uma experiência não responde à pergunta;
- decidir que caminho merece investimento.
E há algo ainda mais difícil:
saber que pergunta fazer.
Uma IA pode executar muito bem uma experiência mal desenhada.
Pode escrever milhares de linhas de código para testar uma hipótese pouco relevante.
Pode otimizar uma métrica que não corresponde ao objetivo real.
Por isso, a passagem de “IA que programa” para “IA que faz investigação” é muito maior do que parece.
O problema do avaliador
Existe ainda outro obstáculo.
Para uma IA melhorar alguma coisa, precisamos de saber se a melhoria é realmente uma melhoria.
Isto parece trivial. Não é.
Imagine um sistema que produz uma nova arquitetura de modelo.
Como sabemos que é melhor?
Precisamos de:
teste → métrica → comparação → validação.
Se a própria IA também produzir o teste e interpretar o resultado, aparece um problema:
quem avalia o avaliador?
Este é um dos pontos fundamentais da investigação contemporânea sobre melhoria recursiva.
Uma revisão de 2026 sobre RSI distingue entre formas já praticadas de self-refinement e a hipótese muito mais ambiciosa de open-ended recursive self-improvement. O trabalho sublinha que os sistemas atuais continuam limitados pela necessidade de sinais de avaliação, verificação, grounding, capacidade computacional e supervisão em partes críticas do processo.
Ou seja:
um sistema que se autoavalia não é automaticamente um sistema que consegue avaliar corretamente a própria evolução.
O que já existe hoje?
É aqui que devemos separar cuidadosamente realidade e hipótese.
Em 2026, já existem agentes capazes de executar sequências relativamente longas de tarefas de programação.
A METR mede esta capacidade através do conceito de task-completion time horizon: a duração de uma tarefa, medida pelo tempo que um especialista humano demoraria, para a qual um agente consegue atingir determinada probabilidade de sucesso. A versão atual da métrica utiliza mais de uma centena de tarefas de software.
A evolução desta capacidade tem sido significativa.
A METR afirma ter observado um crescimento aproximadamente exponencial dos time horizons ao longo dos últimos anos.
Isto é relevante para o AI 2027 porque mostra que os agentes estão a passar de:
tarefas curtas
para
sequências de trabalho cada vez mais longas.
Mas isso ainda não equivale a uma inteligência artificial que conduz autonomamente a investigação de fronteira.
A IA já está a entrar no trabalho científico
Também já existem sinais de uma segunda transição.
Uma pesquisa da Anthropic realizada em fevereiro e março de 2026 junto de 1.260 cientistas sociais concluiu que 81% tinham experimentado chatbots de IA no trabalho de investigação, sobretudo para escrever código e editar texto.
Mas apenas 20% tinham adotado coding agents — sistemas capazes de escrever e executar autonomamente código de análise.
Este dado é particularmente interessante.
Mostra que existe uma diferença entre:
usar IA
e
delegar trabalho a agentes de IA.
E essa diferença será fundamental para acompanhar o cenário AI 2027.
A verdadeira pergunta não é “a IA programa?”
A pergunta é:
Quanto da cadeia de investigação consegue executar sem intervenção humana?
Podemos imaginar uma escala:
| Capacidade | Situação |
|---|---|
| Escrever código | Já existe |
| Corrigir código | Já existe |
| Executar experiências | Já existe |
| Analisar resultados | Já existe |
| Sugerir hipóteses | Já existe, com limitações |
| Conceber experiências complexas | Em desenvolvimento |
| Conduzir ciclos completos de investigação | Limitado |
| Produzir investigação de fronteira autonomamente | Não demonstrado de forma geral |
| Melhorar autonomamente a capacidade de investigação | Hipótese forte |
| RSI aberto e contínuo | Não demonstrado |
Esta distinção é essencial para não transformar pequenos ciclos de automação em prova de uma “explosão de inteligência”.
O AI 2027 reconhece esta dificuldade
O próprio modelo não assume simplesmente que:
programador sobre-humano = superinteligência imediata.
Os autores tentaram modelar diferentes etapas.
No cenário de takeoff, estimam primeiro o tempo que seria necessário para avançar apenas com investigação humana.
Depois perguntam:
quanto é que um sistema sobre-humano poderia acelerar esse processo?
E finalmente combinam os dois elementos.
Esta é uma característica importante do modelo.
A aceleração não aparece por magia.
É introduzida através de hipóteses sobre:
- velocidade;
- número de cópias;
- eficiência;
- capacidade de investigação;
- progresso algorítmico;
- computação disponível.
E aqui aparece uma limitação fundamental: compute
Mesmo que uma IA consiga fazer investigação 100 vezes mais depressa, isso não significa necessariamente que possamos executar 100 vezes mais experiências.
Porque precisamos de:
GPU → memória → energia → centros de dados → redes → capital.
A inteligência pode ser digital.
A infraestrutura não é.
É uma das razões pelas quais o próprio AI Futures Project reviu os seus modelos.
Na avaliação publicada em 2026, os autores afirmaram que o progresso quantitativo observado estava inicialmente em cerca de 65% do ritmo previsto pelo AI 2027, tendo uma atualização preliminar de julho apontado para aproximadamente 75%. Também identificaram o crescimento de compute como uma das variáveis fundamentais a acompanhar.
Há outra limitação: produtividade não é automaticamente investigação
Este ponto merece atenção empresarial.
Se uma ferramenta faz um programador duas vezes mais produtivo, isso não significa necessariamente que o laboratório de IA passe a desenvolver modelos duas vezes mais depressa.
Pode haver:
- gargalos de computação;
- gargalos de dados;
- gargalos de avaliação;
- gargalos de comunicação;
- gargalos de decisão;
- gargalos de hardware.
O próprio AI Futures Project chama atenção para este problema ao discutir o AI R&D uplift: um aumento na produtividade de programação não se traduz diretamente num aumento equivalente na produtividade global da investigação em IA.
Esta diferença é central.
Então estamos perante RSI?
(Recursive Self-Improvement)
A resposta mais rigorosa, neste momento, é:
já existem componentes do ciclo, mas não temos demonstração pública de uma RSI aberta e autónoma no sentido forte do AI 2027.
Temos sistemas que:
- geram código;
- corrigem código;
- executam código;
- usam ferramentas;
- realizam tarefas longas;
- ajudam investigadores;
- participam em experiências;
- produzem melhorias localizadas.
Mas isso é diferente de um sistema que:
identifica autonomamente como melhorar a própria capacidade de investigação → desenvolve a melhoria → testa-a de forma robusta → implementa-a → torna-se significativamente melhor investigador → repete o processo.
Esse ciclo completo ainda é uma hipótese muito mais exigente.
É precisamente por isso que a automação da programação importa
Voltemos ao AI 2027.
O cenário não afirma simplesmente:
“A IA vai escrever código.”
Assume que a programação é uma das primeiras portas para a automatização da própria investigação.
Se uma IA consegue executar o trabalho de um engenheiro de IA:
pode ajudar a construir sistemas melhores.
Se consegue executar o trabalho de um investigador:
pode ajudar a descobrir métodos melhores.
Se consegue fazer isso em grande escala:
a velocidade agregada da investigação pode aumentar.
E se cada geração melhora a seguinte:
o ciclo pode acelerar.
É esta cadeia que transforma programação numa questão muito maior.
O que teria de acontecer para o cenário ganhar força?
🟢 Sinal 1 — Agentes trabalham durante mais tempo
Os time horizons continuam a crescer.
🟢 Sinal 2 — Menos supervisão humana
Os agentes completam tarefas complexas sem intervenção constante.
🟠 Sinal 3 — IA melhora ferramentas de IA
Os sistemas começam a produzir melhorias mensuráveis em benchmarks ou pipelines de desenvolvimento.
🟠 Sinal 4 — IA participa na investigação de fronteira
Não apenas programação, mas desenho e interpretação de experiências.
🔴 Sinal 5 — IA acelera significativamente a própria investigação
Aqui entramos no território realmente relevante para o AI 2027.
🔴 Sinal 6 — ciclos fechados de melhoria
A IA produz uma melhoria, incorpora-a, torna-se melhor e usa a nova capacidade para produzir outra melhoria.
É este último ponto que devemos observar com particular atenção.
19. E se o ciclo nunca fechar?
Também é um cenário perfeitamente possível.
A IA pode tornar-se extraordinariamente boa em programação sem conseguir ultrapassar determinados limites de investigação.
Pode aumentar a produtividade dos investigadores em 2x, 5x ou 10x sem produzir uma explosão de inteligência.
Pode haver retornos decrescentes.
Pode faltar computação.
Pode faltar energia.
Pode faltar informação.
Pode faltar uma forma adequada de verificar novas descobertas.
Pode simplesmente acontecer que a inteligência necessária para melhorar a IA seja muito superior à inteligência necessária para utilizá-la.
Nesse caso:
IA muito poderosa ≠ explosão de inteligência.
É aqui que o AI 2027 se torna uma hipótese testável
O mérito do cenário não está em termos de certeza sobre o futuro.
Está em ter colocado uma cadeia de acontecimentos que pode ser acompanhada.
Em 2026, o próprio AI Futures Project está a fazer precisamente isso.
A organização acompanha:
- produtividade de investigação;
- coding uplift;
- receitas das empresas de IA;
- time horizons;
- compute;
- benchmarks;
- velocidade de desenvolvimento.
E reconhece que será difícil, mesmo no final de 2026, ter elevada confiança sobre se um takeoff começará ou não em 2027.
Esta frase é importante.
Ainda não sabemos.
E uma análise séria deve conseguir dizer isso.
O que isto significa para as empresas?
Aqui a discussão deixa de ser futurista.
Mesmo que nunca aconteça uma explosão de inteligência, a primeira parte do processo já está a transformar a economia.
A empresa começa a ter uma nova unidade produtiva:
o agente de IA.
Um trabalhador pode deixar de utilizar apenas software.
Pode passar a delegar tarefas a agentes.
Um engenheiro pode ter agentes a:
- gerar código;
- testar alternativas;
- documentar;
- simular;
- procurar erros.
Um departamento financeiro pode delegar:
- recolha;
- classificação;
- análise;
- comparação.
Uma equipa comercial pode delegar:
- pesquisa;
- preparação;
- personalização;
- análise de clientes.
O impacto empresarial pode chegar muito antes de qualquer ASI.
A verdadeira vantagem pode estar na velocidade de aprendizagem
Esta é talvez a conclusão económica mais importante.
Se duas empresas têm acesso aos mesmos modelos de IA, mas uma consegue organizar melhor:
dados → agentes → experimentação → avaliação → aprendizagem → decisão
essa empresa pode melhorar mais rapidamente.
A vantagem deixa de ser apenas:
“quem tem a melhor IA?”
Passa a ser:
“quem consegue aprender mais depressa com a IA?”
É uma diferença fundamental.
Portugal não precisa de esperar pela superinteligência
Para uma economia como a portuguesa, a questão mais imediata não é saber se a ASI chega em 2027.
É acompanhar a primeira camada da transformação:
- quanto trabalho intelectual pode ser automatizado?
- quanto custa?
- que competências passam a ser complementares?
- que funções deixam de precisar de execução humana constante?
- que empresas conseguem integrar agentes nos processos?
- que setores ganham produtividade?
E, sobretudo:
quem está a construir capacidade própria para utilizar esta tecnologia?
A pergunta que o AI 2027 realmente nos deixa
No início desta série perguntámos:
E se a IA avançar muito mais depressa do que esperamos?
Agora podemos reformular.
A questão não é apenas:
“Quando teremos uma IA mais inteligente?”
É:
“Quando é que a IA se torna suficientemente boa a fazer investigação para começar a acelerar a investigação que a torna ainda melhor?”
Essa é a fronteira.
E ainda não sabemos onde ela está.
Mas podemos começar a medi-la.
O que sabemos - e o que ainda não sabemos
SABEMOS
✔️ Os agentes de IA conseguem executar tarefas de programação cada vez mais longas.
✔️ A IA já participa em trabalho de investigação e programação científica.
✔️ Existem ciclos de automação e melhoria parcial.
✔️ A investigação sobre automação da própria investigação em IA está a crescer.
✔️ A capacidade dos agentes pode ser medida através de time horizons.
AINDA NÃO SABEMOS
❓ Se a IA consegue conduzir autonomamente investigação de fronteira durante períodos prolongados.
❓ Se consegue identificar as melhores perguntas sem orientação humana.
❓ Se consegue avaliar corretamente as suas próprias descobertas.
❓ Se consegue melhorar de forma aberta e cumulativa.
❓ Se essa melhoria seria suficientemente rápida para provocar uma intelligence explosion.
❓ Se os limites de computação, energia e infraestrutura travariam o processo.
A próxima fronteira não é a IA que trabalha. É a IA que aprende a trabalhar melhor.
O debate sobre inteligência artificial costuma concentrar-se no emprego.
Depois desta terceira análise, percebemos que existe uma questão mais profunda.
Quem trabalha com IA pode tornar-se mais produtivo.
Mas, se a IA começar a contribuir para melhorar a própria investigação que produz a próxima geração de IA, podemos entrar numa dinâmica diferente.
A questão deixa de ser apenas:
“Quantos empregos pode a IA substituir?”
E passa a ser:
“Quão rapidamente pode a capacidade tecnológica da humanidade aumentar quando a própria IA começa a participar na sua produção?”
É esta hipótese que torna o AI 2027 tão relevante.
Não porque esteja demonstrado.
Mas porque já existem algumas das peças do mecanismo.
O que ainda não sabemos é se essas peças conseguem formar um ciclo suficientemente poderoso para se autoacelerar.
E é precisamente aí que começa a fronteira entre automação, AGI e uma eventual explosão de inteligência.
Na próxima análise — Parte IV
Quando a inteligência passa a ser poder: quem controla a IA controla a economia?
Se a IA conseguir acelerar a própria investigação, a questão seguinte deixa de ser exclusivamente tecnológica.
Quem terá acesso a essa capacidade?
Empresas?
Estados?
EUA?
China?
Europa?
E que papel terão chips, energia, centros de dados, capital, talento e cadeias de abastecimento?
A próxima análise vai cruzar AI 2027 + geoeconomia + empresas + poder tecnológico, aproximando o cenário do mundo real.