Nota de transparência: este artigo discute, entre outros, produtos da Anthropic (o Claude) e da OpenAI (o ChatGPT). O IAtivei não tem vínculo comercial com essas empresas, e as informações abaixo se baseiam em fontes públicas verificáveis, listadas ao final.

Introdução: o instante antes da resposta

Há um instante curioso que quase ninguém percebe.

Quando você faz uma pergunta difícil a um sistema de inteligência artificial moderno — não “qual a capital da França”, mas algo como “desenhe uma estratégia de descarbonização para uma transportadora de médio porte” —, há uma pausa. Breve, às vezes de poucos segundos, às vezes mais longa. Em algumas interfaces, aparece um aviso discreto: “pensando”.

Essa pausa não é um detalhe estético. Ela é, possivelmente, a mudança técnica mais importante da inteligência artificial dos últimos anos. Porque naquele intervalo, o sistema não está apenas buscando uma resposta pronta. Ele está fazendo algo que, até pouco tempo atrás, as máquinas não faziam: está hesitando. Está rascunhando um raciocínio, testando caminhos, descartando hipóteses, voltando atrás.

A máquina aprendeu a pensar antes de falar.

Este artigo é sobre como chegamos a esse ponto. Sobre como, em pouco mais de três anos, saímos de programas que completavam frases para sistemas que resolvem problemas de matemática olímpica, escrevem e depuram programas de centenas de milhares de linhas e, em junho de 2026, já operam sob nomes como GPT-5.5 e Claude Opus 4.8 — modelos que existem, hoje, comercialmente, e não em um futuro especulativo.

É também sobre uma palavra que precisa ser usada com cuidado: superinteligência. Ela aparece em muitas manchetes. Veremos o que há de verdadeiro nela — e o que há de exagero. Porque entender o que essas máquinas realmente fazem, sem deslumbramento e sem pânico, é a única forma de participar com lucidez do que vem a seguir.

Comecemos pelo começo: como uma máquina aprende qualquer coisa.

Parte I — O aprendiz: como uma máquina aprende a falar

A previsão como ponto de partida

No coração de todo modelo de linguagem há uma tarefa de uma simplicidade quase decepcionante: prever a próxima palavra.

Mais precisamente, prever o próximo token — um pedaço de palavra. Dada a sequência “O céu está…”, o modelo calcula a probabilidade de cada continuação possível: “azul” (provável), “nublado” (provável), “tributário” (improvável). Ele escolhe, gera o token, e repete o processo, agora com a frase um pouco mais longa. Palavra após palavra, constrói-se um texto.

Essa arquitetura — chamada transformer, descrita em 2017 por pesquisadores do Google em um artigo hoje lendário, Attention Is All You Need — é a fundação de tudo o que veio depois. Seu mecanismo central, a atenção, permite que o modelo pese, a cada palavra gerada, quais partes do texto anterior são mais relevantes. É o que dá ao sistema a capacidade de manter coerência ao longo de parágrafos inteiros.

Mas há um abismo entre “prever a próxima palavra” e “redigir um parecer jurídico coerente”. Como se atravessa esse abismo? A resposta tem três etapas, e compreendê-las é compreender o que essas máquinas de fato são. (Se quiser uma visão complementar, veja também como funcionam os modelos de IA generativa.)

Etapa 1 — O pré-treino: ler quase tudo

A primeira fase chama-se pré-treinamento. O modelo é exposto a um volume colossal de texto — livros, artigos, código de programação, páginas da web, conversas — e tem uma única tarefa: prever a próxima palavra, bilhões e bilhões de vezes, ajustando seus parâmetros internos a cada erro.

Um parâmetro é, grosseiramente, um número que regula a força de uma conexão dentro da rede neural. Modelos de fronteira têm centenas de bilhões deles. Durante o pré-treino, esses números são lentamente afinados até que o modelo se torne extraordinariamente bom em antecipar como o texto humano se comporta.

O que emerge desse processo é surpreendente. Ao aprender a prever a linguagem, o modelo acaba absorvendo, de forma implícita, uma quantidade imensa de conhecimento sobre o mundo — porque prever bem o texto exige, na prática, capturar os padrões da gramática, da lógica, da geografia, da história e do raciocínio que estão embutidos nesse texto. Ninguém ensina explicitamente ao modelo que Paris é a capital da França. Ele infere isso a partir de milhões de frases em que as duas palavras aparecem juntas.

Aqui nasce o primeiro mal-entendido popular. Críticos apelidaram esses sistemas de “papagaios estocásticos” — máquinas que repetem padrões sem compreendê-los. A metáfora tem um fundo de verdade sobre o mecanismo, mas subestima o resultado. Um papagaio não escreve um soneto inédito sobre um tema que você acabou de inventar. Algo mais sofisticado está acontecendo, ainda que esteja longe da compreensão humana.

Ao fim do pré-treino, porém, o modelo é um erudito desorientado. Ele sabe muito, mas não sabe se comportar. Pergunte algo, e ele pode responder com uma pergunta parecida, porque na internet perguntas frequentemente vêm seguidas de outras perguntas. Falta-lhe a noção de que deve ser útil, honesto e seguro. É a segunda etapa que ensina isso.

Etapa 2 — O ajuste: aprender a ser útil

A segunda fase é o ajuste fino supervisionado. Aqui, humanos escrevem milhares de exemplos de boas respostas a boas perguntas, e o modelo é treinado para imitá-las. É como dar ao erudito um manual de boas maneiras conversacionais.

Mas o salto qualitativo veio de uma técnica mais engenhosa, formalizada pela OpenAI em 2022 no trabalho que originou o InstructGPT: o aprendizado por reforço a partir de feedback humano, conhecido pela sigla RLHF.

O funcionamento é elegante. Primeiro, mostram-se a avaliadores humanos várias respostas do modelo para a mesma pergunta, e eles ordenam quais são melhores. Com essas preferências, treina-se um segundo modelo — um “modelo de recompensa” — que aprende a prever o que os humanos consideram uma boa resposta. Em seguida, o modelo de linguagem é refinado para maximizar essa recompensa: ele tenta, recebe uma nota do modelo de recompensa, ajusta-se, tenta de novo. Aprende, em essência, por tentativa e erro orientado.

Foi o RLHF que transformou modelos brutos em assistentes conversacionais agradáveis e seguros. Foi ele, mais do que qualquer aumento de tamanho, que tornou o ChatGPT possível como produto em 2022.

A Anthropic — a empresa que desenvolve o Claude — propôs uma variação influente chamada IA Constitucional. Em vez de depender apenas de humanos para julgar cada resposta, o modelo recebe um conjunto de princípios escritos (uma “constituição”) e aprende a criticar e revisar as próprias respostas à luz desses princípios. É uma forma de embutir valores de maneira mais escalável e transparente. O leitor encontra aqui um detalhe que vale registrar: a empresa que escreveu este sistema também escreve sobre os princípios que o governam — e o IAtivei achou honesto deixar isso explícito.

Por que isso importa

Pare um momento sobre o que descrevemos. Um modelo de linguagem moderno não é programado no sentido tradicional. Ninguém escreveu regras dizendo “se perguntarem X, responda Y”. Ele é cultivado: exposto a dados, moldado por feedback, afinado por princípios. O resultado é um sistema cujo comportamento emerge do treinamento, e que nem mesmo seus criadores conseguem prever ou explicar completamente.

Essa é uma diferença filosófica profunda em relação a todo software anterior. E é o que torna a próxima parte da história tão notável — porque foi descobrindo como treinar melhor, e não apenas como treinar mais, que a indústria deu seu maior salto recente.

Parte II — O salto: quando a máquina aprendeu a pensar devagar

Dois jeitos de ficar mais inteligente

Por quase uma década, a receita para melhorar a IA foi essencialmente uma só: escalar. Mais dados, mais parâmetros, mais poder de computação no treinamento. Esse princípio foi formalizado em 2020 nas chamadas leis de escala, que mostravam que o desempenho dos modelos melhorava de forma previsível à medida que se aumentavam esses três ingredientes.

Funcionou espetacularmente — por um tempo. Mas a abordagem tinha um limite incômodo: ela investe todo o esforço antes de o modelo ser usado. Uma vez treinado, o modelo respondia a qualquer pergunta — trivial ou hercúlea — gastando aproximadamente o mesmo esforço, em uma única passada. Era como exigir que um matemático respondesse a toda questão no primeiro segundo, sem direito a rascunho.

Em setembro de 2024, a OpenAI tornou pública uma segunda forma de escalar a inteligência, e ela mudou a trajetória do campo. O modelo, batizado de o1, foi o primeiro de uma nova categoria: os modelos de raciocínio.

O segredo: pensar mais tempo

A ideia central é quase humana em sua simplicidade. Diante de um problema difícil, o o1 não responde de imediato. Ele gera, internamente, uma longa cadeia de pensamento — uma sequência de passos de raciocínio em que testa abordagens, identifica erros, decompõe o problema em partes menores e tenta caminhos alternativos quando o atual não funciona. Só então formula a resposta final.

O detalhe técnico decisivo é como o modelo aprendeu a fazer isso. Não foi por imitação de raciocínios humanos, mas por aprendizado por reforço em larga escala: o modelo foi recompensado por chegar a respostas corretas em problemas verificáveis — sobretudo matemática e programação, onde se pode checar objetivamente se a solução está certa. Ao longo de milhões de tentativas, ele descobriu sozinho estratégias eficazes de raciocínio. Aprendeu, nas palavras da própria OpenAI, a reconhecer e corrigir os próprios erros, a quebrar passos difíceis em passos simples e a mudar de abordagem quando emperra.

Isso abriu o que os pesquisadores chamam de um novo eixo de escala: a computação em tempo de inferência (ou test-time compute). A descoberta, confirmada em estudos acadêmicos de 2024, foi contraintuitiva e poderosa — em muitos problemas, dar a um modelo mais tempo para pensar no momento da resposta pode superar o desempenho de um modelo muito maior que responde rápido. Pensar mais, às vezes, vale mais do que saber mais. (Esse “pensar mais” tem um preço — exploramos isso em o custo real de pensar.)

Vale uma honestidade que os bons jornalistas científicos cultivam: o termo “raciocínio” aqui é cômodo, mas escorregadio. Não há consenso de que o que o modelo faz internamente seja raciocínio no sentido humano. A própria OpenAI alerta que a cadeia de pensamento exibida ao usuário é um resumo, sem garantia de fidelidade ao processo interno real. O que se pode afirmar com segurança é funcional: ao adotar esse procedimento deliberativo, os modelos passaram a resolver problemas que antes lhes eram inacessíveis. Chame-se isso de raciocínio ou de uma simulação muito eficaz dele — a utilidade é a mesma, e a humildade sobre a natureza do fenômeno é parte da precisão.

Esta não foi uma descoberta de um dia

Convém desfazer um mito de origem. Os modelos de raciocínio não nasceram prontos em 2024. Eles são o ponto de chegada de uma linhagem de pesquisa de anos: a constatação, em 2022, de que pedir a um modelo para “pensar passo a passo” já melhorava suas respostas (a técnica de chain-of-thought); os trabalhos que ensinaram modelos a treinar com os próprios raciocínios corretos; os “modelos de recompensa de processo”, que avaliam cada passo do raciocínio e não apenas a resposta final. O o1 reuniu essas peças em escala industrial. A revolução foi de engenharia e de consolidação, não de um relâmpago isolado.

Como chegamos a GPT-5.5 e Opus 4.8

A partir daí, os dois eixos de escala — o pré-treino massivo e a computação em tempo de inferência — convergiram. E a cadência de lançamentos acelerou de forma notável.

Em agosto de 2025, a OpenAI lançou o GPT-5, que unificou em um só sistema as capacidades de geração geral e de raciocínio, decidindo automaticamente quanto esforço dedicar a cada pergunta. Em abril de 2026 veio o GPT-5.5 (de codinome interno “Spud”), o primeiro modelo-base totalmente retreinado desde o GPT-4.5, nativamente multimodal — capaz de processar texto, imagem, áudio e vídeo em uma arquitetura unificada — e com um salto expressivo em raciocínio sobre textos muito longos. Poucas semanas depois, em junho de 2026, já havia um GPT-5.6. (Se a sopa de letrinhas confunde, temos um guia dos nomes dos modelos da OpenAI.)

A Anthropic seguiu trajetória paralela. Foi pioneira, em fevereiro de 2025, em embutir o “pensamento estendido” em um modelo de produção (o Claude 3.7 Sonnet). E percorreu rapidamente a geração 4.x até o Claude Opus 4.8, lançado em 28 de maio de 2026 — apenas 41 dias após a versão anterior, o ritmo mais veloz da história da empresa. O Opus 4.8 trouxe um controle de “esforço”, que permite ao usuário decidir quanto o modelo deve pensar, e um foco declarado em honestidade: segundo a Anthropic, ele é cerca de quatro vezes menos propenso que seu antecessor a deixar passar falhas em código que ele mesmo escreveu, e mais propenso a admitir quando não sabe algo — uma virtude técnica que, veremos, é também uma virtude de segurança. Em 9 de junho de 2026, a empresa anunciou ainda uma nova classe de modelos, batizada de Mythos, posicionada acima da linha Opus.

Note o leitor um detalhe revelador da maturação do campo: nas notas de lançamento desses sistemas, as empresas já não competem apenas por inteligência bruta, mas por confiabilidade, honestidade e capacidade de trabalhar sozinhas por mais tempo. A pergunta deixou de ser “o modelo é esperto?” e passou a ser “posso confiar nele com uma tarefa de verdade?”.

Interlúdio: a palavra “superinteligência”, com precisão

Chegamos ao termo que precisa ser manejado como um instrumento delicado.

Os modelos atuais exibem, em domínios específicos, desempenho superumano. Resolvem problemas de olimpíadas de matemática, alcançam pontuações de nível de especialista em exames de física, química e biologia, e completam tarefas de engenharia de software que tomariam dias de um profissional experiente. Em testes desenhados para medir raciocínio abstrato e resistência à mera memorização, os melhores modelos já cruzaram marcas que, há poucos anos, pareciam distantes.

Isso é real e merece ser dito sem timidez.

Mas “superumano em tarefas específicas” não é o mesmo que “superinteligência”. Superinteligência, no sentido rigoroso, designa um sistema que supera amplamente a melhor capacidade humana em praticamente todos os domínios relevantes — incluindo criatividade aberta, julgamento social, descoberta científica autônoma e bom senso prático. Os modelos de 2026 não são isso. Eles ainda cometem erros elementares de forma imprevisível, ainda alucinam fatos, ainda carecem da robustez e da generalização que caracterizam a inteligência humana fora de seus domínios de força.

Há, portanto, uma assimetria desconcertante. A mesma máquina que prova um teorema pode tropeçar em uma charada que uma criança resolveria. Os pesquisadores chamam isso de “fronteira denteada” da capacidade: irregular, cheia de picos e vales, nada parecida com a curva suave da competência humana.

A leitura honesta, então, é dupla. Por um lado, é exagero falar de superinteligência como se ela já estivesse aqui; quem o faz vende deslumbramento. Por outro, é míope ignorar que sistemas com desempenho superumano em domínios economicamente valiosos já operam em escala — quem o faz vende complacência. O IAtivei procura o caminho do meio, que também é o caminho do rigor: estamos diante de máquinas extraordinariamente capazes em muitas coisas, falíveis em outras, e cuja trajetória de melhora tem sido rápida o bastante para merecer atenção séria, não histeria nem desdém.

Parte III — O horizonte: da consulta à ação

Da resposta ao ato

Se o presente é o da “IA como consultora”, a fronteira que já se abre é a da “IA como agente”. A distinção é a diferença entre alguém que lhe diz o que fazer e alguém que faz.

Um modelo conversacional responde. Um agente executa: ele recebe um objetivo, elabora um plano, aciona ferramentas — busca na web, consulta bancos de dados, escreve e roda código, envia mensagens —, observa os resultados, corrige o rumo e segue até concluir a tarefa. Os lançamentos de 2026 deixam essa transição explícita. O Claude Opus 4.8 foi apresentado, sobretudo, como um sistema capaz de trabalhar de forma autônoma por longos períodos, e veio acompanhado de um recurso de “fluxos dinâmicos” que permite orquestrar centenas de subagentes em paralelo para tarefas como migrar bases de código de centenas de milhares de linhas, de ponta a ponta. A capacidade que define a nova fronteira não é mais o que a IA sabe, mas o que a IA faz sem supervisão constante. (É a virada que chamamos de a era dos agentes.)

Essa autonomia é a fonte simultânea do enorme valor prático e do principal desafio que vem a seguir.

O problema de confiar em quem age sozinho

Quanto mais uma máquina age por conta própria, mais importa que ela aja bem. Um modelo que apenas responde e erra produz um texto ruim que um humano revisa. Um agente que erra pode enviar o e-mail errado, apagar o arquivo certo ou executar a transação indevida — antes que alguém perceba.

Por isso, à medida que as capacidades cresceram, a engenharia de segurança e alinhamento deixou de ser um apêndice ético para se tornar parte central do produto. Não é por acaso que a Anthropic destacou a honestidade do Opus 4.8 — sua maior disposição a sinalizar incertezas e a não fabricar respostas — como uma melhoria de primeira ordem, ao lado do desempenho. Em sistemas que agem, dizer “não tenho certeza” é uma competência de segurança, não apenas de cortesia.

Os modelos de raciocínio trouxeram aqui um benefício inesperado: como deliberam antes de responder, podem também deliberar sobre as próprias regras de segurança antes de agir — uma técnica que a OpenAI chamou de “alinhamento deliberativo”. A mesma pausa que torna a máquina mais capaz pode torná-la mais prudente. Mas ninguém no campo trata isso como problema resolvido. A própria existência de uma classe de modelos mais poderosa mantida sob acesso restrito por motivos de segurança — como a Anthropic fez ao reter seus modelos mais avançados enquanto desenvolvia salvaguardas — mostra que a indústria, ao menos em parte, leva a sério o descompasso entre o que esses sistemas podem fazer e o que sabemos garantir que eles não farão.

As tendências que se desenham

Sem profecias — apenas extrapolando o que já está em curso —, três vetores parecem firmes para o futuro próximo.

O primeiro é a queda do custo. A mesma capacidade que há um ano custava caro torna-se mais barata a cada geração, por meio de modelos menores e mais eficientes e de hardware projetado sob medida. Isso democratiza o acesso e desloca a competição da pura potência para a relação entre capacidade e custo.

O segundo é a autonomia crescente. Os sistemas trabalharão por períodos cada vez mais longos sem intervenção, coordenando múltiplos subagentes, assumindo projetos inteiros em vez de tarefas isoladas. O gargalo deixará de ser a execução e passará a ser a definição clara do objetivo e a verificação do resultado.

O terceiro é a integração com os dados sintéticos. Como o estoque de texto humano de alta qualidade é finito, parte crescente do treinamento já se apoia em dados gerados por outras IAs e validados por humanos — um ciclo em que o aluno ajuda a ensinar o próximo aluno. É uma alavanca poderosa e também uma fonte de riscos sutis, pois erros podem se realimentar; por isso a validação humana e a checagem contra a realidade seguem indispensáveis.

Conclusão: a maturidade de quem pergunta

Recapitulemos a viagem. Vimos uma máquina aprender a falar imitando padrões de texto; aprender a ser útil por meio de feedback humano e de princípios escritos; e, por fim, aprender a hesitar — a deliberar antes de responder, descobrindo sozinha estratégias de raciocínio que ninguém lhe ditou. Vimos como esses avanços, somados, nos trouxeram a sistemas reais como o GPT-5.5 e o Claude Opus 4.8, que em 2026 já não são promessas de laboratório, mas ferramentas em uso. E vimos por que a palavra “superinteligência”, embora sedutora, ainda não descreve o que temos: máquinas brilhantes e falíveis, superumanas em recortes e estranhamente frágeis em outros.

O que fazer com essa lucidez?

A tentação é o deslumbramento — tratar essas máquinas como oráculos infalíveis. A tentação oposta é o desdém — descartá-las como autocompletar sofisticado. Ambas são formas de não pensar. A postura madura é uma terceira: reconhecer que estamos diante de um amplificador de inteligência sem precedente histórico, cujo valor depende inteiramente da qualidade de quem o conduz.

Porque há uma assimetria que nenhum avanço técnico apaga. A máquina aprendeu a hesitar diante de um problema. Mas quem decide qual problema vale a pena resolver — qual pergunta fazer, qual resposta aceitar, qual erro custa caro demais para tolerar — continua sendo o humano. O futuro da inteligência artificial não será escrito apenas pelos algoritmos que nascem nos laboratórios. Será escrito, em grande medida, pela qualidade das perguntas que decidirmos fazer a eles.

E essa, talvez, seja a notícia mais tranquilizadora desta história: numa era de máquinas que pensam, pensar — de verdade, com critério e propósito — tornou-se a mais valiosa das competências humanas.

Referências

ANTHROPIC. Introducing Claude Opus 4.8. Anthropic News, 28 maio 2026. Disponível em: https://www.anthropic.com/news/claude-opus-4-8. Acesso em: jun. 2026.

BAI, Yuntao et al. Constitutional AI: Harmlessness from AI Feedback. arXiv, 2022. Disponível em: https://arxiv.org/abs/2212.08073. Acesso em: jun. 2026.

KAPLAN, Jared et al. Scaling Laws for Neural Language Models. arXiv, 2020. Disponível em: https://arxiv.org/abs/2001.08361. Acesso em: jun. 2026.

OPENAI. Learning to Reason with LLMs. OpenAI Research, set. 2024. Disponível em: https://openai.com/index/learning-to-reason-with-llms/. Acesso em: jun. 2026.

OPENAI. Aligning Language Models to Follow Instructions (InstructGPT). OpenAI Research, 2022. Disponível em: https://openai.com/index/instruction-following/. Acesso em: jun. 2026.

OPENAI. OpenAI o1 System Card. arXiv, dez. 2024. Disponível em: https://arxiv.org/abs/2412.16720. Acesso em: jun. 2026.

OUYANG, Long et al. Training Language Models to Follow Instructions with Human Feedback. arXiv, 2022. Disponível em: https://arxiv.org/abs/2203.02155. Acesso em: jun. 2026.

SNELL, Charlie et al. Scaling LLM Test-Time Compute Optimally Can Be More Effective Than Scaling Model Parameters. arXiv, 2024. Disponível em: https://arxiv.org/abs/2408.03314. Acesso em: jun. 2026.

VASWANI, Ashish et al. Attention Is All You Need. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 30., 2017. Anais… [S.l.]: NeurIPS, 2017. Disponível em: https://arxiv.org/abs/1706.03762. Acesso em: jun. 2026.

WEI, Jason et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv, 2022. Disponível em: https://arxiv.org/abs/2201.11903. Acesso em: jun. 2026.