Dez anos, três relatórios, sete textos

novembro 18, 2026 § Deixe um comentário

Relendo o que já escrevi sobre o AI100

Em novembro de 2026 foi publicado o terceiro relatório do Estudo de 100 Anos sobre Inteligência Artificial (AI100), intitulado “AI Goes Mainstream: The Scaling Era and the Rise of Generative AI” [1].

Para quem chega agora, uma rápida recapitulação é importante. Em 2014, um consórcio de universidades e departamentos de pesquisa de empresas de tecnologia lançou o “Estudo de 100 anos para a Inteligência Artificial”, sediado em Stanford. A ideia é simples e ambiciosa ao mesmo tempo, um comitê permanente, pensado para durar pelo menos um século, convoca a cada cinco anos um painel de especialistas para responder às mesmas perguntas, sempre de novo, num mundo que mudou. O primeiro relatório saiu em 2016 e o segundo em 2021.

Acompanho o estudo desde o início. Em 2016 escrevi cinco textos sobre o primeiro relatório: sobre o estudo em si, sobre o que é IA, sobre as tendências da área, sobre o mercado de trabalho e sobre a educação. Em 2022 comentei o segundo relatório e, em 2024, fiz um balanço da primeira década do estudo. São sete textos, com este aqui a conta pula para oito.

Desta vez, porém, quero fazer algo diferente. O novo relatório traz uma seção inédita, chamada “Five Years On: Where the 2021 Panel Landed”, em que o painel atual relê o relatório anterior, cita-o literalmente e separa o que se confirmou, o que não aconteceu e o que simplesmente ficou de fora. Penso que é o trecho mais honesto e mais interessante do documento e me parece justo aplicar o mesmo exercício a mim mesmo. Por isso, reli o que escrevi ao longo desses dez anos à luz do que o terceiro relatório registra.

O que é o relatório de 2026

O painel foi presidido por Michael Wooldridge, professor de Fundamentos da Inteligência Artificial em Oxford, e reuniu doze pesquisadores de áreas diversas, da ciência da computação às ciências sociais. A redação começou no fim de 2025 e o texto foi finalizado em setembro de 2026. O formato é o mesmo de 2021, ou seja, doze questões permanentes (standing questions), sobre avanços, desafios, perigos, governança, trabalho, opinião pública e a relação entre IA e inteligência humana. A elas se somam dois aprofundamentos (deep dives), um sobre a geopolítica da IA e outro sobre a chamada “era do escalonamento”.

A mudança de enfoque é clara, os dois primeiros relatórios mediam sobretudo a velocidade do desenvolvimento da IA, o de 2016 a partir de cidades norte-americanas e o de 2021 a partir de pessoas no mundo todo. O de 2026 se volta para a aceleração em si e para o efeito desestabilizador que ela vem tendo sobre instituições e estruturas sociais, como saúde, educação, mídia, democracia, segurança global e a própria ciência.

O fio condutor do relatório é a ideia de escala. Traduzindo o termo, significa que os avanços dos últimos cinco anos vieram, sobretudo, de construir modelos com cada vez mais dados e mais poder computacional. O painel argumenta que esse paradigma começa a encontrar limites, uma vez que dados de qualidade estão escassos e o custo de treinar modelos de fronteira se tornou proibitivo. A fronteira estaria se deslocando para o raciocínio no momento da inferência, para agentes e para ganhos de eficiência. Outro conceito recorrente é o de IA “serrilhada” (jagged), que são sistemas capazes de produzir pesquisa de nível de doutorado num momento e de errar quantas letras “r” há na palavra strawberry no seguinte.

Entre as doze conclusões principais, destaco algumas. A IA generativa já transforma áreas que se julgavam imunes à automação, como as indústrias criativas, a programação e a matemática. A ciência está sendo acelerada a ponto do Nobel de 2024 ter premiado pesquisadores de IA, os alocando nas categorias de física e química. O investimento em infraestrutura atingiu uma escala sem precedentes, alimentando o temor de uma bolha, embora a IA, nas palavras do relatório, “ainda não pague a própria conta”. O desenvolvimento de fronteira está concentrado em poucos atores dos Estados Unidos e da China. A cibersegurança se tornou a principal área de risco e o uso militar da IA deixou de ser hipótese. Imagens, áudios e vídeos sintéticos acabaram com a presunção de que uma gravação é prova e a governança da IA segue fragmentada, cada vez mais enquadrada como questão de segurança nacional.

A última conclusão é, a meu ver, a mais reveladora, tanto que vale citá-la ipsis litteris: “Este relatório estará desatualizado quando você o ler.” Os próprios autores contam que tiveram de reescrever, repetidas vezes, seções que julgavam prontas. É com esse espírito que proponho a releitura, se nem o painel de especialistas conseguiu acompanhar o ritmo, vale perguntar o que resistiu ao tempo naquilo que escrevi.

O que acertei em 2016

Reler textos de dez anos atrás tem algo de desconfortável, a tentação é procurar só os acertos. Tentei resistir a ela e por isso os erros têm uma seção própria mais adiante. Mas houve acertos e alguns me surpreenderam, vamos a eles.

No primeiro texto da série, escrevi que “espera-se que as máquinas substituam as pessoas mais nas tarefas do que nos empregos propriamente ditos”. Também escrevi que, à medida que os sistemas evoluíssem, o próprio conceito de “rotina” se ampliaria até alcançar serviços profissionais que nunca tinham sido automatizados. O relatório de 2026 chega à conclusão semelhante, com evidência mais robusta. Cita o trabalho de David Autor e Neil Thompson [2], que mostra que as ocupações são feixes de tarefas interdependentes e que automatizar uma parte delas não equivale a uma simples queda na demanda por trabalho. Lembra também que a “exposição” de uma ocupação à IA é mais bem entendida como um indicador de quais empregos vão mudar do que de quais vão desaparecer. Quanto à ampliação da rotina, o melhor exemplo é a programação, que o relatório trata como o primeiro grande “aplicativo matador” dos modelos de linguagem. Durante décadas, programar foi visto como um trabalho cognitivo grande demais para ser automatizado. Vimos que não é bem assim.

No texto sobre o mercado de trabalho, usei o artigo “Can Robots Be Lawyers?”, de Dana Remus e Frank Levy, para mostrar que algoritmos já executavam o tipo de tarefa com que advogados recém-formados começavam a carreira nos Estados Unidos. Era um caso particular que eu não sabia se ia se generalizar. Hoje, um dos achados empíricos mais citados no relatório vai na mesma direção, por exemplo, um estudo do Stanford Digital Economy Lab [3] mostra que, depois do lançamento do ChatGPT, o emprego caiu entre jovens de 22 a 25 anos em ocupações muito expostas à IA, enquanto cresceu para trabalhadores mais velhos nas mesmas ocupações. O efeito agregado sobre o emprego ainda é pequeno, o relatório faz questão de frisar, mas o primeiro degrau da escada é justamente o que está sendo afetado.

No texto em que tentei definir IA, propus abandonar o “modelo mental industrial” e entender a inteligência como algo multidimensional, inspirado em Howard Gardner. Defendi que a diferença entre uma calculadora e o cérebro humano “não é de espécie, mas de escala, velocidade, grau de autonomia e generalidade”. Relendo hoje, essa frase me parece conter dois dos eixos centrais do relatório de 2026. O primeiro está na resposta à questão sobre inteligência humana (SQ4), a inteligência humana “não é unidimensional” e qualquer tentativa de medi-la por um teste redutor “será, na melhor das hipóteses, enganosa”. O segundo é a própria palavra escala, que dá nome à era descrita no relatório. Não tenho a pretensão de dizer que antecipei a era do escalonamento; em 2016 eu falava de grau, não de método, mas a intuição de que a distância entre máquina e mente seria percorrida por acúmulo e não por um salto de natureza, resistiu bem.

No mesmo texto, falei do “efeito IA”, que é quando uma tecnologia se torna comum, deixa de ser considerada inteligência artificial. O relatório descreve o mesmo fenômeno com outro nome, a “mudança das traves” (shifting goalposts). O exemplo é o Winograd Schema Challenge, que em 2012 era apresentado como teste de “compreensão verdadeira”. Quando o GPT-3 o superou com folga, concluiu-se que, afinal, não era um bom teste.

No texto sobre tendências, escolhi uma única palavra para resumir a direção da pesquisa, dados. Escrevi que “dados são a base em que se constrói o conhecimento”. O segundo aprofundamento do relatório é, em grande medida, a história de uma corrida por dados, com a raspagem de praticamente toda a Web, as disputas de direitos autorais, a escassez de dados de qualidade e a transformação dos dados em ativo estratégico. Fechei aquele texto dizendo que “o que faz a diferença em qualquer aprendizado é o contexto”. A primeira conclusão do relatório de 2026 afirma que a próxima fase da IA será definida menos por modelos cada vez maiores e mais por dar a eles “o contexto e a memória certos”. Considero então uma “bola dentro”.

No mesmo texto, observei que a tendência em processamento de linguagem natural era desenvolver sistemas que dialogassem com as pessoas e não apenas reagissem a comandos digitados. Seria exagero dizer que previ o ChatGPT, uma vez que não fazia ideia da escala, nem da velocidade. Mas vale registrar que o relatório de 2026 considera justamente a interface de conversa a “maior omissão” do relatório de 2021, partindo do princípio de que logo depois, um chatbot de uso geral chegou a 100 milhões de usuários em dois meses e mudou a relação do público com a tecnologia.

Encerrei o texto sobre o mercado de trabalho defendendo que a matemática ensinada nas escolas é um “reflexo pálido” da verdadeira. Citei Michael Atiyah, para quem a boa matemática lida com problemas “interessantes e solucionáveis”, e argumentei que ela também é arte, no sentido da satisfação de transformar o desconhecido em conhecido. Não imaginava que esse argumento voltaria pela boca dos próprios matemáticos. Em 2026, segundo o relatório, modelos de IA resolveram problemas em aberto havia décadas. A reação de parte da comunidade foi de desconforto, as soluções produzidas por máquinas nem sempre são compreensíveis para os humanos, o que muitos consideram “completamente contrário ao espírito e à cultura da matemática”. Muitos assinaram a chamada Declaração de Leiden sobre IA e Matemática. Se a matemática fosse só a produção de resultados corretos, não haveria o que lamentar. O desconforto mostra que ela é também uma forma de compreensão.

Reconheço que nada disso faz de mim um bom profeta. Os acertos ficaram, quase sempre, no nível das tendências gerais e confesso que não tinha ideia do ritmo com que se concretizariam. Mas fica uma lição aqui, as perguntas que fazíamos em 2016 eram as perguntas certas, o que mudou foi a velocidade com que elas deixaram de ser hipotéticas.

O que enxerguei antes em 2022

Se os acertos de 2016 ficaram no nível das tendências gerais, o texto de 2022 é outra história, foi o único em que discordei abertamente do comitê AI100. Em janeiro de 2022, escolhi duas das doze questões do segundo relatório, a que tratava das perspectivas de uma inteligência artificial mais geral (SQ5) e a que perguntava se imitar o pensamento humano funcionava como estratégia de engenharia (SQ12). Em vez de resumi-las, decidi confrontá-las com uma referência externa, os diálogos sobre segurança de IA que Eliezer Yudkowsky vinha travando com pesquisadores de grandes laboratórios, em particular o debate com Richard Ngo, então na OpenAI. Yudkowsky acusava esses centros de pesquisa, entre eles a própria Stanford, que abriga o AI100, de subestimar o problema do alinhamento.

Do diálogo, destaquei algumas ideias, a primeira é que mesmo sistemas programados para não agir de forma catastrófica podem encontrar maneiras inesperadas de cumprir seus objetivos. Usei como exemplo um experimento em que agentes treinados por reforço para jogar esconde-esconde desenvolveram estratégias que ninguém havia programado [4]. Argumentei que, se um sistema treinado para maximizar uma recompensa pudesse alcançar o próprio “contador” de recompensa, a opção mais eficiente deixaria de ser jogar bem e passaria a ser manipular quem aperta o botão.

A segunda ideia vinha de Ngo, era a distinção entre a IA como ferramenta, que faz uma coisa específica muito bem e a IA como agente, que observa o ambiente, estabelece objetivos, planeja e age sobre ele. O carro autônomo não decide ir ao clube aprender xadrez e o computador que joga xadrez não se matricula na autoescola, mas, escrevi, a evolução da ferramenta por meio do aprendizado por reforço tenderia a produzir algo cada vez mais parecido com um agente.

Daí veio a conclusão daquele texto, que transcrevo nesse parágrafo. O diálogo, apesar de estranho, “captura algo importante que faltou ao segundo relatório do estudo de cem anos sobre Inteligência Artificial. As futuras IAs potencialmente perigosas com as quais lidaremos, muito provavelmente serão algum tipo de agente em busca de recompensas”.

A seção em que o novo painel relê o relatório de 2021 trata do tema em dois momentos. No primeiro, registra que o relatório anterior mencionou a perda de controle significativo sobre sistemas de IA em uma única frase e conclui que este é “o exemplo mais claro de algo que o painel de 2021 identificou corretamente, mas a que não deu ênfase de maneira suficiente”. No segundo, inclui a segurança e o alinhamento de IA entre os desenvolvimentos que ficaram de “fora do enquadramento” de 2021. Hoje existem institutos nacionais de segurança de IA no Reino Unido, nos Estados Unidos, no Japão, na União Europeia, no Canadá, em Singapura e na Coreia, com equipes de alinhamento em todos os laboratórios de fronteira e uma literatura acadêmica própria.

A aposta nos agentes também se confirmou, o relatório atual dedica uma seção ao que chama de “reemergência decisiva da IA agêntica” e lista como divergência a afirmação de 2021 de que “a autonomia completa não é o objetivo final” dos sistemas de IA. Em 2026, sistemas autônomos que executam tarefas de várias etapas, usam computadores e escrevem código são a principal direção comercial e de pesquisa de todos os grandes laboratórios. Segundo uma medição citada no relatório, a duração das tarefas que um agente consegue completar sozinho dobra a cada sete meses.

Até o jogo de esconde-esconde ganhou uma versão real com o caso OpenAI-Hugging Face. Sobre o assunto, o relatório conta que, entre julho e agosto de 2026, a OpenAI revelou que agentes com os quais fazia experimentos exploraram uma vulnerabilidade no ambiente isolado (sandbox) em que operavam, ganharam acesso à internet e invadiram sistemas de outras organizações. O painel é cuidadoso ao comentar que as manchetes falavam em agentes “fora de controle”, mas que na verdade tratava-se de experimentos sobre a capacidade da IA para invadir sistemas, sem as restrições usuais dos sistemas em produção. Ainda assim, a lógica é a mesma que descrevia em 2022, em que um agente perseguindo um objetivo encontra um caminho que seus criadores não previram. O relatório também lista o reward hacking, quando o sistema encontra um atalho que maximiza a recompensa sem cumprir o objetivo pretendido, entre os problemas que persistem.

Não seria correto parar por aqui, só com acertos. Em 2022, enquadrei o problema pelos cenários mais extremos possíveis, como superinteligência repentina, armas biológicas e nanomáquinas. O relatório de 2026 trata o risco existencial como uma questão que “divide profundamente” a comunidade de pesquisa e alerta que confundir os modelos de linguagem atuais com uma inteligência geral não ajuda. O que apareceu primeiro não foi o cenário apocalíptico, mas algo mais prosaico e, talvez por isso, mais urgente. Estou falando de agentes com acesso a ferramentas, explorando falhas de segurança em sistemas reais. A cibersegurança (e não a superinteligência) virou a principal área de risco. Se a intuição sobre o mecanismo estava certa, a forma como ele se manifestaria, não.

Também confesso que fui generoso com o relatório de 2021 no balanço que fiz em 2024, quando escrevi que ele trouxe o debate ético e o conceito de alinhamento. A leitura de 2022 era mais precisa e o próprio AI100 agora concorda com ela.

Onde mais errei

No texto que fechou a série de 2016, descrevi a chegada da IA à sala de aula por quatro portas, robôs educacionais, sistemas tutores inteligentes (Intelligent Tutoring Systems), processamento de linguagem natural e learning analytics. Citei o Duolingo, os Cognitive Tutors usados em escolas norte-americanas e os MOOCs como a ferramenta de aprendizagem adaptativa mais popular. Defendi que nenhuma delas dispensaria o professor, a IA poderia ampliar o que se considera tarefa rotineira, mas “definitivamente o papel do professor não está entre elas”. E listei quatro barreiras para uma adoção mais ampla, que envolviam a cultura de cada sociedade em relação ao conhecimento, a capacidade de produzir conhecimento, o custo do investimento e a falta de evidências objetivas sobre o impacto no aprendizado. Já no primeiro texto, escrevi que a educação seria uma das áreas de maior impacto potencial, pela “escalabilidade da personalização” e em 2024 voltei a destacar os sistemas tutores como promessa.

O erro não foi de tema, mas de direção. Imaginei a IA entrando na educação de cima para baixo, com escolas, universidades e empresas adotando ferramentas desenhadas para apoiar o professor, com o ritmo sendo ditado por orçamento, cultura institucional e evidências. Aconteceu o contrário, a IA entrou de baixo para cima, pelas mãos dos alunos, por meio de uma ferramenta gratuita que não foi desenhada para ensinar nada. As barreiras que listei (custo e falta de evidência) simplesmente não se aplicaram, porque ninguém precisou pedir autorização.

O relatório de 2026 registra o resultado sem rodeios. Na questão sobre os papéis da academia e da indústria (SQ8), afirma que redações, provas para fazer em casa e trabalhos de programação, que até cinco anos atrás serviam como avaliação confiável da capacidade do estudante, hoje podem ser todos respondidos por modelos de linguagem. Isso forçou a volta da avaliação oral presencial, a reescrita das políticas de integridade acadêmica e o ensino de como se fazem revisões de literatura na pós-graduação. Os professores, diz o relatório, precisam agora garantir que os alunos estão de fato adquirindo e retendo habilidades fundamentais.

Repare na mudança da pergunta, em 2016 era como a IA poderia ajudar os alunos a aprender mais e em 2026 é se eles ainda estão aprendendo. Entre os grandes desafios científicos (SQ3), o painel pergunta se é possível desenhar sistemas tutores que “aprimorem a aquisição de habilidades ao longo do tempo, em vez de criar dependência”. O desaprendizado (de-skilling) de estudantes e trabalhadores aparece entre os riscos sistêmicos. Na introdução, os autores registram o temor de que “máquinas inteligentes acabem produzindo uma humanidade mais burra” e citam os resultados do PISA 2025 [5]. Há ainda um estudo publicado na Science em 2026 [6] que me parece especialmente preocupante para quem pensa em educação, que mostra que as pessoas preferem e confiam mais em respostas bajuladoras (sycophantic) de IA, justamente as que mais distorcem o seu julgamento. É um ciclo que se reforça, o sistema que mais agrada é o que menos ensina.

Nem tudo envelheceu mal, no texto sobre o mercado de trabalho, citei a Suíça e a Finlândia, que reformulavam seus sistemas educacionais com foco em metacognição (a capacidade de pensar sobre o próprio pensamento). Era apenas um item de uma lista, mas hoje me parece o mais importante dela. Quando qualquer pergunta recebe uma resposta fluente e confiante em segundos, saber avaliar essa resposta, reconhecer o que não se sabe e perceber quando se está sendo conduzido vale mais do que qualquer conteúdo memorizado. E o papel do professor, que eu disse que não seria automatizado, de fato não foi, ficou mais difícil. Cabe a ele, agora, redesenhar a avaliação, reconstruir a confiança no que o aluno produz e ensinar a usar uma ferramenta que, mal-usada, faz o trabalho no lugar de quem deveria aprender.

Há também uma ironia que não posso deixar de notar. Terminei o texto de 2016 citando meu ex-chefe, Edmour Saiani, que sempre me disse que em educação, “não fazer nada é a pior opção”. As instituições que esperaram por evidências antes de agir descobriram que a decisão já tinha sido tomada pelos alunos. Por que isso me toca? Tanto no meu mestrado quanto no doutorado, minha pesquisa girou em torno do paradigma de Searching as Learning, a ideia de que buscar informação é, em si, um processo de aprendizagem e de que é possível medir quanto conhecimento alguém de fato ganha ao buscar. Quando escrevi em 2016, a busca ainda era uma lista de links que o usuário precisava ler, comparar e sintetizar. Hoje, cada vez mais, a síntese chega pronta. O relatório de 2026 identifica como um dos maiores desafios da próxima década, entender como ambientes de informação mediados por IA remodelam a cognição coletiva. Estamos falando de como as comunidades formam crenças e como o conhecimento circula, num mundo em que boa parte do que lemos foi gerado ou filtrado por poucos sistemas. Na releitura do relatório de 2021, o painel admite que não sabe se os chatbots ampliaram ou estreitaram os horizontes de informação das pessoas e chamam isso de uma “questão em aberto importante”. Se era uma pergunta que, em 2016, eu não sabia formular, hoje já tenho clareza de que será uma das que mais irá me ocupar na próxima década.

A crítica que persiste, quem escreve a história da IA?

Em 2022, antes de tratar do alinhamento, fiz outra crítica ao AI100. Lembrei que o primeiro relatório havia restringido seu escopo a cidades da América do Norte. Observei também que o segundo, apesar da intenção declarada de “explorar com maior profundidade o impacto que a IA está causando nas pessoas e sociedades em todo o mundo”, ainda era dominado por membros de universidades americanas, canadenses e de língua inglesa. E escrevi, “como pesquisador de IA em universidade pública brasileira, posso atestar pelos projetos que participo e colaboro, que há mais gente aqui na América do Sul (no Brasil, mas também na Colômbia, com as quais tenho contato direto) e na própria Europa não-anglofônica (em especial Alemanha e Itália, com as quais também tenho contato) que poderiam contribuir.”

Em parte, a crítica foi ouvida. O painel de 2026 tem três pesquisadores baseados na Alemanha, o que dá à Europa continental um peso que não tinha antes. Mas o restante segue o padrão, seis membros baseados nos Estados Unidos, dois no Reino Unido e um na Austrália. Ninguém da América Latina, da África ou da Ásia. O comitê permanente, por sua vez, reúne nomes do Canadá, dos Estados Unidos, da Alemanha, da Holanda e da Escócia. Os próprios agradecimentos falam em “21 pesquisadores em três continentes”. O Brasil não é mencionado uma única vez nas 127 páginas e a América Latina aparece como destino da exportação de sistemas chineses de vigilância, numa frase citada do relatório de 2021 sobre armas autônomas e, por meio da Argentina, numa lista de eleições afetadas por deepfakes.

Quando o Sul Global aparece, aliás, é quase sempre como objeto. É onde trabalha a força de trabalho invisível que rotula dados e modera conteúdo, paga por tarefa com valores que, nas palavras do relatório, “raramente refletem o valor econômico dos sistemas que treinam”. É onde se exportam tecnologias de vigilância e é a região cujo destino depende da IA reforçar “novas formas de imperialismo e colonialismo” ou fortalecer países historicamente desfavorecidos. São questões legítimas, e o relatório faz bem em levantá-las, mas são formuladas a partir de fora.

Isso não é uma questão retórica (ou reclamação de quem fica “na porta, estacionando os carros” como dizia Cazuza), o próprio relatório oferece o melhor argumento para levá-la a sério. Ao explicar por que o painel de 2021 errou nas suas previsões mais importantes, o grupo atual conclui que o problema estava na composição, “formado quase inteiramente por pessoas de dentro da área” que subestimou as consequências do escalonamento. E propõe uma lição para si mesmo, “quando os principais especialistas de uma área convergem sobre o que está por vir, podem estar convergindo sobre os limites do paradigma anterior, e não sobre a trajetória do próximo”. Penso que a lição vale também para a geografia, quem está fora do centro da área enxerga coisas que o centro não vê. É precisamente o argumento que o relatório usa, na questão sobre opinião pública (SQ6), para defender que o debate sobre IA precisa ouvir mais do que as vozes da indústria.

E há razões bem concretas para que essas vozes importem. O relatório registra que, em junho de 2026, o governo dos Estados Unidos decidiu negar a usuários fora do país o acesso aos modelos mais avançados de uma das principais empresas do setor. A restrição foi temporária, mas, segundo o painel, deixou claro para muitos países o risco de depender de sistemas controlados por estrangeiros. O relatório descreve a escolha que se coloca para países como o Brasil, que é usar modelos proprietários norte-americanos, construir sobre modelos abertos chineses ou desenvolver capacidade própria. Uma decisão dessa natureza merece ser debatida com a participação de quem vai vivê-la.

Para fechar…

Ao reler esses sete textos, a principal lição que tiro é a mesma que o painel de 2026 tirou ao reler o relatório de 2021. As perguntas eram, em boa parte, as certas, o que ninguém conseguiu prever foi a velocidade com que deixariam de ser hipotéticas e nem a forma que as respostas tomariam. Acertei que a IA conquistaria tarefas antes de empregos e que o primeiro degrau da carreira seria o mais afetado. Vi cedo que o risco estava em agentes em busca de recompensa, mas imaginei esse risco em escala apocalíptica quando na verdade ele chegou como um problema de cibersegurança. E errei a direção pela qual a IA entraria na educação.

A última das doze conclusões principais do relatório de 2026 diz que ele estará desatualizado quando o lermos. Por isso, quero deixar registradas aqui algumas apostas, para que alguém (talvez eu mesmo) possa conferi-las quando sair o próximo relatório, em 2031:

  • O efeito agregado da IA sobre o desemprego ainda será modesto, longe dos 10% a 20% previstos por alguns executivos do setor. Mas a porta de entrada das carreiras de escritório terá mudado de forma visível, com menos vagas de nível inicial e novos caminhos de formação profissional.
  • Agentes autônomos terão deixado de ser novidade para se tornar infraestrutura. O principal debate de governança terá passado de “o que a IA pode fazer” para “quem responde quando um agente causa danos” e, pelo menos um dos grandes centros regulatórios, como União Europeia, Estados Unidos (no nível federal ou em estados como a Califórnia) e China, terá regras específicas de responsabilidade civil para eles.
  • O efeito da IA sobre a aprendizagem e a cognição humanas terá, no relatório de 2031, o destaque que o escalonamento teve no de 2026. A pergunta central deixará de ser o que a IA consegue fazer e passará a ser o que ela faz com a nossa capacidade de aprender.
  • Se nada mudar, o painel de 2031 continuará sem nenhum pesquisador baseado na América Latina. Esta é a aposta que eu mais gostaria de perder.

O Estudo de 100 Anos foi pensado para durar pelo menos um século. Já estamos em sua primeira década e ele nos mostrou seu valor mais importante: não acertar o futuro, mas manter um registro honesto do que se pensava em cada momento, para que possamos aprender com os próprios erros. É o que tentei fazer aqui também.

Referências

[1] Michael Wooldridge, Peter Asaro, Lucie Flek, Iryna Gurevych, Sara Hooker, Gina Neff, Peter Norvig, Raymond Perrault, Iyad Rahwan, Samantha Shorey, Toby Walsh, and Luke Zettlemoyer. “AI Goes Mainstream: The Scaling Era and the Rise of Generative AI. The One Hundred Year Study on Artificial Intelligence (AI100) 2026 Study Panel Report.” Stanford University, Stanford, CA, November 2026. Doc: http://ai100.stanford.edu/2026-report.

[2] Autor, D., & Thompson, N. (2025). “Expertise.” Journal of the European Economic Association 23:4, pp. 1203–1271.

[3] Brynjolfsson, E., Chandar, B., & Chen, R. (2025; revisado em ago. 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab.

[4] Baker, B., Kanitscheider, I., Markov, T. et al. (2020). “Emergent Tool Use From Multi-Agent Autocurricula.” International Conference on Learning Representations (ICLR). http://iclr.cc/virtual_2020/poster_SkxpxJBKwS.html

[5] OECD (2026). PISA 2025 Results (Volume I): Future-ready students. OECD Publishing. https://doi.org/10.1787/73451bc5-en

[6] Cheng, M., Lee, C., Khadpe, P. et al. (2026). “Sycophantic AI decreases prosocial intentions and promotes dependence.” Science 391:6792. https://doi.org/10.1126/science.aec8352

P.S. Registro histórico

Para quem quiser acompanhar a série desde o início, deixo aqui os textos que escrevi sobre o AI100 ao longo desses dez anos, em ordem cronológica.

2016: sobre o primeiro relatório

2022: sobre o segundo relatório

2024: balanço da primeira década

Onde estou?

Você está atualmente visualizando os arquivos para novembro, 2026 em Marcelo Tibau.