IA começa a criar a própria IA: o que muda quando a tecnologia passa a acelerar seu próprio desenvolvimento?

22 de setembro de 202622 de setembro de 2026 admin 0 comentários

21/09/2026 11:45

Leitura:23Minutos

IA começa a criar a própria IA: o que muda quando a tecnologia passa a acelerar seu próprio desenvolvimento?IA começa a criar a própria IA: o que muda quando a tecnologia passa a acelerar seu próprio desenvolvimento?IA começa a criar a própria IA: o que muda quando a tecnologia passa a acelerar seu próprio desenvolvimento?IA começa a criar a própria IA: o que muda quando a tecnologia passa a acelerar seu próprio desenvolvimento?1.0x

Anthropic afirma que Claude já “lidera” 26% das tarefas de pesquisa e desenvolvimento de IA da empresa. Google também usa agentes para otimizar chips, algoritmos e infraestrutura. O cenário aponta para uma mudança profunda na forma como softwares e modelos de inteligência artificial são construídos.

PARTICIPE: Responda a pesquisa e ajude a melhorar o Folha Vitória

A inteligência artificial foi apresentada como uma ferramenta capaz de ajudar pessoas a escrever textos, criar imagens, programar ou analisar informações. Agora, uma mudança mais profunda está acontecendo nos bastidores dos próprios laboratórios de tecnologia: a IA começou a participar do processo de criação e aprimoramento da tecnologia que a sustenta.

A ideia parece saída de um filme de ficção científica, mas já existem casos documentados. A Anthropic divulgou uma métrica interna segundo a qual o Claude, seu sistema de inteligência artificial, “lidera” 26% das tarefas de pesquisa e desenvolvimento de IA da própria empresa. Em fevereiro, essa participação estava abaixo de 1%, segundo a companhia. Mais de 90% das tarefas avaliadas já estariam em um nível no qual a IA pelo menos colabora com os pesquisadores.

Mas existe uma diferença fundamental entre dizer que a IA está ajudando a desenvolver outra IA e afirmar que ela está criando sozinha sua sucessora.

Isso ainda não aconteceu.

A própria Anthropic afirma que, em agosto de 2026, não havia nenhuma categoria medida de pesquisa de IA em que Claude operasse de maneira totalmente autônoma, sem participação humana.

Entre no grupo do Folha Vitória no WhatsApp

O que está acontecendo, entretanto, já é suficientemente importante para mudar a discussão.

A IA deixou de ser apenas uma ferramenta de programação

No início da revolução da IA generativa, a dinâmica era simples: o programador escrevia o código, a inteligência artificial sugeria trechos e o profissional revisava o resultado. A tecnologia funcionava principalmente como uma assistente, ajudando a acelerar tarefas específicas do desenvolvimento.

Com a evolução dos modelos, porém, esse cenário mudou. Ferramentas baseadas em agentes passaram a receber objetivos mais amplos, criar e modificar arquivos, executar códigos, rodar testes, identificar erros e tentar novas soluções. A IA deixou de apenas sugerir o próximo comando e passou a participar de etapas cada vez maiores do processo de desenvolvimento.

A relação deixou de ser:

humano escreve → IA ajuda

e começou a se transformar em:

humano define o objetivo → IA executa grande parte do trabalho → humano supervisiona.

A Anthropic descreve justamente essa mudança em seus estudos sobre agentes de programação. Em uma análise baseada em aproximadamente 400 mil sessões do Claude Code, realizadas entre outubro de 2025 e abril de 2026, a empresa observou que, em uma sessão típica, as pessoas tomavam a maior parte das decisões sobre o que fazer, enquanto Claude assumia grande parte das decisões sobre como fazer.

É uma mudança pequena na frase, mas enorme na prática. O profissional deixa progressivamente de ser apenas executor e passa a atuar como orquestrador, arquiteto, revisor e responsável pelo resultado.

O caso mais impressionante: a Anthropic usando Claude para desenvolver IA

O exemplo mais direto vem da própria Anthropic. Em uma publicação de setembro de 2026, a empresa apresentou o chamado R&D Automation Index, criado para medir quanto de seu trabalho de pesquisa e desenvolvimento de IA pode ser realizado com diferentes níveis de participação dos modelos.

A escala utilizada vai de níveis sem participação da IA até um estágio de autonomia completa. No nível chamado AL4, a IA pode realizar a maior parte de uma tarefa de ponta a ponta a partir de uma instrução de alto nível, enquanto um humano supervisiona.

É nesse nível que Claude aparece liderando 26% das tarefas de pesquisa e desenvolvimento de IA avaliadas pela Anthropic em agosto de 2026.

Em fevereiro, a proporção estava abaixo de 1%. O crescimento é significativo porque mostra que o uso da IA não está apenas aumentando no trabalho cotidiano. Ele está avançando para dentro do próprio processo de criação dos modelos.

Ainda assim, é importante colocar o dado no devido contexto. A métrica é produzida pela própria Anthropic, utilizando sua metodologia e seus sistemas de avaliação. A empresa reconhece que ainda não existe uma metodologia universal para comparar esse tipo de automação entre diferentes laboratórios e que avaliações feitas com modelos da própria empresa podem apresentar limitações.

Ou seja: o número é relevante, mas deve ser interpretado como uma medição interna da Anthropic, e não como uma estatística independente sobre toda a indústria de IA.

Mais de 80% do código da Anthropic já é escrito por Claude

Outro dado ajuda a dimensionar a transformação. Segundo a própria Anthropic, mais de 80% do código incorporado ao código-base da empresa em maio de 2026 havia sido escrito por Claude.

Antes do lançamento do Claude Code em versão de pesquisa, em fevereiro de 2025, essa participação estava na casa de poucos pontos percentuais. A empresa também afirma que, no segundo trimestre de 2026, o engenheiro típico estava incorporando cerca de oito vezes mais código por dia do que em 2024.

Mas existe uma ressalva importante: quantidade de linhas de código não é sinônimo de produtividade.

Mais código pode significar mais funcionalidades, mas também pode significar mais complexidade, mais revisão e mais possibilidades de erro. A própria Anthropic reconhece essa limitação na análise.

O dado mais interessante, portanto, não é simplesmente o “8 vezes”. É a mudança de função do profissional. O engenheiro não precisa necessariamente digitar oito vezes mais código. Ele pode estar coordenando uma máquina que produz muito mais código.

E quando a IA começa a otimizar a própria infraestrutura de IA?

É aqui que a história fica ainda mais interessante. A Anthropic não é a única empresa experimentando esse modelo.

O Google DeepMind desenvolveu o AlphaEvolve, um agente de programação baseado em Gemini projetado para descobrir e otimizar algoritmos.

Em 2025, o Google apresentou o sistema como uma combinação entre modelos de linguagem, avaliação automatizada e uma abordagem evolucionária capaz de gerar diferentes soluções, testá-las e selecionar aquelas que apresentam melhores resultados.

Em 2026, a empresa informou que o AlphaEvolve passou de uma fase experimental para utilização regular em sua infraestrutura.

O sistema foi utilizado para otimizar o projeto da próxima geração de TPUs, os processadores desenvolvidos pelo Google para cargas de inteligência artificial.

Segundo o Google DeepMind, o AlphaEvolve também encontrou políticas mais eficientes para substituição de cache, alcançando em dois dias uma solução para um problema que anteriormente exigia um esforço humano concentrado durante meses.

O sistema também ajudou a melhorar a eficiência do Google Spanner, banco de dados distribuído da empresa, reduzindo em 20% a chamada “write amplification” em uma otimização específica.

E existe um detalhe particularmente simbólico:

o AlphaEvolve também foi utilizado para melhorar processos relacionados ao treinamento dos próprios modelos de inteligência artificial.

É o começo de um ciclo:

IA → melhora algoritmos → algoritmos melhoram infraestrutura → infraestrutura permite modelos melhores → modelos melhores ajudam a criar algoritmos ainda melhores.

O exemplo do compilador que quase ninguém esperava

Outro experimento da Anthropic mostra até onde os agentes de programação começaram a chegar. Em fevereiro de 2026, pesquisadores da empresa colocaram 16 agentes Claude para trabalhar em paralelo na construção de um compilador de C baseado em Rust.

O objetivo era criar o sistema do zero com capacidade de compilar o kernel Linux. Segundo a Anthropic, foram realizadas quase 2 mil sessões do Claude Code, com aproximadamente US$ 20 mil em custos de API. O resultado foi um compilador com cerca de 100 mil linhas de código, capaz de compilar o Linux 6.9 em arquiteturas x86, ARM e RISC-V.

Isso não significa que 16 IAs tenham simplesmente recebido uma frase e produzido um compilador perfeito.

O projeto dependia de testes, arquitetura de tarefas, mecanismos de supervisão e uma estrutura capaz de manter os agentes trabalhando sobre uma base de código compartilhada.

Mas o experimento demonstra uma mudança importante:

em vez de um humano programando e uma IA auxiliando, vários agentes podem trabalhar simultaneamente em diferentes partes de um projeto complexo.

A próxima fronteira: equipes de agentes

Essa mudança pode ser ainda mais relevante do que simplesmente ter um chatbot melhor. Imagine uma equipe virtual formada por agentes especializados.

Um recebe o objetivo.
Outro analisa a arquitetura.
Outro escreve código.
Outro procura vulnerabilidades.
Outro executa testes.
Outro analisa desempenho.
Outro tenta encontrar erros.
Outro documenta tudo.
E um sistema central coordena o trabalho.

Isso já está sendo estudado. A Anthropic descreveu experimentos com equipes de agentes trabalhando paralelamente sobre uma mesma base de código.

Em agosto de 2026, a empresa também publicou pesquisas sobre sistemas multiagentes e destacou que agentes estão assumindo tarefas em bases de código compartilhadas, mercados e outros ambientes de interação.

A consequência potencial é enorme. Uma equipe de dez pessoas pode passar a trabalhar acompanhada por dezenas ou centenas de agentes especializados.

A pergunta deixa de ser apenas:

“Quantos profissionais precisamos?”

E começa a ser:

“Quantos agentes cada profissional consegue coordenar com segurança?”

O cientista também começa a ganhar uma equipe de IA

A transformação não está limitada à engenharia de software. O Google DeepMind também apresentou um sistema chamado AI co-scientist, baseado em múltiplos agentes, projetado para ajudar pesquisadores a gerar, discutir e evoluir hipóteses científicas.

A proposta é interessante porque pesquisa científica envolve justamente tarefas que podem se beneficiar de exploração em grande escala. Um pesquisador pode ter uma hipótese.

Um sistema multiagente pode gerar diversas alternativas, confrontar argumentos, procurar evidências e sugerir caminhos experimentais.

A decisão científica, entretanto, continua dependendo de validação humana e experimental. Essa distinção é essencial.

Gerar uma hipótese não é provar uma hipótese.

Da mesma maneira:

gerar código não é garantir que o software esteja correto.

O que realmente significa “IA criando IA”?

É preciso tomar cuidado com essa expressão. Ela pode significar várias coisas diferentes.

Nível 1: IA escreve código

O sistema recebe uma especificação e produz código. Isso já é realidade.

Nível 2: IA executa e testa o código

O agente não apenas escreve. Ele executa, identifica erros, corrige e repete. Também já acontece.

Nível 3: IA escolhe como resolver o problema

O humano apresenta um objetivo mais amplo e o agente decide a sequência de ações. Isso está avançando rapidamente.

Nível 4: IA participa da pesquisa e desenvolvimento de modelos

Aqui entramos no território mais interessante. O agente pode ajudar a otimizar algoritmos, analisar experimentos, desenvolver infraestrutura e trabalhar em tarefas relacionadas à criação de novos modelos.

Já existem exemplos concretos disso na Anthropic e no Google DeepMind.

Nível 5: IA totalmente autônoma desenvolve uma sucessora

Esse é o cenário que alimenta muitas das discussões sobre autoaperfeiçoamento recursivo. Nesse estágio hipotético, uma IA seria capaz de identificar autonomamente como melhorar suas próprias capacidades, implementar essas mudanças, avaliar os resultados e repetir o processo sem depender de decisões humanas relevantes.

Não é onde estamos hoje.

A própria Anthropic afirma que não registrou, em agosto de 2026, nenhuma categoria medida de seu trabalho de P&D de IA funcionando nesse nível de autonomia completa.

O verdadeiro salto pode estar na velocidade

Talvez a maior consequência dessa transformação não seja uma IA “mais inteligente”. Pode ser uma IA mais rápida de desenvolver. Imagine que um laboratório tenha uma nova ideia para melhorar um modelo. Normalmente, pesquisadores precisam:

formular a hipótese
escrever código
preparar experimentos
executar testes
analisar resultados
identificar problemas
alterar o código
executar novamente

Se parte significativa dessas etapas for automatizada, o número de ciclos de experimentação pode aumentar.

E é justamente aí que aparece um fenômeno importante. Se cada ciclo de desenvolvimento fica mais barato e rápido, mais ideias podem ser testadas no mesmo período.

A vantagem não está necessariamente em uma única IA fazer tudo. Está em conseguir testar milhares de possibilidades enquanto antes seria possível testar dezenas.

Isso pode acelerar a evolução da tecnologia

A lógica é semelhante à de uma linha de produção. Imagine um pesquisador que consegue testar uma hipótese por semana. Agora imagine uma equipe capaz de testar cem no mesmo período. Se os mecanismos de avaliação forem confiáveis, a quantidade de experimentos aumenta e, com ela, também cresce a possibilidade de encontrar soluções mais eficientes e promissoras.

É justamente nessa lógica que funciona o AlphaEvolve, sistema desenvolvido pelo Google DeepMind que combina geração de programas, avaliação automatizada e evolução das soluções que apresentam melhores resultados. Na prática, ele cria uma espécie de laboratório digital: a IA propõe uma solução, o computador executa os testes, o sistema mede o desempenho e as alternativas mais eficientes podem servir de ponto de partida para novas tentativas.

O processo se repete em ciclos sucessivos, permitindo explorar rapidamente um grande número de possibilidades. Não se trata de evolução biológica, mas de uma busca computacional orientada por avaliação, na qual diferentes soluções são geradas, testadas e aprimoradas com base em critérios objetivos de desempenho.

Mas existe um problema: quem avalia a IA?

Aqui está uma das questões mais importantes de todo esse debate: quem avalia a IA quando ela começa a ajudar a criar ou aprimorar outra IA? Se um sistema passa a participar de decisões cada vez mais complexas, não basta confiar na resposta apresentada. É necessário verificar se aquilo que ele produziu realmente funciona e se a melhoria apontada é, de fato, uma melhoria.

Imagine um agente responsável por alterar um algoritmo utilizado no treinamento de um modelo. Depois de fazer a mudança, ele conclui que o novo método apresenta desempenho superior. Mas como comprovar essa afirmação? A resposta passa por métricas objetivas, testes, experimentos controlados e, sempre que possível, validações independentes que permitam comparar os resultados.

É por isso que sistemas como o AlphaEvolve utilizam mecanismos automatizados de avaliação para testar as soluções produzidas e identificar aquelas que apresentam melhor desempenho. A lógica é importante porque permite que a IA não apenas gere uma alternativa, mas também receba um retorno sobre o resultado obtido e utilize essa informação para orientar novas tentativas.

O desafio, porém, tende a aumentar à medida que os agentes assumem tarefas mais complexas. A Anthropic reconhece limitações em sua própria metodologia, especialmente quando modelos de IA são utilizados para avaliar outros modelos e ainda não existe um padrão independente e universal para esse tipo de avaliação. Quanto maior a autonomia dos agentes, portanto, maior será também a necessidade de mecanismos confiáveis de validação, supervisão e controle.

Mais autonomia também significa mais risco

Existe uma regra simples nesse novo cenário: quanto mais poder é entregue a um sistema, maior pode ser o impacto de um eventual erro. Uma IA que sugere uma linha de código incorreta pode causar um problema pontual, facilmente identificado e corrigido. Já um agente com acesso a milhares de arquivos, servidores, ferramentas e ambientes de produção pode provocar consequências muito maiores caso tome uma decisão equivocada.

A própria Anthropic reconhece esse desafio ao tratar da segurança de agentes de inteligência artificial. Segundo a empresa, à medida que esses sistemas passam a executar tarefas com menos supervisão humana, aumenta também o risco de interpretarem uma instrução de maneira incorreta ou realizarem ações que não estavam previstas. Quanto maior a autonomia, portanto, maior precisa ser a preocupação com controles, permissões e mecanismos de supervisão.

Outro risco está nos chamados prompt injections, ataques nos quais informações maliciosas são inseridas em conteúdos acessados pelo agente com o objetivo de influenciar ou manipular seu comportamento. Em ambientes nos quais a IA possui acesso a ferramentas e sistemas reais, uma manipulação desse tipo pode ir além de uma resposta inadequada e resultar em ações indesejadas. Por isso, a expansão dos agentes exige que segurança e governança avancem no mesmo ritmo da autonomia.

Por isso, a evolução dos agentes precisa caminhar junto com:

controle de acesso;
isolamento de ambientes;
auditoria;
testes;
aprovação humana;
rastreabilidade;
limites de execução;
monitoramento;
mecanismos de reversão.

A questão não é apenas fazer uma IA capaz.

É fazer uma IA capaz sem entregar a ela um poder desproporcional ao nível de controle existente.

E o profissional de tecnologia? Vai perder espaço?

A inteligência artificial não representa apenas uma ameaça aos profissionais de tecnologia, mas uma mudança na forma como o trabalho é realizado. Enquanto a IA assume cada vez mais tarefas de execução, os profissionais continuam responsáveis por objetivos, planejamento e decisões estratégicas.

Nesse cenário, habilidades como pensamento crítico, arquitetura, segurança, conhecimento do negócio, validação, governança e tomada de decisão ganham importância. O diferencial passa a ser menos a capacidade de executar tarefas e mais a habilidade de orientar a tecnologia e avaliar seus resultados.

A pergunta para um desenvolvedor, portanto, pode deixar de ser:

“A IA vai escrever meu código?”

E passar a ser:

“Eu sei definir, supervisionar e validar uma IA que escreve código?”

Essa diferença é enorme.

O novo profissional pode ser um “gerente de agentes”

É possível imaginar uma nova camada profissional surgindo dentro das organizações. Não necessariamente um programador tradicional. Não necessariamente um cientista de dados.

Mas alguém capaz de:

decompor problemas;
distribuir tarefas entre agentes;
definir critérios de sucesso;
revisar resultados;
controlar permissões;
interpretar métricas;
validar decisões;
integrar agentes aos processos da empresa.

É uma evolução natural da automação. Primeiro automatizamos tarefas. Depois automatizamos processos. Agora começamos a automatizar a própria construção das automações.

O efeito sobre empresas pode ser ainda maior

Para as organizações, o desafio não será apenas escolher e comprar uma ferramenta de inteligência artificial. A verdadeira transformação estará em redesenhar processos para aproveitar a tecnologia de forma estratégica, integrando agentes às diferentes etapas do trabalho.

Em uma empresa de tecnologia, por exemplo, agentes poderão apoiar atividades como levantamento de requisitos, programação, testes, documentação, segurança e implantação. Os profissionais continuarão essenciais, mas terão seu papel transformado, com maior foco em supervisão, decisões e direcionamento. Com isso, a produtividade e a velocidade de execução podem aumentar.

Mas mais velocidade também exige mais controle. É como trocar uma bicicleta por um carro de corrida: é possível chegar muito mais rápido ao destino, mas é preciso ter uma pista adequada, regras claras e alguém preparado para controlar o veículo. Na era dos agentes de IA, governança, segurança e supervisão passam a ser tão importantes quanto a própria tecnologia.

E existe um risco econômico importante

Se a produtividade realmente aumentar de forma significativa, as empresas poderão produzir mais utilizando menos horas humanas em determinadas atividades. Esse ganho pode reduzir custos, acelerar projetos e abrir espaço para novos investimentos e inovações.

Ao mesmo tempo, a automação pode aumentar a pressão sobre algumas funções profissionais, especialmente aquelas compostas por tarefas repetitivas e previsíveis. O impacto, porém, não será igual para todas as ocupações: enquanto algumas atividades poderão ser amplamente automatizadas, outras continuarão dependendo de experiência, criatividade, julgamento e interação humana. Novas funções também podem surgir nesse processo.

A grande questão será entender como os ganhos de produtividade serão distribuídos. O avanço da IA poderá beneficiar empresas, trabalhadores e consumidores de diferentes maneiras, mas essa distribuição dependerá das decisões tomadas por organizações, profissionais e governos à medida que a tecnologia avançar.

O paradoxo da IA: quanto mais ela evolui, mais importante fica o fator humano

Pode parecer contraditório, mas quanto mais capazes forem os sistemas de inteligência artificial, mais importante pode se tornar a capacidade humana de definir o que deve ser feito e por quê. A IA pode explorar milhões de possibilidades e gerar milhares de hipóteses, mas alguém ainda precisa identificar quais problemas realmente merecem atenção e quais perguntas são relevantes.

Da mesma forma, uma IA pode escrever milhões de linhas de código, desenvolver soluções e executar tarefas em alta velocidade. Ainda assim, cabe às pessoas decidir se aquele produto faz sentido, se resolve um problema real e se está alinhado aos objetivos da organização. A tecnologia pode ampliar a capacidade de execução, mas não elimina a necessidade de direção.

Esse pode ser um dos pontos centrais da próxima fase da inteligência artificial. A vantagem não estará apenas em quem possui o modelo mais avançado, mas também em quem souber construir uma colaboração eficiente entre pessoas e agentes, combinando capacidade computacional, conhecimento humano, criatividade, julgamento e responsabilidade.

O futuro não é necessariamente “IA contra humanos”

Os casos atuais sugerem algo mais interessante. Pode surgir uma relação:

humano + agentes + infraestrutura automatizada + avaliação contínua.

O pesquisador deixa de trabalhar sozinho.

O desenvolvedor deixa de programar sozinho.

O analista deixa de analisar sozinho.

O gestor deixa de executar sozinho.

Todos passam a trabalhar com uma espécie de força de trabalho digital. A Anthropic já descreve uma realidade em que agentes assumem tarefas cada vez mais amplas, enquanto o Google DeepMind demonstra sistemas capazes de explorar algoritmos e otimizar componentes de sua própria infraestrutura.

O que acontece se esse ciclo continuar?

Essa é a pergunta que ninguém consegue responder com segurança. Se os modelos ficarem melhores em programação, pesquisa, experimentação e otimização, eles poderão ajudar a construir sistemas ainda melhores.

Esses sistemas, por sua vez, poderão acelerar novamente a pesquisa. É possível imaginar um ciclo:

IA melhor → pesquisa mais rápida → novos algoritmos → modelos melhores → pesquisa ainda mais rápida.

Mas existem limites. Computação custa dinheiro, exige energia e depende de infraestrutura e hardware que precisam ser produzidos. Além disso, dados podem ser limitados e os resultados dos experimentos precisam ser constantemente testados e validados.

Por isso, ainda não há evidências suficientes para afirmar que esse processo levará inevitavelmente a uma inteligência totalmente autônoma. A evolução pode ser rápida, mas continua condicionada a recursos, validação e decisões humanas.

O que já pode ser observado, entretanto, é algo mais concreto:

a inteligência artificial está deixando de ser apenas um produto desenvolvido por pessoas para se tornar também uma ferramenta utilizada no próprio desenvolvimento da próxima geração de inteligência artificial.

A grande mudança talvez já tenha começado

Há uma diferença entre dizer que a IA vai mudar o futuro e observar que ela já está mudando a maneira como o próprio setor de IA trabalha.

A Anthropic afirma que Claude lidera 26% das tarefas medidas de P&D de IA em sua operação, embora ainda sob supervisão humana e sem atingir autonomia completa.

O Google DeepMind relata que seu AlphaEvolve já é utilizado em partes de sua infraestrutura, inclusive na otimização de algoritmos e no desenvolvimento de tecnologias relacionadas aos próprios sistemas de IA.

E experimentos com equipes de agentes mostram que sistemas múltiplos podem trabalhar em conjunto para executar projetos complexos de software.

Nenhum desses casos significa que máquinas passaram a construir sozinhas a próxima geração de inteligência artificial.

Mas eles mostram que a fronteira entre “usar IA” e “desenvolver IA com ajuda de IA” está desaparecendo rapidamente.

E talvez essa seja uma das mudanças tecnológicas mais importantes desta década.

Porque, quando uma tecnologia começa a ajudar a criar versões melhores dela mesma, a velocidade de evolução deixa de depender apenas da capacidade humana de construir.

Passa a depender também da capacidade humana de orquestrar, avaliar e controlar máquinas que ajudam a construir as próximas máquinas. No fim, a pergunta mais importante não é se a IA vai substituir o ser humano.

É outra:

quem estará preparado para trabalhar quando a IA deixar de ser apenas uma ferramenta e passar a ser parte da própria equipe?

5 pontos para entender essa transformação

A IA já participa do desenvolvimento de outras IAs, mas ainda não existe evidência de autonomia completa nesse processo.
Anthropic e Google DeepMind já documentaram aplicações reais de agentes em programação, pesquisa e otimização de algoritmos.
O papel do profissional de tecnologia está mudando, com maior peso para planejamento, arquitetura, supervisão e validação.
A velocidade de experimentação pode se tornar uma vantagem competitiva, permitindo testar muito mais soluções em menos tempo.
Governança e segurança passam a ser tão importantes quanto capacidade técnica, porque agentes mais autônomos também podem ampliar o impacto de erros.

A inteligência artificial já não está apenas transformando a forma como usamos a tecnologia. Ela começa a participar do próprio processo de criação, desenvolvimento e aprimoramento dos sistemas que estarão presentes na próxima geração de ferramentas digitais. Casos como os da Anthropic e do Google DeepMind mostram que essa mudança já saiu do campo das possibilidades e entrou em aplicações reais, embora ainda dependa de supervisão, infraestrutura e validação humana.

O próximo grande salto, portanto, pode não estar apenas em criar IAs mais inteligentes, mas em aprender a trabalhar melhor com elas. Empresas e profissionais que conseguirem combinar capacidade humana, agentes de IA, segurança e governança estarão diante de novas possibilidades de produtividade e inovação. A tecnologia continuará avançando, mas a direção desse avanço ainda dependerá de uma decisão essencialmente humana: saber o que queremos construir e, principalmente, para quê.

ExpoTI 2026: o encontro que conecta a tecnologia capixaba ao futuro

Esses e outros temas que estão moldando o futuro da tecnologia e dos negócios estarão em pauta na ExpoTI 2026, um dos principais eventos de tecnologia e inovação do Espírito Santo. O encontro acontece no dia 14 de novembro de 2026, no Golden Tulip Porto Vitória, reunindo especialistas, empresas, profissionais e estudantes para um dia de conteúdo, inovação e networking. Inscrições abertas em: www.expoti.com.br.

Compartilhe com a gente as suas experiências, ou se precisar esclarecer alguma dúvida entre em contato, será uma satisfação para nós poder te ajudar de alguma forma. Fique sempre ligado no Folha Digital.

👨🏼‍💻 www.jacksongalvani.com.br Tecnologia, inovação e pessoas no centro da transformação.