Existe uma pergunta cada vez mais comum nas discussões sobre inteligência artificial:
Quantas vezes uma IA poderá ser mais inteligente que um ser humano?
Dez vezes? Cem vezes? Mil vezes?
À primeira vista, parece uma pergunta razoável. Afinal, computadores já executam determinados cálculos milhões ou bilhões de vezes mais rapidamente que uma pessoa. Modelos de inteligência artificial conseguem analisar grandes volumes de texto, produzir código, comparar documentos e executar diversas tarefas em velocidades impossíveis para um ser humano.
O problema começa quando transformamos essa vantagem operacional em uma medida de inteligência.
Uma IA capaz de realizar em dez minutos o trabalho que uma pessoa executaria durante oito horas não é necessariamente dezenas de vezes mais inteligente. Ela pode simplesmente estar operando muito mais rapidamente.
Da mesma forma, um sistema capaz de executar mil experimentos simultaneamente pode produzir muito mais conhecimento do que um pesquisador individual, mesmo que cada uma de suas decisões não seja cognitivamente mil vezes mais sofisticada.
Essa distinção é fundamental para compreender o próximo estágio da inteligência artificial.
Talvez estejamos caminhando não apenas em direção à superinteligência, mas inicialmente para algo que poderia ser chamado de superprodutividade.
E os efeitos econômicos dessa segunda possibilidade podem ser tão transformadores quanto os da primeira.
Velocidade não é sinônimo de inteligência
Imagine dois pesquisadores diante do mesmo problema.
O primeiro é humano e consegue analisar cinco hipóteses durante um dia.
O segundo é um sistema de IA capaz de analisar cinco mil.
Se ambos possuírem aproximadamente a mesma capacidade de avaliar corretamente cada hipótese, a IA poderá encontrar uma solução muito antes.
O resultado pode dar a impressão de que estamos diante de uma inteligência extraordinariamente superior.
Mas parte da vantagem veio de outra coisa:
velocidade.
Essa diferença parece pequena conceitualmente, mas é gigantesca quando pensamos sobre o futuro da IA.
Um sistema pode melhorar em diversas dimensões ao mesmo tempo.
Pode processar informações mais rapidamente, trabalhar continuamente, executar milhares de tarefas paralelas, acessar quantidades enormes de conhecimento e utilizar ferramentas externas.
Nenhuma dessas características, isoladamente, significa necessariamente que sua capacidade cognitiva fundamental aumentou na mesma proporção.
É justamente por isso que afirmações como “a IA será mil vezes mais inteligente que uma pessoa” precisam ser tratadas com cuidado.
Antes de aceitar a comparação, precisamos perguntar:
Mil vezes melhor em quê?
O problema das métricas atuais de inteligência artificial
Grande parte do progresso da IA é acompanhado através de benchmarks.
São testes utilizados para avaliar matemática, programação, raciocínio, ciência, compreensão de texto e outras capacidades.
O problema é que esses testes estão sendo superados cada vez mais rapidamente.
O Stanford AI Index 2026 chama atenção para esse fenômeno. Segundo o relatório, modelos de fronteira avançaram rapidamente em avaliações que haviam sido criadas justamente para permanecer difíceis durante algum tempo. O relatório observa que alguns benchmarks começam a saturar poucos meses depois de serem introduzidos. Stanford HAI
Isso cria um desafio curioso.
Quando um modelo passa de 70% para 95% em uma prova, sabemos que houve aumento de desempenho.
Mas não podemos simplesmente dizer que sua inteligência aumentou 35%.
A escala não funciona dessa maneira.
Um pequeno ganho percentual pode representar a solução de problemas muito mais difíceis. Em outros casos, grandes ganhos podem resultar apenas de melhorias na estratégia utilizada para responder determinado benchmark.
Existe ainda outro problema.
Muitos testes medem resultado, não necessariamente o processo cognitivo necessário para chegar até ele.
Essa diferença será cada vez mais importante.
Capacidade cognitiva e capacidade operacional são coisas diferentes
Para compreender melhor o fenômeno, vale separar quatro dimensões.
A primeira é a capacidade cognitiva.
Ela representa a dificuldade do problema que o sistema consegue compreender e resolver.
A segunda é a velocidade cognitiva.
Um sistema pode chegar aproximadamente à mesma conclusão que uma pessoa, mas chegar centenas de vezes mais rápido.
A terceira é o paralelismo.
Enquanto um ser humano geralmente mantém um número relativamente limitado de linhas complexas de raciocínio simultaneamente, sistemas computacionais podem executar inúmeras instâncias independentes.
A quarta é a escala de conhecimento e ferramentas.
Uma IA pode consultar bancos de dados, executar código, pesquisar documentos, operar softwares, gerar simulações e comparar resultados quase instantaneamente.
Quando essas quatro características são combinadas, surge algo extremamente poderoso.
Mas ainda não significa que todas cresceram na mesma proporção.
Uma nova maneira de medir capacidade: quanto tempo de trabalho humano a IA consegue assumir?
Uma abordagem interessante surgiu nos estudos da METR, organização que pesquisa capacidades de modelos avançados.
Em vez de perguntar apenas quantas questões um modelo acerta, a METR observa quanto tempo um profissional humano levaria para realizar determinadas tarefas.
A métrica é chamada de task completion time horizon.
A ideia é medir a duração de tarefas humanas que um agente de IA consegue completar autonomamente com determinada confiabilidade.
Uma tarefa que exige alguns minutos de um profissional é diferente de uma que exige horas ou dias de trabalho coordenado.
Segundo a METR, esse horizonte aumentou rapidamente nos modelos mais avançados. Metr
Pesquisa da METR sobre horizonte de tarefas de IA
Essa abordagem começa a se aproximar de uma questão mais relevante para empresas e para a economia:
por quanto tempo uma IA consegue trabalhar autonomamente em um problema antes de precisar de intervenção humana?
Isso é muito diferente de simplesmente contar tokens ou respostas corretas.
A superprodutividade pode chegar antes da superinteligência
Agora chegamos a uma possibilidade particularmente interessante.
Talvez a economia seja profundamente transformada antes mesmo de existir algo que possamos chamar de superinteligência.
Imagine uma IA que seja apenas duas vezes melhor que um profissional altamente qualificado em determinadas tarefas.
Isso já seria significativo.
Agora imagine que essa mesma IA possa trabalhar 24 horas por dia.
Que possa ser replicada dez mil vezes.
Que cada instância compartilhe informações com as outras.
Que todas possam executar código, consultar bancos de dados, realizar simulações e testar hipóteses.
O resultado não seria simplesmente uma pessoa duas vezes mais produtiva.
Teríamos um sistema produtivo completamente diferente.
É nesse ponto que surge a diferença entre superinteligência individual e superprodutividade sistêmica.
Um milhão de IAs medianamente superiores pode ser mais transformador que uma única supermente
Grande parte da ficção científica imagina a inteligência artificial como uma entidade única.
Uma enorme mente digital capaz de pensar muito além dos humanos.
Mas talvez a transformação econômica ocorra de outra maneira.
Imagine um milhão de agentes digitais.
Cada um possui competência semelhante ou ligeiramente superior à de um profissional humano.
Eles trabalham simultaneamente.
Um pesquisa.
Outro programa.
Outro analisa resultados.
Outro procura erros.
Outro testa alternativas.
Outros milhares repetem processos diferentes.
Os resultados são agregados continuamente.
Nesse cenário, nenhuma IA precisa ser mil vezes mais inteligente.
O sistema completo pode produzir muito mais do que milhares de trabalhadores humanos.
Esse fenômeno é particularmente importante porque software pode ser copiado.
Treinar um especialista humano exige anos.
Duplicar uma instância de software pode levar segundos.
O exemplo mais poderoso pode estar na ciência
Considere uma equipe científica tradicional.
Para testar uma hipótese, pesquisadores precisam formular uma teoria, preparar experimentos, executar simulações, coletar dados, interpretar resultados e decidir o próximo passo.
Grande parte desse processo é sequencial.
Agora imagine sistemas de IA capazes de automatizar progressivamente esse ciclo.
Uma IA formula mil hipóteses.
Outra executa simulações.
Uma terceira analisa os resultados.
Uma quarta identifica inconsistências.
Uma quinta gera novas hipóteses com base nas descobertas.
O ciclo recomeça.
A velocidade da ciência poderia aumentar não apenas porque a IA “pensa melhor”, mas porque o número de ciclos experimentais realizados por unidade de tempo cresceria enormemente.
Essa diferença é essencial.
Uma descoberta que exigiria cinco anos talvez pudesse ocorrer em alguns meses não porque cada ideia individual se tornou cem vezes mais brilhante, mas porque cem vezes mais caminhos foram explorados.
Já existem sinais desse efeito no trabalho
Alguns estudos sobre inteligência artificial generativa ajudam a ilustrar a diferença entre capacidade e produtividade.
Uma pesquisa conduzida por Erik Brynjolfsson, Danielle Li e Lindsey Raymond analisou mais de cinco mil agentes de atendimento ao cliente.
O acesso a um assistente de IA aumentou a produtividade média em aproximadamente 14%. Entre trabalhadores menos experientes, os ganhos foram consideravelmente maiores. NBER
Estudo Generative AI at Work do NBER
Isso não significa que os trabalhadores ficaram 14% mais inteligentes.
Significa que o sistema humano mais IA conseguiu resolver mais problemas por unidade de tempo.
Essa distinção pode parecer semântica hoje.
No futuro ela poderá definir como interpretamos boa parte da economia digital.
O Stanford AI Index 2026 também observa que os ganhos de produtividade tendem a aparecer de forma mais clara em trabalhos estruturados e mensuráveis, enquanto tarefas envolvendo raciocínio mais profundo apresentam resultados mais heterogêneos. Stanford HAI
A empresa do futuro talvez seja uma máquina de paralelismo
Imagine uma empresa de software com cem engenheiros.
Agora suponha que cada engenheiro tenha acesso a vinte agentes de IA especializados.
Alguns escrevem código.
Outros criam testes.
Outros procuram vulnerabilidades.
Outros revisam documentação.
Outros simulam usuários.
Outros monitoram sistemas.
A empresa passa de cem unidades de trabalho humano para milhares de processos inteligentes simultâneos.
Não significa necessariamente que cada agente seja mais inteligente que o melhor engenheiro da companhia.
Mas a capacidade total da organização pode aumentar drasticamente.
Isso muda a própria definição de produtividade.
Durante a Revolução Industrial, máquinas ampliaram nossa capacidade física.
Durante a revolução computacional, computadores ampliaram nossa capacidade de calcular e armazenar informação.
A IA pode ampliar algo diferente:
a quantidade de trabalho cognitivo executável.
Computação se transforma em força de trabalho cognitiva
Existe outra consequência profunda dessa mudança.
Historicamente, aumentar a produção exigia contratar pessoas.
Se uma empresa precisasse dobrar sua capacidade de análise, programação ou atendimento, provavelmente precisaria contratar mais profissionais.
Com agentes de IA, parte dessa relação começa a mudar.
Capacidade computacional poderá ser transformada diretamente em capacidade cognitiva operacional.
Mais servidores podem significar mais agentes.
Mais agentes podem significar mais pesquisa, análise, programação, suporte, produção de conteúdo e experimentação.
Essa conexão entre computação e trabalho cognitivo ajuda a explicar por que a expansão da infraestrutura de IA é tão importante.
A Epoch AI acompanha a evolução dessa infraestrutura e estima que a capacidade global de computação dedicada à IA vem crescendo rapidamente. Seus dados indicam que escala computacional continua sendo um dos principais motores do progresso dos sistemas atuais. Epoch AI
Dados da Epoch AI sobre escala computacional
Então o que seria verdadeira superinteligência?
Superprodutividade significa fazer muito mais.
Superinteligência significaria algo diferente.
Seria a capacidade de realizar raciocínios que seres humanos simplesmente não conseguem realizar, independentemente de quanto tempo recebam.
Essa distinção é importante.
Considere um problema científico extremamente difícil.
Se um pesquisador humano pudesse resolvê lo em dez anos e uma IA resolvesse em um dia, temos uma diferença extraordinária de produtividade.
Mas imagine outro problema que nenhuma equipe humana conseguiria compreender adequadamente em cem anos.
Se uma IA pudesse resolvê lo rapidamente, estaríamos diante de algo qualitativamente diferente.
A diferença deixaria de ser apenas velocidade.
Teríamos uma expansão da fronteira cognitiva.
É nesse ponto que o termo superinteligência começa a adquirir um significado mais rigoroso.
O perigo de transformar inteligência em um único número
Existe uma tentação natural de simplificar.
Humano = 1.
IA futura = 100.
Superinteligência = 1000.
Mas inteligência provavelmente não funciona como potência de um motor.
Ela possui várias dimensões.
Um sistema pode superar seres humanos enormemente em memória e ainda ser fraco em planejamento.
Pode ser excelente em matemática e inconsistente ao interpretar situações sociais.
Pode escrever código rapidamente, mas cometer erros inesperados em projetos longos.
Pode analisar milhares de documentos e ainda falhar diante de uma premissa falsa.
É por isso que números como “100 vezes mais inteligente” precisam sempre ser acompanhados de uma definição.
Sem ela, estamos medindo uma abstração.
Existe ainda um efeito multiplicador
A discussão fica ainda mais interessante quando produtividade e inteligência começam a se alimentar.
Uma IA mais produtiva pode ajudar pesquisadores a desenvolver IAs melhores.
Essas IAs melhores podem acelerar novos experimentos.
Experimentos mais rápidos podem gerar algoritmos melhores.
Algoritmos melhores podem aumentar novamente a produtividade.
Temos então um ciclo:
melhor IA → mais pesquisa → melhores modelos → mais capacidade de pesquisa.
A grande pergunta é até onde esse ciclo consegue avançar e quais gargalos físicos, econômicos, energéticos, científicos e regulatórios surgirão ao longo do caminho.
Não sabemos a resposta.
Mas sabemos que não precisamos esperar uma inteligência quase incompreensível para observar efeitos importantes.
A transformação pode começar antes do que imaginamos
Talvez o erro mais comum ao pensar no futuro da IA seja esperar por um momento cinematográfico.
Um dia existiria IA normal.
No dia seguinte surgiria uma superinteligência.
A realidade provavelmente será muito mais gradual.
Primeiro, sistemas farão partes de tarefas.
Depois realizarão tarefas completas.
Depois coordenarão projetos.
Depois trabalharão durante períodos cada vez maiores com pouca supervisão.
Ao mesmo tempo, ficarão mais baratos, mais rápidos e disponíveis em quantidades maiores.
O resultado será uma combinação de capacidade cognitiva crescente, velocidade, paralelismo e escala.
E talvez seja justamente essa combinação, e não uma única mente artificial extraordinária, que transforme primeiro a economia.
A pergunta correta não é “quantas vezes mais inteligente?”
Quando alguém disser que uma futura IA será cem ou mil vezes mais inteligente que um ser humano, talvez a resposta mais útil seja outra pergunta:
Em qual dimensão?
Se estamos falando de cálculos por segundo, a diferença pode ser gigantesca.
Se estamos falando de quantidade de documentos analisados, também.
Se estamos falando de experimentos simultâneos, a vantagem pode se tornar praticamente incomparável.
Se estamos falando da profundidade máxima de raciocínio, a resposta é muito menos simples.
Essa distinção muda completamente a maneira como interpretamos previsões sobre inteligência artificial.
Talvez uma IA não precise se tornar mil vezes mais inteligente para transformar o mundo.
Ela pode simplesmente tornar possível executar mil vezes mais trabalho cognitivo útil.
E isso já seria extraordinário.
Superinteligência pode ser o destino. Superprodutividade pode ser a revolução que chega primeiro.
A discussão sobre inteligência artificial frequentemente olha para o horizonte mais distante.
Máquinas capazes de superar radicalmente qualquer inteligência humana.
É uma possibilidade importante e merece estudo.
Mas existe algo acontecendo antes.
Estamos construindo sistemas capazes de transformar computação em produção cognitiva.
Eles podem trabalhar mais rapidamente.
Podem ser replicados.
Podem executar tarefas em paralelo.
Podem utilizar ferramentas.
Podem colaborar entre si.
Podem operar continuamente.
Talvez a maior mudança da próxima década não seja uma máquina mil vezes mais inteligente que Einstein.
Talvez sejam milhões de sistemas suficientemente competentes, trabalhando milhares de vezes mais rápido do que seria possível organizar através de seres humanos.
Isso não seria necessariamente superinteligência.
Seria algo potencialmente tão importante quanto:
superprodutividade.
E compreender a diferença entre as duas pode ser essencial para entender o verdadeiro impacto da inteligência artificial no trabalho, na ciência, nas empresas e na sociedade.
