Em resumo: a Anthropic publicou três maneiras de acompanhar como a inteligência artificial participa do desenvolvimento de novos modelos: o grau de automação do trabalho de pesquisa, a supervisão de agentes internos e a distribuição de recursos de computação. A empresa afirma que, em agosto de 2026, Claude liderava 26% das tarefas de pesquisa e desenvolvimento medidas e que cerca de 30 mil agentes trabalhavam simultaneamente em sua plataforma interna mais usada. Os números são relevantes, mas ainda dependem de categorias, amostras e classificadores definidos pela própria Anthropic. Transparência útil não é o mesmo que verificação independente.
O que aconteceu
Em 17 de setembro de 2026, a Anthropic apresentou um conjunto experimental de métricas para tornar mais visível o ritmo de desenvolvimento dentro de laboratórios de IA de fronteira. A proposta separa três perguntas que costumam aparecer misturadas: quanto do trabalho de criar IA já é realizado pela própria IA, quanto das ações de agentes pode ser observado e interrompido, e como a capacidade computacional destinada a pesquisa é dividida entre segurança e outras atividades.
A publicação traz um retrato interno da própria empresa. Ela não cria um padrão aceito por todo o setor, não compara diretamente laboratórios concorrentes e não demonstra que os controles capturam todo comportamento perigoso. O mérito inicial está em transformar uma discussão vaga sobre aceleração em medidas que outras organizações poderiam tentar reproduzir.
Quando isso aconteceu
O anúncio foi publicado em 17 de setembro de 2026. Os recortes, porém, usam períodos diferentes. O índice de automação e os dados de supervisão se referem principalmente a agosto de 2026. A árvore de tarefas foi construída com registros de trabalho de julho. Já a distribuição de computação representa uma única semana, de 13 a 20 de julho de 2026.
Essa diferença de datas impede ler todos os números como se fossem uma fotografia tirada no mesmo instante. Também recomenda cautela com qualquer projeção linear. Um valor medido em um mês ou em uma semana pode mudar por lançamento de modelo, migração de infraestrutura, incidente, experimento ou simples reclassificação.
Por que isso ainda importa
Empresas de IA costumam publicar avaliações de capacidade de modelos, mas a velocidade da pesquisa depende também de processos internos. Se agentes ajudam a escrever código, investigar falhas, executar experimentos e revisar resultados, eles podem encurtar o ciclo que produz a geração seguinte. Medir somente o modelo lançado deixa esse mecanismo fora do quadro.
O tema já apareceu no Bastidores ao explicar por que um pesquisador automatizado ainda dependia de intervenção humana. A nova proposta da Anthropic oferece uma lente diferente: em vez de perguntar apenas se um agente completa um teste, tenta estimar quanto do trabalho real da organização ele conduz e como esse trabalho é monitorado.
Três métricas para abrir a caixa-preta
A primeira medida é o Anthropic R&D Automation Index, um índice que distribui tarefas de pesquisa e desenvolvimento entre níveis de participação humana e automatizada. A segunda reúne cobertura, latência de revisão e taxa de escalonamento dos monitores aplicados a agentes internos. A terceira observa a parcela da computação de P&D classificada como trabalho de segurança.
As três não respondem à mesma pergunta. Automação descreve a divisão do trabalho. Supervisão descreve o alcance operacional dos controles. Computação descreve o uso de um recurso físico e econômico. Somar os percentuais ou tratá-los como uma nota única produziria uma conclusão sem base metodológica.
O índice de automação de P&D
A Anthropic adotou uma escala de seis níveis inspirada em trabalho da Epoch AI. Ela vai de AL0, sem participação de IA, até AL5, em que o sistema atuaria de forma plenamente autônoma. No meio, AL3 significa colaboração próxima com uma pessoa, enquanto AL4 descreve uma situação em que o agente lidera grande parte da tarefa a partir de um objetivo de alto nível e entrega o resultado para supervisão humana.
O índice não conta apenas quantos comandos foram enviados a Claude. Ele tenta mapear categorias reais de trabalho e ponderá-las pela quantidade aproximada de tempo humano dedicada a cada uma. Isso é mais informativo do que uso bruto, mas introduz decisões sobre escopo, peso e classificação.
O que significa Claude liderar 26%
Segundo a empresa, Claude estava no nível AL4 em 26% do trabalho de P&D medido em agosto. Liderar, nessa escala, não significa decidir sozinho o objetivo da empresa, liberar um modelo ou implantar toda mudança sem autorização. Significa concluir a maior parte de uma categoria de tarefa a partir de uma orientação de alto nível, com uma pessoa ainda responsável por supervisionar e aceitar o resultado.
O exemplo dado pela Anthropic é uma falha em um pipeline noturno. No nível de liderança, o agente poderia investigar logs, localizar a etapa quebrada, criar e testar uma correção, comparar a saída e documentar o ocorrido. A implantação final ainda ficaria com um engenheiro. Portanto, 26% não deve virar a manchete enganosa de que um quarto do laboratório funciona sem humanos.
Mais de 90% colabora ou lidera
A Anthropic também afirma que mais de 90% do trabalho medido estava em AL3 ou nível superior. Isso indica presença ampla de IA nas tarefas catalogadas, não substituição equivalente de pessoas. Colaboração pode incluir atividades longas realizadas sob direção próxima, com decisões de escopo, correções e validação ainda humanas.
A porcentagem ajuda a entender difusão, mas não informa qualidade, economia de tempo ou quantidade de erros por si só. Uma tarefa pode usar IA intensamente e continuar exigindo revisão demorada. Outra pode ter pouco uso, mas representar uma decisão crítica para segurança ou governança.
O limite mais importante: não há autonomia total
No próprio recorte, a empresa declara que Claude não operava em AL5 em nenhum subconjunto medido de P&D. Essa ressalva é central. O índice registra avanço de automação sob supervisão, não um sistema que identifica sozinho o problema, define a investigação, altera produção e assume responsabilidade pelo resultado.
Também não há demonstração de que a passagem de AL4 para AL5 ocorrerá de forma inevitável ou no ritmo sugerido por um gráfico. Tendências internas podem desacelerar quando as tarefas restantes exigem contexto tácito, coordenação institucional, julgamento, segurança ou acesso que não deve ser automatizado.
Como a amostra foi construída
Para montar a árvore de trabalho, a Anthropic diz ter amostrado semanalmente 20% das pessoas de cada departamento envolvido no ciclo de P&D durante julho de 2026. Um agente analisou registros como Slack e documentação interna e produziu cerca de 15 mil tarefas granulares. Outro processo organizou esse material em uma árvore com 542 nós, dos quais 378 eram folhas.
Depois, agentes pesquisaram evidências sobre cada categoria e um juiz baseado em Claude atribuiu o nível de automação. Os pesos vieram de uma aproximação de tempo por pessoa e por tarefa. É um método elaborado, mas ainda indireto: registros de trabalho não capturam perfeitamente esforço, valor, decisão, interrupções ou conhecimento compartilhado fora das fontes analisadas.
O juiz também é um modelo
A empresa reconhece que usa seus próprios modelos para avaliar quanto trabalho seus modelos realizam. Isso cria risco de erros correlacionados. Um juiz pode repetir a interpretação do agente que reuniu as evidências, atribuir confiança excessiva a uma descrição bem escrita ou não perceber uma dependência humana ausente do registro.
Como verificação interna, responsáveis por áreas também atribuíram níveis sem conhecer a conclusão do modelo. A Anthropic informa concordância exata de 59% entre modelo e pessoas, contra 35% entre pessoas, e proximidade de um nível em 97% dos casos. Esses resultados mostram que a classificação é possível, mas também que há desacordo real nas fronteiras entre colaborar e liderar.
A cesta congelada não mostra trabalho novo
O índice mantém uma árvore fixa para comparar períodos. Isso evita que a régua mude junto com o resultado, porém cria outro limite. Se pessoas deixam tarefas antigas para agentes e passam a fazer atividades novas, o índice pode subir sem representar a automação da totalidade do trabalho atual.
A Anthropic comparou uma cesta de janeiro com tarefas surgidas até julho e diz não ter encontrado aumento no número de tarefas novas no nível de análise adotado. Ainda assim, pretende reconstruir e versionar a cesta. Uma série pública precisará mostrar quando a taxonomia muda e como os valores antigos são recalculados.
Trinta mil agentes em uma plataforma interna
A segunda frente chama atenção pela escala. A empresa afirma que, em agosto de 2026, aproximadamente 30 mil agentes faziam trabalho de pesquisa e engenharia ao mesmo tempo em sua plataforma interna mais usada. O número não representa 30 mil empregados, nem necessariamente 30 mil tarefas independentes de alto impacto.
O recorte cobre uma plataforma específica. Sem duração média, distribuição por tipo de atividade, reutilização de agentes e definição operacional de simultaneidade, ele funciona melhor como indicador de escala do sistema de supervisão do que como medida de produtividade.
Cobertura não é eficácia
A Anthropic diz que 100% das ações desses agentes passam por um monitor online antes de serem executadas e que 100% são ingeridas por um monitor offline depois. Cobertura total é uma propriedade importante da canalização. Ela reduz caminhos invisíveis dentro do escopo declarado.
Mas cobertura não prova que o monitor interpreta corretamente cada ação. Um controle pode observar tudo e ainda produzir falso negativo, falso positivo ou alerta pouco útil. O Bastidores já mostrou essa diferença ao analisar incidentes e bloqueios em avaliações da Anthropic. Ver a ação e impedir um resultado perigoso são etapas diferentes.
A taxa de bloqueio precisa de contexto
Em mais de um bilhão de decisões analisadas em agosto, o monitor online bloqueou 0,002%, cerca de uma em 47 mil. Isoladamente, uma taxa baixa pode sustentar interpretações opostas: os agentes raramente tentaram algo indevido, o monitor foi seletivo, ou parte dos problemas não foi reconhecida.
Para avaliar a taxa, seria necessário conhecer o denominador por classe de ação, exemplos representativos, testes com comportamento perigoso conhecido e sensibilidade do detector. A própria empresa defende que desenvolvedores publiquem a frequência com que os monitores capturam comportamentos conhecidos e submetam esse teste a terceiros.
Monitoramento online e offline
O monitor online atua antes da execução e pode bloquear ou redirecionar uma ação. A revisão automatizada ocorre em segundos, enquanto ações bloqueadas podem levar até uma semana para revisão humana. O offline lê atividades depois do fato e procura padrões que talvez só apareçam em várias sessões.
Segundo a publicação, o sistema offline sinaliza cerca de 100 mil transcrições por semana. Classificadores sucessivos descartam a maior parte e aproximadamente 50 casos de maior prioridade chegam a pessoas. A empresa informa ainda que uma ou duas transcrições por mil são sinalizadas para revisão adicional. Esses números descrevem triagem, não incidentes confirmados.
O recorte de computação
A terceira métrica examina como a capacidade de computação foi usada de 13 a 20 de julho. A Anthropic classificou cargas de pesquisa e treinamento, inferência de agentes internos e outras atividades para separar P&D geral de trabalho cujo propósito dominante era segurança, interpretabilidade ou proteção.
Em vez de classificar quase dez mil execuções de treinamento e avaliação, a empresa amostrou cerca de 14%, dando mais peso às que consumiram mais computação. Para inferência de agentes, um classificador leu transcrições quando disponíveis. Tráfego compartimentalizado foi classificado por equipe ou, de forma conservadora, ficou em P&D geral.
Seis por cento não mede toda a segurança
No período, cerca de 6% da computação de P&D foi classificada como segurança. Entre a computação usada por IA para fazer P&D de IA, o valor foi de aproximadamente 12%. A Anthropic diz ter escolhido uma fronteira conservadora: trabalho que avançava segurança e capacidade em proporção semelhante não entrou na categoria de segurança.
A porcentagem não representa orçamento, pessoas, qualidade de pesquisa ou eficácia dos controles. Algumas atividades importantes usam pouca computação e muito tempo especializado. Classificadores de salvaguarda também ficaram fora desse recorte, embora consumam uma quantidade separada descrita como comparável.
Uma semana não forma tendência
A própria metodologia reconhece que sete dias bastam para demonstrar que a medição pode ser feita, mas não para mostrar trajetória. Treinamentos grandes, avaliações, manutenção e disponibilidade de aceleradores variam. Uma semana com mais experimento de segurança pode elevar a parcela sem mudança estrutural; uma otimização pode reduzi-la sem diminuir a atenção ao risco.
Uma série útil deveria manter definições versionadas, divulgar intervalos mais longos, explicar eventos excepcionais e permitir auditoria por amostragem. Sem isso, comparar 6% de uma empresa com outro percentual seria comparar classificações e calendários possivelmente diferentes.
O que uma auditoria independente precisa reproduzir
Uma verificação externa precisa acessar amostras de registros, regras de inclusão, versão da árvore de tarefas, pesos, prompts dos classificadores e critérios para resolver divergências. Também precisa confirmar que ações não escapam do caminho monitorado e testar o sistema com cenários conhecidos, sem expor segredos ou dados pessoais desnecessários.
A Anthropic diz planejar avaliadores independentes com acesso comparável ao de equipes internas de risco. Sua Responsible Scaling Policy mantém relatórios de risco como parte da governança. O passo decisivo será publicar resultados verificáveis desses terceiros, inclusive falhas e limitações, não apenas anunciar que o acesso será concedido.
Fato confirmado e análise editorial
Fato confirmado: a Anthropic publicou a metodologia, os percentuais e as limitações descritas nesta matéria. Também relaciona as medidas ao seu relatório de risco de agosto de 2026 e propõe obrigações de transparência em seu Advanced AI Framework.
Análise editorial: as métricas são mais úteis como proposta auditável e início de série histórica do que como prova de segurança atual. Elas tornam hipóteses discutíveis mais explícitas, mas ainda dependem do laboratório que produz os modelos, opera a infraestrutura e escolhe as categorias.
O que acompanhar daqui para frente
Os próximos relatórios deveriam mostrar se o índice mantém a mesma taxonomia, se o nível AL4 cresce, se tarefas novas deslocam a cesta original e se algum subconjunto chega a AL5. Na supervisão, importam a taxa de captura em testes controlados, o tempo real até decisão humana, a distribuição de falsos positivos e o tratamento de ações que atravessam vários agentes.
Na computação, o mais valioso será uma série comparável, acompanhada por definição pública e verificação externa. O principal teste da iniciativa não é a repercussão do primeiro número. É saber se a Anthropic continuará publicando medições quando elas piorarem, se outras empresas adotarão regras compatíveis e se terceiros conseguirão reproduzir as conclusões.
Fontes primárias
- Anthropic: Measurements for understanding the pace of AI development inside frontier labs, publicada em 17 de setembro de 2026.
- Anthropic Responsible Scaling Policy, página atualizada em 14 de agosto de 2026.
- Anthropic Redacted Risk Report, August 2026.
- Anthropic Advanced AI Framework, junho de 2026.