O anúncio não é novo: o Google DeepMind apresentou o AlphaEvolve em 14 de maio de 2025. Ainda assim, vale recuperar o assunto porque ele ajuda a separar duas coisas que costumam ser misturadas quando se fala em “agentes de IA”: gerar uma sugestão de código e demonstrar, por meio de avaliação automática, que aquela sugestão melhora uma medida definida.
O AlphaEvolve foi descrito pelo laboratório como um agente para descoberta e otimização de algoritmos. A ideia central é combinar modelos Gemini que propõem alterações em programas com avaliadores automáticos que executam, verificam e pontuam cada candidato. Os resultados que passam pelo critério alimentam novas rodadas de busca. Não é uma conversa que “pensa sozinha” até encontrar uma resposta: é um ciclo de hipótese, execução e seleção.
Quando isso aconteceu
O anúncio original foi publicado pelo Google DeepMind em maio de 2025, acompanhado de um white paper e de exemplos em computação, projeto de hardware e matemática. O laboratório disse que o sistema usava modelos Gemini Flash e Gemini Pro em papéis complementares: um para explorar mais propostas e outro para contribuir com sugestões de maior profundidade. O ponto verificável não é que o modelo “descobriu qualquer coisa”; é que propostas de código eram submetidas a uma função de avaliação definida para o problema.
Na publicação, o DeepMind citou aplicações internas em agendamento de data centers, circuitos aritméticos e treinamento de modelos. Também relatou resultados em problemas de multiplicação de matrizes e em uma coleção de problemas de matemática. Essas são alegações do próprio laboratório e devem ser lidas como resultados apresentados por seus autores, não como uma garantia de que o sistema funciona da mesma forma em qualquer organização.
O que muda quando existe um avaliador
Modelos de linguagem são bons em produzir alternativas: uma função, uma heurística, uma refatoração, uma nova ordem de operações. Mas variedade não equivale a qualidade. Em software, uma alteração aparentemente elegante pode quebrar um caso raro; em otimização, pode melhorar uma métrica local e piorar outra. O avaliador é a parte que permite rejeitar candidatos antes que eles virem decisão.
É por isso que AlphaEvolve é mais interessante como desenho de processo do que como produto de prateleira. O processo tem três componentes claros: uma representação do problema em código, uma métrica que pode ser calculada e um ambiente de teste que distingue uma melhoria de uma regressão. Sem esses três elementos, chamar uma geração de código de “evolução” é, na prática, apenas repetir prompts.
O próprio anúncio oferece exemplos úteis para entender o limite. Uma heurística de agendamento pode ser medida por uso de recursos; uma implementação de circuito pode ser verificada contra especificações; um kernel pode ser comparado por tempo de execução e correção. São domínios com retorno objetivo. Já pedidos como “melhore a experiência do usuário” ou “deixe este relatório mais convincente” exigem critérios humanos e não se tornam automaticamente verificáveis só porque um agente escreveu a primeira versão.
Os números apresentados pelo Google, com o devido contexto
O DeepMind afirmou que uma heurística descoberta para o sistema Borg recuperava, em média, 0,7% dos recursos globais de computação do Google; que uma otimização em um kernel de multiplicação de matrizes acelerou aquele kernel em 23% e reduziu em 1% o tempo de treinamento do Gemini; e que houve ganhos de até 32,5% em uma implementação de FlashAttention. São números específicos de sistemas, métricas e ambientes controlados pelo Google. Não servem como previsão de economia para quem simplesmente instalar um agente no repositório da empresa.
Isso não reduz a relevância dos resultados. Pelo contrário: mostra por que a métrica e o ambiente precisam aparecer junto do número. Para aproveitar uma abordagem semelhante, uma equipe precisa saber qual custo quer reduzir, qual qualidade não pode cair e qual teste impede que uma solução rápida cause um problema maior depois.
Por que isso ainda importa
Em 2026, há muito mais ferramentas prometendo agentes que programam, pesquisam ou operam fluxos de trabalho. A lição duradoura do AlphaEvolve é que autonomia útil não nasce apenas do modelo. Ela nasce de uma fronteira de ação bem definida e de feedback verificável. Um agente pode propor uma mudança; o ambiente de teste decide se ela merece seguir adiante.
Para equipes menores, a versão prática da ideia é mais simples e mais segura do que tentar replicar um laboratório de pesquisa. Escolha uma tarefa repetitiva com critério claro, por exemplo, reduzir o tempo de uma consulta, ordenar uma fila, melhorar cobertura de testes ou encontrar uma configuração mais econômica, guarde uma linha de base e faça cada alteração passar pelos mesmos testes. A IA pode gerar variações, mas a aprovação deve continuar vinculada a evidência.
O que o anúncio não prova
O anúncio não significa que problemas de negócio complexos já possam ser entregues a um agente sem supervisão. Um avaliador pode medir velocidade, custo ou conformidade com uma especificação; ele não resolve sozinho uma especificação incompleta, risco regulatório, viés de dados ou um objetivo mal escolhido. Também não elimina a necessidade de revisão de segurança quando a alteração toca credenciais, produção ou informações pessoais.
Há ainda uma questão de acesso. Em seu anúncio original, o DeepMind mencionava um programa de acesso antecipado para pesquisadores acadêmicos selecionados e a intenção de explorar uma disponibilidade mais ampla. Portanto, não é correto tratar o AlphaEvolve de 2025 como uma ferramenta pública, aberta e disponível para qualquer caso de uso.
Uma leitura mais sóbria
O valor editorial desta recuperação não está em vender uma máquina de descobertas. Está em mostrar um padrão técnico que vale observar: gerar alternativas é barato; avaliá-las com critérios bons é a parte difícil. Quanto mais uma equipe conseguir transformar “melhor” em algo mensurável e seguro, mais sentido faz usar IA para explorar soluções. Onde o critério ainda é humano, a IA continua sendo apoio, não árbitro final.