A IA chegou ao limite? O que os números de 2026 mostram sobre o fôlego da inteligência artificial

A pergunta aparece em toda conversa sobre tecnologia: a inteligência artificial já deu o que tinha que dar ou ainda vai muito longe? Os números de outubro de 2026 não dão uma resposta única. Os testes independentes mostram a capacidade técnica ainda subindo, em alguns casos mais rápido do que antes. Ao mesmo tempo, a forma de melhorar os modelos mudou, os erros não sumiram, e a dúvida mais forte passou a ser outra: se o dinheiro investido vai voltar. Este artigo separa o que foi medido, o que foi dito, o que é previsão e o que as empresas afirmam sobre os próprios produtos.

Em resumo

Por que a pergunta voltou agora

Duas coisas aconteceram em outubro de 2026. A primeira é técnica: os lançamentos mais recentes foram recebidos com menos espanto que os de anos anteriores. O METR, instituto independente que avalia modelos de IA, classificou o Claude Opus 5.5, lançado em 22 de setembro, como um avanço “incremental”. O Gemini 3.5 Pro, anunciado pelo Google em maio, teve o lançamento adiado por desempenho fraco em programação, segundo a agência Bloomberg. A segunda é financeira: em 13 de outubro, o Fundo Monetário Internacional colocou uma correção nas ações de empresas de IA entre os três principais riscos para a estabilidade financeira mundial. Logo depois, empresas que alugam computação para IA tiveram quedas fortes na bolsa.

Com isso, a pergunta ganhou duas versões que costumam ser misturadas. Uma é se a tecnologia parou de melhorar. A outra é se o negócio em torno dela se sustenta. Os dados respondem às duas de forma diferente.

Como a IA aprende, em três etapas

Para entender o debate, vale saber como um modelo de linguagem, como o ChatGPT, o Gemini ou o Claude, é construído.

A primeira etapa é o pré-treino. O modelo lê uma quantidade enorme de texto e aprende a prever qual pedaço de palavra vem a seguir. Esses pedaços se chamam tokens; uma palavra comum vale um ou dois tokens. Durante anos, a receita foi simples: mais texto, mais computadores e um modelo maior davam um resultado melhor. Isso ficou conhecido como “lei de escala”.

A segunda etapa é o aprendizado por reforço. Em vez de só ler, o modelo tenta resolver tarefas, recebe uma nota pelo acerto e ajusta o comportamento. É parecido com treinar por exercícios corrigidos.

A terceira é o raciocínio na hora de responder. O modelo gasta mais computação pensando, em etapas, antes de dar a resposta final. Perguntas difíceis ficam mais caras de responder, mas a qualidade sobe.

Para medir tudo isso, o setor usa benchmarks, que são provas padronizadas: um conjunto fixo de perguntas ou tarefas, com gabarito, aplicado igual a todos os modelos.

Os sinais de limite

### O pré-treino rende menos

O argumento mais sólido de quem fala em limite é que a primeira etapa já não entrega o mesmo ganho. Ilya Sutskever, um dos criadores do ChatGPT e hoje à frente da empresa SSI, disse em novembro de 2025 que o período entre 2020 e 2025 foi a “era da escala” e que o setor voltou para a “era da pesquisa”. Na mesma entrevista, afirmou que “os dados são claramente finitos” e que os modelos “generalizam muito pior” que as pessoas, ou seja, aplicam mal o que aprenderam a situações novas.

### O muro dos dados

A Epoch AI, instituto que acompanha a evolução da IA com dados públicos, estimou em 2024 que todo o texto humano público disponível soma cerca de 300 trilhões de tokens. Pela projeção, esse estoque seria esgotado pelo treino dos modelos entre 2026 e 2032, com 80% de probabilidade. A própria Epoch aponta saídas, como dados gerados por computador e outros formatos além do texto, mas o horizonte coincide com o momento atual.

### Energia e custo

O Stanford AI Index 2026, relatório anual da Universidade Stanford, calcula que os data centers de IA do mundo somam 29,6 gigawatts, capacidade comparável ao pico de consumo do estado de Nova York. Segundo a Epoch, a computação usada para treinar os modelos de ponta cresce cinco vezes por ano, e o custo do treino, três vezes e meia. Um gigawatt de data center custa cerca de US$ 38 bilhões.

### Erros que continuam

Os modelos ainda inventam informações, o que o setor chama de alucinação. No teste AA-Omniscience, da Artificial Analysis, o GPT-6 Astra reduziu a taxa de respostas inventadas de 92% para 51% em relação ao antecessor. É uma melhora grande, e ainda assim metade das respostas erradas nesse teste continua sendo inventada em vez de admitida como desconhecida.

### Tarefas do mundo real

Fora das provas padronizadas, o desempenho cai. O AI Index registra que o melhor modelo lê a hora num relógio de ponteiro certo apenas 50,1% das vezes, e que robôs completam 12% das tarefas domésticas testadas. A organização 80.000 Hours reuniu exemplos como o café administrado por IA da Andon Labs, que perdeu dinheiro, e um teste de tarefas profissionais completas com cerca de 3% de sucesso. Yann LeCun, que deixou a Meta para fundar a AMI Labs, afirmou em janeiro de 2026 que uma IA de nível humano “não será construída” sobre os modelos de linguagem atuais.

Os sinais de fôlego

### As provas continuam subindo

Do outro lado, os números das avaliações independentes seguem para cima. No SWE-bench Verified, prova de programação com problemas reais de software, o desempenho foi de cerca de 60% para quase 100% em um ano, segundo o AI Index 2026. No OSWorld, que mede tarefas feitas diretamente no computador, os modelos chegaram a cerca de 66%, perto dos 72,35% de pessoas. Yolanda Gil, que coordena o relatório, resumiu: a tecnologia “não está estagnando de forma alguma”.

No índice de capacidade da Epoch, em que o GPT-5 vale 150 pontos, o Claude Opus 5.5 e o GPT-6 Astra empatam em 169, no topo entre 253 modelos avaliados.

### Tarefas cada vez mais longas

O METR mede quanto tempo de trabalho humano um agente de IA consegue completar em metade das tentativas. Em março de 2023, o GPT-4 dava conta de tarefas de 4 minutos. Em agosto de 2025, o GPT-5 chegava a 3,4 horas. Em abril de 2026, o Claude Mythos Preview foi estimado em cerca de 17 horas, com margem larga, de 8,5 a 55 horas. O próprio METR avisa que, acima de 16 horas, a medição deixa de ser confiável, e a página não é atualizada desde 8 de setembro. Mesmo com essas ressalvas, a curva mostra a duração das tarefas dobrando em poucos meses.

### O preço despenca

Um mesmo nível de desempenho custa cada vez menos. Pela Epoch, o preço cai cerca de 47% por trimestre desde 2023, o equivalente a cerca de 13 vezes mais barato por ano. O AI Index de 2025 já mostrava que uma resposta no nível do GPT-3.5 ficou mais de 280 vezes mais barata entre novembro de 2022 e outubro de 2024. Esse ganho de eficiência permite que mais gente use IA sem que o custo acompanhe.

### Matemática

Em julho de 2025, o Gemini Deep Think, do Google, alcançou o nível de medalha de ouro na Olimpíada Internacional de Matemática, com 35 de 42 pontos, numa avaliação feita pelos corretores oficiais da competição. Em outubro de 2026, a OpenAI publicou 372 alegações de provas matemáticas. Thomas Bloom, que mantém o site de referência sobre os problemas do matemático Paul Erdős, considerou interessantes as 23 provas ligadas a esses problemas, mas disse que ainda não as conferiu e que elas são “matéria-prima”. Gary Marcus, crítico conhecido do setor, apontou que o anúncio não informa o método nem a taxa de falhas.

Fatos medidos

O que dizem os protagonistas

Estas são falas de pessoas identificadas, com a data em que foram ditas. São opiniões, não medições.

Previsões

Estas são apostas sobre o futuro, feitas por quem tem interesse ou estuda o assunto. Nenhuma é fato.

O que as empresas afirmam

As frases abaixo vêm das próprias empresas sobre os próprios produtos. Estão separadas porque quem fala tem interesse direto.

A dúvida mudou de lugar: o dinheiro

Se a capacidade técnica segue subindo, por que tanta conversa sobre limite? Porque a pergunta econômica ficou mais pesada. O relatório de estabilidade financeira do FMI, de 13 de outubro, chamou atenção para a dependência entre empresas que investem umas nas outras e são, ao mesmo tempo, clientes umas das outras, os chamados acordos circulares. Em 20 e 21 de outubro, o jornal The Wall Street Journal relatou que o rascunho do documento de abertura de capital da Anthropic mostra prejuízo de mais de US$ 80 bilhões no primeiro semestre de 2026, dos quais US$ 72 bilhões são um ajuste contábil, sem saída de dinheiro do caixa.

A Ramp, empresa americana de cartões corporativos que acompanha os gastos de seus clientes, mostra que mais da metade das empresas que atende já paga por IA, mas que o ritmo de novas adesões desacelerou. Os dois lados medem coisas diferentes: o AI Index mede o que a tecnologia consegue fazer; a Ramp mede quanto o mercado está disposto a pagar por ela. Uma pode subir enquanto a outra se aproxima de um teto.

O que isso muda para você

Para quem usa IA no dia a dia, a notícia prática é de preço. Em 16 de outubro de 2026, os planos no Brasil eram: ChatGPT Go a R$ 39,99 e Plus a R$ 99,90; Gemini AI Plus a R$ 24,99 e AI Pro a R$ 96,99; Claude Pro a US$ 20 no site. O plano Gemini AI Plus deixa de dar acesso aos modelos Pro a partir de 13 de novembro de 2026. Os modelos mais avançados ficaram mais caros: o GPT-6 Astra custa 2,5 vezes o antecessor, segundo a Artificial Analysis. Para tarefas comuns, como escrever, resumir e pesquisar, o plano mais barato costuma atender.

Os ganhos de produtividade medidos são maiores em programação, com 26%, e em atendimento ao cliente, com 14%, segundo os gráficos do AI Index publicados pela MIT Technology Review. Pesquisas citadas pela imprensa brasileira indicam que cerca de um quarto dos trabalhadores do país já usa IA no trabalho.

Como as respostas inventadas continuam, a regra segue valendo: números, datas, nomes e citações precisam ser conferidos na fonte.

No plano nacional, a lei do Redata, sancionada em 15 de setembro de 2026, suspende o Imposto de Importação, o IPI, o PIS e a Cofins sobre equipamentos de data centers, com renúncia fiscal estimada em R$ 5,2 bilhões em 2026. O vice-presidente Geraldo Alckmin disse que a lei “vai trazer previsibilidade” ao setor.

Onde as fontes divergem

O próprio AI Index traz dois números para o ponto de partida do OSWorld: cerca de 12% no texto e cerca de 5% no gráfico. O ritmo de crescimento do horizonte de tarefa também varia: o estudo original do METR falava em dobrar a cada 7 meses; com os dados mais recentes, o intervalo fica entre 3 e 5 meses, conforme o período escolhido. E as estimativas de receita das empresas de IA mudam muito conforme a fonte e o método, por isso ficaram fora deste texto.

O que se sabe e o que não se sabe

Os dados de outubro de 2026 mostram uma tecnologia que continua ganhando capacidade nas provas independentes, que faz tarefas cada vez mais longas e que fica mais barata a cada trimestre. Mostram também que a receita de crescimento mudou: o pré-treino rende menos, e o avanço depende de treino por tentativa e erro e de mais computação na hora de responder. Os erros diminuíram, mas não acabaram, e o desempenho em tarefas do mundo real fica abaixo do desempenho nas provas.

O que não se sabe é se esse ritmo se mantém quando o texto disponível acabar, se a energia e o dinheiro vão acompanhar a demanda e se a receita vai justificar o investimento. Os pesquisadores mais conhecidos discordam entre si sobre prazos, de um ou dois anos a mais de uma década. Por enquanto, a resposta honesta à pergunta do título é que a IA não chegou ao limite técnico medido, e que o teste mais difícil dos próximos anos pode ser econômico.

Fontes: 1 · 2 · 3 · 4 · 5 · 6 · 7 · 8 · 9 · 10 · 11 · 12 · 13 · 14 · 15 · 16 · 17 · 18 · 19 · 20 · 21 · 22 · 23 · 24 · 25 · 26 · 27 · 28 · 29 · 30 · 31 · 32