Previsões sobre IA ficaram aquém: o avanço dos últimos 18 meses superou o esperado

O texto de Benjamin Todd, publicado no Substack, pontua previsões de superforecasters, pesquisadores, CEOs de empresas de IA e as dele próprias contra 18 meses de progresso real. A conclusão: quase todo mundo errou para baixo. Superforecasters e o público subestimaram mais. Pesquisadores de IA foram melhores, mas ainda lentos. Só os líderes das empresas pecaram por otimismo, e pouco. A regra prática de Todd: se você tratar o que eles dizem para seis meses como algo que acontece entre seis e 18, acerta bastante.

Os números são concretos. Todd previu 32% no FrontierMath até o fim de 2026 e 97% em 2030. A IA marcou 40% no fim de 2025 e 94% em setembro de 2026. No horizonte de tempo de 80% da METR, a maioria esperava 3 horas até o fim de 2026, e isso já foi atingido em abril. Sobre receita, superforecasters projetavam US$ 90 bilhões anualizados para OpenAI e Anthropic no fim de 2026, e já eram US$ 100 bilhões em julho. Em matemática, a mediana de mais de mil pesquisadores (pesquisa de dezembro de 2024) apontava 2054 para a IA resolver um problema em aberto como os do Milênio. Segundo o texto, isso teria ocorrido em setembro de 2026, ainda sem validação formal, que pode levar anos. Todd também admite limites: matemática e código avançam mais porque o RL funciona melhor em tarefas verificáveis, e tarefas difíceis de verificar exigem mais RL, embora o ritmo pareça similar.

O tema vem sendo costurado pelo CEVIU. Em 19 de fevereiro de 2026, o CEVIU publicou "Empiristas vs. Extrapoladores: A cegueira que impede o entendimento do progresso da IA", sobre a subestimação repetida do ritmo. Em 4 de abril de 2026, "Atualização de Prazos do 1º Trimestre de 2026" registrou que a codificação agentic andava mais rápido que o esperado. Em 24 de setembro de 2026, "Previsões de progresso da IA: especialistas consistentemente subestimam avanços tecnológicos" já apontava o padrão. A diferença agora é que o texto de Todd traz um placar quantificado, comparando grupos de previsores contra resultados medidos.

Para quem planeja produto, infraestrutura ou contratação em IA, a leitura é que projetar capacidade fixa ou "um pouco à frente de hoje" tem sido a aposta perdedora. Vale tratar as metas dos laboratórios com seriedade, com uma margem de atraso, e não descartá-las como marketing. Ressalva: parte dos dados citados é autoavaliada (como a do pesquisador automatizado da OpenAI) e a análise é de um único autor.