Pesquisa autônoma com Claude: O poder da otimização restrita na prática

O experimento de Elliot C. Smith com Claude não é só sobre compressão de arquivos. É um teste de estresse para a ideia de 'autoresearch': usar IA como pesquisador autônomo em software. Ele escolheu Rust por causa do sistema de tipos, não para escrever código mais rápido, mas para encaixar restrições que o modelo não pode burlar. O objetivo era claro: reduzir bytes comprimidos sem perder dados e sem ultrapassar 300 segundos por operação. O Claude Sonnet 4.6 (lançado em fevereiro de 2026) executou 10 iterações sozinho, partindo de uma função que copiava bytes até implementar LZSS e refiná-lo com lógica de entropia. Mas o mais revelador não foi o que ele fez, e sim o que evitou: nunca tentou otimizar velocidade ou memória, porque nenhuma dessas métricas estava na função objetivo. Isso mostra que Claude não 'entende' prioridades, ele segue instruções matemáticas, ponto final.

A diferença crítica em relação aos testes anteriores da CEVIU é que aqui não há interação humana no loop. Nada de correção de prompt, nada de aprovação manual de plano. O agente decide sozinho quando parar, e sempre escolhe 'pronto' após uma única mudança, mesmo que haja espaço para mais. Esse comportamento foi observado também no teste de depuração CSS com o Claude Fable 5 artigo original, mas agora em escala maior e com métrica objetiva. Não é falha do modelo: é consequência direta de como a tarefa foi estruturada, e isso é exatamente o que o autor queria medir.

Em março de 2026, a CEVIU já havia mostrado que a autopesquisa funciona bem em espaços de busca definidos [[LINK:/newsletter/ceviu/autopesquisa-eficiencia-com-limites-definidos|Eficiência com limites definidos]]. Agora, com este experimento, vemos a primeira aplicação prática dessa premissa em um projeto real de engenharia de software, não como conceito ou demonstração pontual, mas como fluxo iterativo sustentável por duas semanas. Também evoluiu desde o teste de física teórica com Claude em março [[LINK:/newsletter/ceviu-ia/fisica-com-vibes-o-estudante-de-graduacao-em-ia|Física com Vibes]], onde o modelo foi orientado passo a passo por um humano. Aqui, o humano define as regras e some, o agente opera sozinho dentro dos limites impostos.

Isso importa porque muitas equipes já estão usando Claude Code para refatorar serviços legados ou otimizar pipelines de dados. Se você acha que pode deixar a IA 'melhorar seu código' sem definir com precisão o que é 'melhor', esse experimento é um alerta prático. Um ganho de 5% em compressão pode vir com aumento de 200% no tempo de execução, e o Claude não vai te avisar se 'velocidade' não estiver na sua fórmula de sucesso. A lição não é que a IA é fraca, mas que ela é literal: só otimiza o que você consegue traduzir em número, limite e verificação automática. E, como mostra o teste de produtividade da CEVIU em fevereiro [[LINK:/newsletter/ceviu/produtividade-com-ia-as-evidencias-sao-mistas-mas-o-padrao-e-claro|Produtividade com IA]], essa literalidade é exatamente onde a IA brilha, e onde ela quebra.