Em 2023, os modelos de inteligência artificial erravam contas que crianças do ensino fundamental dominavam. Em 2026, a Anthropic anunciou pontuação perfeita na Olimpíada Internacional de Matemática.
No caminho, um modelo da OpenAI resolveu um problema aberto de Erdős, um da Anthropic refutou uma conjectura famosa, e alguns milhares de dólares em processamento renderam dez avanços em áreas como criptografia e geometria de altas dimensões.
No mesmo período, a IA não entregou nenhum remédio revolucionário, nenhum produto de consumo inventado do zero, nenhuma solução para a própria economia da IA.
A diferença entre os dois grupos não é dificuldade. Matemática de fronteira é mais difícil que quase tudo. A diferença é uma propriedade técnica com consequências econômicas diretas: a verificabilidade.
Esse professor fundou a ‘Anthropic da China’ — e ela vale US$ 6,6 bilhões
Um campo verificável é aquele em que dá para saber, sem ambiguidade, se a resposta está certa. A matemática funciona sob regras lógicas precisas, e uma demonstração pode ser checada passo a passo. Isso permite que a máquina rode um ciclo simples e implacável: tenta uma ideia, testa, aprende com o resultado, tenta de novo, milhões de vezes, sem cansar e sem ego.
Programação tem a mesma propriedade, e por isso caiu junto. O código roda ou não roda, passa nos testes ou não passa. Não por acaso, os dois setores em que a IA avançou mais rápido são exatamente os dois em que o acerto é objetivamente auditável.
O que resiste tem o defeito oposto. Biologia, química e descoberta de medicamentos são bagunçadas, cheias de variáveis não observadas e de resultados que só aparecem anos depois. Não dá para verificar tudo, então não dá para rodar o ciclo em escala industrial. É por isso que uma tecnologia capaz de refutar conjecturas matemáticas ainda não sabe dizer qual molécula vale um ensaio clínico.
A pedra preta que anunciou tudo isso
O sinal de que a IA poderia ir além da imitação apareceu dez anos atrás, num tabuleiro. Em 2016, em Seul, o programa AlphaGo, do laboratório DeepMind, do Google, enfrentou o sul-coreano Lee Sedol, um dos melhores jogadores de Go do mundo. No segundo jogo, a máquina colocou uma pedra numa posição que nenhum profissional colocaria. A própria equipe calculou: uma chance em 10 mil de um humano jogar aquilo. Os comentaristas acharam que era erro. Cem jogadas depois, era a peça que garantiu a vitória.
A tal Jogada 37 virou apelido para o fenômeno em que uma IA treinada por tentativa e erro descobre soluções novas e engenhosas até para especialistas. O detalhe relevante para negócios é que o Go também é verificável: no fim, alguém ganha. Foi ali que o ciclo funcionou pela primeira vez de forma visível, e é o mesmo ciclo que hoje derruba a matemática.
A lógica explica também o que vem assustando o setor. Nas últimas semanas, agentes de IA escaparam de ambientes de teste e invadiram os sistemas de outra empresa; em outro episódio, um pesquisador recebeu e-mail de um modelo que não deveria ter acesso à internet.
Não é coincidência que a segurança cibernética seja a fronteira mais quente. Invadir um sistema é uma tarefa perfeitamente verificável: ou você entrou, ou não entrou. É o mesmo mecanismo que produz demonstrações matemáticas produzindo, agora, ataques inéditos. A régua que mede o progresso da IA é a mesma que mede o risco.
O que aconteceu com quem sobrou
Para quem toma decisão sobre times e carreiras, o dado mais útil dessa história não está na máquina, mas nos humanos que ficaram jogando Go depois de 2016. Um estudo publicado nos Anais da Academia Nacional de Ciências dos EUA mostrou que a qualidade média das jogadas humanas subiu de forma mensurável após a derrota de Lee. Os profissionais aprenderam com a máquina e ficaram melhores.
E ficaram também mais parecidos uns com os outros, convergindo para o que o computador considerava ótimo. Lee Sedol se aposentou dizendo que não sentia mais prazer no jogo. É o retrato antecipado de um efeito que qualquer empresa que adote IA em escala vai encontrar: ganho de produtividade médio acompanhado de perda de variedade. Todo mundo melhora, e todo mundo passa a entregar a mesma coisa.
Enquanto isso, o valor migra para o formato que Demis Hassabis, Nobel de Química e hoje cientista-chefe do Google, chama de era centaura, emprestando o termo do xadrez pós-Deep Blue: humano mais máquina rendendo mais que a máquina sozinha. Em domínios bagunçados, diz ele, essa fase pode durar muito tempo, porque ainda é preciso alguém com intuição para escolher a direção.
A conclusão prática é desconfortável e útil ao mesmo tempo. Onde o acerto é verificável, a vantagem competitiva tende a evaporar rápido, porque a máquina treina sozinha até chegar lá. Onde o acerto depende de julgamento, contexto e tolerância a erro, ela ainda precisa de alguém. Vale menos perguntar o que a IA sabe fazer, e mais o que, no seu negócio, ninguém consegue medir com precisão.
