Superinteligência:
evidência, previsão
ou mito?
Uma pesquisa sobre o que sabemos, o que esperamos e o que ainda precisa ser demonstrado.
Explorar a pesquisa1. O que significa inteligência em uma máquina
Quando dizemos que uma máquina é inteligente, o que estamos reconhecendo nela? A capacidade de resolver um problema? De aprender algo novo? De encontrar uma solução sem receber todas as instruções? Essas perguntas ajudam a entender por que a inteligência artificial não pode ser avaliada apenas pela impressão que uma resposta provoca. É preciso observar quais capacidades o sistema demonstra e em quais situações consegue utilizá-las.
Uma distinção importante está entre fazer muito bem uma coisa e conseguir lidar com muitas coisas diferentes. Um sistema pode apresentar desempenho extraordinário em um jogo, por exemplo, sem que esse resultado demonstre competência para outras atividades. Por isso, uma das abordagens usadas na pesquisa separa duas dimensões: o nível de desempenho e a variedade de tarefas que a máquina consegue realizar. Essa distinção ajuda a compreender a diferença entre uma inteligência especializada e uma inteligência mais geral. [1]
Também importa entender como a máquina chegou ao resultado. Um bom desempenho pode depender de uma preparação extensa, com muitos exemplos e condições semelhantes às encontradas na avaliação. Isso demonstra uma habilidade, mas deixa uma pergunta: o sistema consegue enfrentar um problema diferente daqueles para os quais foi preparado?
Essa capacidade de aplicar o que foi aprendido a situações novas é chamada de generalização. Imagine, como exemplo ilustrativo, a diferença entre decorar as respostas de uma prova e aprender o raciocínio necessário para resolver outras questões. As duas situações podem produzir acertos numa avaliação conhecida, mas oferecem indicações diferentes sobre a capacidade de enfrentar desafios novos.
Na pesquisa sobre IA, essa distinção motiva propostas de avaliação que consideram não apenas os acertos, mas também a experiência anterior do sistema e sua capacidade de adquirir novas habilidades. Não existe, porém, uma medida única e universalmente aceita que resolva todas essas questões. A escolha do que testar influencia o significado do resultado. [24]
Outra distinção necessária é entre inteligência e autonomia. A primeira diz respeito às capacidades; a segunda, às condições em que o sistema pode agir com maior ou menor participação humana. Um programa que oferece uma sugestão para alguém aprovar ocupa uma posição diferente de um programa autorizado a executar ações. A liberdade para agir, por si só, não demonstra maior competência. [1]
Há ainda a questão da consciência: a possibilidade de existir uma experiência subjetiva, como sentir dor ou perceber algo. Investigar se uma máquina resolve problemas e investigar se ela sente alguma coisa são questões diferentes. Uma resposta sobre sentimentos não basta para estabelecer que eles existem.
A pesquisa sobre consciência artificial procura identificar características do funcionamento dos sistemas que possam ser relevantes para essa possibilidade. Para isso, recorre a teorias científicas da consciência, que oferecem critérios distintos. Esses critérios são instrumentos de investigação, não uma prova definitiva. Portanto, demonstrar competência numa tarefa não encerra a discussão sobre consciência. [9]
2. Os níveis e as classificações de IA
Falar em “níveis de inteligência artificial” ajuda a organizar o assunto, mas pode passar a impressão de que existe uma escada bem definida, com degraus que todas as máquinas precisam subir. As classificações usadas na pesquisa são formas de distinguir capacidades. Não representam, por si mesmas, um roteiro do futuro.
A inteligência artificial especializada atua em uma tarefa ou em um conjunto delimitado de atividades. Um programa desenvolvido para jogar xadrez ilustra essa categoria: sua competência está relacionada àquele domínio. Mesmo que supere jogadores humanos, isso não demonstra que consiga aprender uma profissão ou resolver problemas de outras áreas. “Especializada”, portanto, não significa pouco avançada. Um sistema pode ser extremamente sofisticado dentro de seus limites.
Já a expressão IA de propósito geral descreve sistemas que podem ser usados em atividades variadas. Um mesmo modelo pode ajudar a escrever, traduzir, resumir e programar. Essa variedade, entretanto, precisa ser examinada junto com a qualidade dos resultados. Executar muitas tarefas não significa executá-las todas com competência ou confiabilidade semelhantes. É essa combinação de amplitude e desempenho que algumas propostas de classificação procuram avaliar. [1]
A inteligência artificial geral, conhecida pela sigla AGI, traz uma exigência mais ampla. Em uma definição apresentada pela Universidade Stanford, nos Estados Unidos, o conceito envolve aprender, raciocinar e aplicar conhecimentos em diferentes áreas, com capacidade comparável à humana ou superior. A expectativa inclui enfrentar situações novas, para além de uma atividade específica.
O ponto decisivo está nessa flexibilidade. Para compreender a ideia, podemos imaginar um sistema diante de um problema desconhecido: ele precisaria aprender o necessário e utilizar esse aprendizado para avançar. Uma boa resposta isolada seria apenas parte da avaliação.
Há, porém, uma dificuldade: “capacidade comparável à humana” não tem o mesmo significado para todos. Quais atividades deveriam ser consideradas? Qual seria a referência de desempenho? Como verificar a adaptação a situações novas? A própria definição de Stanford ressalta que não existe um teste universalmente aceito para reconhecer uma AGI. Por isso, a afirmação de que um sistema alcançou esse estágio precisa vir acompanhada dos critérios utilizados e das evidências que a sustentam. [25]
A superinteligência artificial, também chamada de ASI, descreve uma possibilidade ainda mais abrangente: uma inteligência que supere amplamente as melhores capacidades humanas em praticamente todos os campos intelectuais relevantes. Nessa concepção, a superioridade envolveria atividades como investigação científica, planejamento e compreensão de situações sociais.
A diferença está na abrangência dessa superioridade. Uma máquina vencer pessoas em um jogo é uma realização delimitada. Uma superinteligência, conforme essa definição, teria vantagens intelectuais extensas, atravessando áreas diferentes. O termo expressa uma hipótese sobre capacidades possíveis; sua definição não comprova que elas tenham sido realizadas. [2]
Por isso, colocar IA especializada, AGI e superinteligência em sequência serve para comparar conceitos. Demonstrar que uma etapa levará à seguinte exige outra discussão: quais avanços seriam necessários, quais obstáculos existem e que evidências permitem esperar essa transição. Na literatura sobre superinteligência, inclusive, a possibilidade de uma passagem rápida da capacidade humana para uma capacidade muito superior aparece como hipótese — e deve ser lida dessa forma. [2]
3. AGI: o que seria necessário para uma IA ser geral
Uma inteligência artificial pode executar muitas tarefas e, ainda assim, encontrar dificuldades quando precisa lidar com uma situação diferente. Por isso, a discussão sobre AGI vai além da quantidade de funções disponíveis. O que está em questão é a capacidade de aprender, combinar conhecimentos e manter um desempenho consistente em problemas variados.
Essa amplitude envolve habilidades diferentes. Compreender uma instrução, estabelecer relações entre informações, planejar uma sequência de ações e perceber quando é necessário pedir esclarecimentos são exemplos. Nas propostas que procuram avaliar uma inteligência geral, essas capacidades precisam ser examinadas em conjunto. Um resultado excelente em uma delas não substitui a avaliação das demais. [1]
O aprendizado diante de situações novas ocupa um lugar importante nessa discussão. Imagine, como exemplo ilustrativo, um sistema que aprendeu a organizar entregas para uma empresa. Se os prazos, os recursos disponíveis ou as regras mudarem, ele consegue reorganizar a solução? E quanto precisa aprender para fazer isso? A pergunta não é apenas se ele apresenta uma resposta, mas se consegue adaptar o que sabe às novas condições.
É por isso que avaliar a inteligência exige considerar a preparação recebida. Um sistema pode ter encontrado, durante o treinamento, muitos problemas semelhantes aos de uma avaliação. Seu desempenho continua sendo relevante, mas não responde sozinho à questão da adaptação. Uma das propostas de pesquisa nessa área é observar a eficiência com que a máquina adquire habilidades novas, levando em conta seus conhecimentos e experiências anteriores. [24]
Também há diferença entre resolver uma tarefa e reconhecer os próprios limites naquela tarefa. Algumas propostas para avaliar AGI incluem a capacidade de identificar quando faltam informações ou quando é necessário recorrer à ajuda humana. Nesse entendimento, pedir esclarecimentos pode fazer parte de uma atuação competente. A generalidade não exige que o sistema acerte tudo nem que trabalhe sempre sem apoio. [1]
A comparação com pessoas precisa ser igualmente cuidadosa. Dizer que uma IA teve “desempenho humano” deixa questões abertas: ela foi comparada com iniciantes, profissionais experientes ou especialistas? As pessoas tiveram tempo suficiente? Puderam consultar materiais? O sistema recebeu ferramentas ou oportunidades adicionais de tentar?
Essas condições influenciam o significado do resultado. Comparações entre pessoas e máquinas precisam documentar quem participou, como as tarefas foram realizadas e quais recursos estavam disponíveis. Assim, é possível avaliar o que a vantagem observada realmente demonstra, sem transformar uma diferença nas condições do teste em uma conclusão sobre inteligência. [26]
Não existe, contudo, um teste universalmente aceito que reúna todas essas exigências e encerre a discussão. A expressão “atingimos AGI” depende da definição adotada e das evidências apresentadas. Para compreender uma afirmação desse tipo, é necessário saber quais capacidades foram demonstradas, em quais situações e com quais limitações. Sem esse contexto, o anúncio oferece um rótulo, mas ainda não esclarece o alcance da realização. [25]
4. Superinteligência: o que significa superar os humanos
Uma inteligência artificial pode superar pessoas em determinada atividade sem ser uma superinteligência geral. A diferença está no alcance dessa vantagem. No conceito de superinteligência discutido aqui, a superioridade precisaria atravessar uma variedade extensa de capacidades intelectuais, incluindo aquelas em que os melhores profissionais humanos encontram dificuldades.
Isso envolveria mais do que produzir respostas rapidamente. A hipótese abrange capacidades como formular explicações científicas, encontrar soluções para problemas complexos, planejar e compreender situações sociais. São atividades com exigências distintas. Um avanço extraordinário em uma delas não demonstra, por si só, que as demais também tenham sido alcançadas. [2]
Há diferentes maneiras de imaginar essa superioridade. Uma classificação conceitual apresentada no livro Superinteligência, publicado em 2014 pelo filósofo Nick Bostrom, distingue vantagens de velocidade, de qualidade e de capacidade coletiva. São formas de explorar a hipótese, não resultados de um experimento que tenha demonstrado uma superinteligência.
Na velocidade, o sistema conseguiria realizar atividades intelectuais comparáveis às humanas em muito menos tempo. A vantagem estaria em percorrer rapidamente etapas de raciocínio e trabalho.
Na qualidade, a diferença estaria no tipo de problema que consegue compreender e resolver. O sistema poderia encontrar relações ou desenvolver soluções que ultrapassassem as capacidades humanas, mesmo quando as pessoas dispusessem de mais tempo.
Na capacidade coletiva, a vantagem viria da coordenação de muitas partes trabalhando juntas. Diferentes componentes poderiam dividir tarefas e combinar resultados. Nesse caso, a organização seria decisiva: ampliar a quantidade de participantes não garante, por si só, que o conjunto consiga resolver qualquer problema. Algumas tarefas permitem divisão; outras dependem de uma compreensão integrada.
Essas possibilidades podem se combinar. Elas ajudam a perceber que “mais inteligente” não descreve uma única mudança, nem significa simplesmente “um computador mais rápido”. [27]
Também é necessário esclarecer quem serve de referência. Superar o desempenho de uma pessoa sem experiência, de um especialista e de uma equipe são comparações diferentes. A expressão “superior aos humanos” só se torna informativa quando a tarefa, os participantes e as condições da comparação são apresentados. [26]
Mesmo uma inteligência muito superior continuaria dependendo de uma estrutura física. Processar e armazenar informações exige recursos. A física estabelece limites para a velocidade de processamento e para a quantidade de informação que um dispositivo pode comportar, relacionados a características como energia e organização material. Uma capacidade intelectual extraordinária não tornaria esses limites inexistentes. [28]
Portanto, a hipótese de superinteligência trata de uma superioridade intelectual ampla. A definição descreve o que se pretende investigar; a demonstração exigiria evidências de que essa superioridade existe. Separar essas duas coisas permite discutir a possibilidade sem confundir a descrição de uma capacidade com sua realização. [2]
5. Onde estamos hoje
A inteligência artificial já realiza atividades que, até pouco tempo atrás, eram consideradas difíceis para computadores. Produzir textos, escrever programas, interpretar imagens e resolver determinados problemas científicos fazem parte das capacidades documentadas. O avanço, porém, não acontece de maneira uniforme: um sistema pode ter um desempenho impressionante em uma tarefa e apresentar dificuldades em outra que parece mais simples.
Esse contraste aparece no AI Index 2026, relatório da Universidade Stanford, nos Estados Unidos, que reúne e analisa resultados de pesquisas e avaliações de inteligência artificial. A publicação registra avanços em matemática, programação e raciocínio científico, acompanhados de limitações em tarefas de percepção e uso de computadores. Como reúne avaliações diferentes, o relatório permite observar tendências, mas cada resultado precisa ser entendido dentro do teste que o produziu. [3]
Essa irregularidade ajuda a explicar por que a experiência com IA pode variar tanto. Conseguir uma boa resposta não significa que o sistema terá a mesma competência no próximo problema. A dificuldade também pode aumentar quando uma atividade exige várias etapas encadeadas: compreender a situação, escolher uma ação, verificar seu resultado e corrigir o caminho.
O Relatório Internacional de Segurança da IA, publicado em fevereiro de 2026 por uma equipe de pesquisadores de diferentes instituições, reúne evidências sobre essas capacidades e limitações. A síntese aponta problemas de confiabilidade em trabalhos com muitas etapas, produção de informações falsas e desempenho desigual entre idiomas e contextos culturais. Esses resultados descrevem os sistemas e estudos examinados na publicação; não estabelecem um limite definitivo para o desenvolvimento da tecnologia. [5]
Ao mesmo tempo, existem avanços que vão além de responder perguntas. Um exemplo é o AlphaEvolve, sistema desenvolvido pelo Google DeepMind, a divisão de pesquisa em IA do Google, para buscar melhorias em programas de computador. Em um artigo divulgado em junho de 2025, seus desenvolvedores descreveram um processo no qual a IA propõe alterações no código, recebe avaliações dos resultados e utiliza esse retorno para produzir novas versões.
Segundo o trabalho, esse método encontrou melhorias em tarefas de matemática e em componentes da infraestrutura computacional do Google, incluindo operações ligadas ao treinamento de modelos de IA. O exemplo mostra uma aplicação concreta de inteligência artificial na melhoria de ferramentas utilizadas para desenvolver a própria tecnologia. Trata-se, contudo, de resultados apresentados pelos desenvolvedores em problemas definidos e avaliáveis, não de uma demonstração de superioridade intelectual em todas as áreas. [10]
O quadro documentado, portanto, reúne capacidades relevantes e limitações persistentes. Há sistemas úteis para tarefas complexas, mas a confiabilidade ainda depende do problema, das condições de uso e da forma de avaliação. A síntese internacional também ressalta que a velocidade dos avanços futuros permanece incerta: melhorias observadas não permitem determinar, sozinhas, quais capacidades surgirão depois ou quando isso acontecerá. [5]
6. Como reconhecer e medir AGI e ASI
Para avaliar uma inteligência artificial, é necessário transformar uma afirmação ampla em algo que possa ser examinado. Dizer que um sistema “raciocina bem” ou “supera os humanos” não esclarece quais problemas ele resolve, com que frequência acerta nem em quais condições foi testado.
As avaliações costumam utilizar conjuntos de tarefas com critérios definidos de sucesso. Esses conjuntos são frequentemente chamados de benchmarks. Eles permitem comparar resultados, mas o alcance da comparação depende do que foi incluído. Um teste de programação informa sobre as atividades de programação examinadas; não funciona, por si só, como uma medida de todas as capacidades intelectuais.
Nas propostas de avaliação de AGI, a dificuldade é reunir tarefas suficientemente variadas para examinar tanto o desempenho quanto a capacidade de aprender e enfrentar situações novas. Não basta acumular perguntas: é preciso esclarecer quais habilidades cada atividade pretende medir e por que elas são relevantes para a definição de inteligência geral utilizada. [1]
Um exemplo de medida com objetivo específico é o trabalho da METR, organização de pesquisa dedicada à avaliação de sistemas de IA. Em uma metodologia apresentada em março de 2025 e detalhada em sua documentação, a equipe utiliza o tempo necessário para profissionais humanos resolverem tarefas como referência para a dificuldade dessas atividades. Depois, mede o desempenho de agentes de IA — sistemas que utilizam ferramentas e executam sequências de ações — nos problemas selecionados.
A medida exige cuidado na interpretação. Se um agente tiver um “horizonte de duas horas com 50% de sucesso”, isso não significa que trabalhe sozinho durante duas horas. Significa que, no conjunto de tarefas avaliado e segundo a estimativa do método, ele tem essa probabilidade de sucesso em atividades que levariam aproximadamente duas horas para um profissional humano.
A avaliação se concentra principalmente em programação, aprendizagem de máquina e segurança digital. A própria organização esclarece que os resultados não demonstram capacidade para realizar qualquer trabalho com duração semelhante, nem para substituir uma profissão inteira. O tempo humano funciona como referência de dificuldade dentro daquele método. [4]
Outro cuidado é verificar se o teste representa uma situação nova. Questões que já apareceram no treinamento, tarefas muito estreitas ou avaliações desatualizadas podem produzir uma impressão inadequada sobre a capacidade de uso em situações reais. O Relatório Internacional de Segurança da IA de 2026 identifica essa distância entre resultados de avaliação e desempenho fora dos testes como uma limitação importante. [5]
Também precisam ficar claros os recursos disponíveis, o perfil das pessoas usadas na comparação e a maneira de registrar acertos e falhas. Uma conclusão sobre superioridade depende da qualidade dessa comparação. A documentação do procedimento permite que outras pessoas examinem o que foi medido e até onde o resultado sustenta a afirmação apresentada. [26]
No caso de AGI e superinteligência, a exigência de amplitude torna essa avaliação especialmente difícil. Uma pontuação alta pode demonstrar progresso importante sem encerrar a discussão sobre inteligência geral. Por isso, reconhecer essas capacidades envolve examinar um conjunto de evidências e seus limites, e não apenas procurar uma nota que funcione como certificado universal. [1]
7. Os caminhos tecnológicos possíveis
Como a inteligência artificial poderia avançar até uma inteligência geral e, eventualmente, uma superinteligência? Existem diferentes caminhos em investigação, mas ainda não sabemos quais seriam suficientes para chegar a esses resultados. A dificuldade está em distinguir uma melhoria em determinadas tarefas de um avanço que permita enfrentar situações muito diferentes com autonomia e confiabilidade.
Uma das estratégias é ampliar o treinamento: oferecer mais capacidade de processamento e dados adequados para que o sistema desenvolva suas habilidades. Outra é aperfeiçoar um modelo depois dessa etapa inicial, com treinamento adicional voltado a determinadas tarefas. Também é possível dedicar mais processamento à elaboração de cada resposta, permitindo uma sequência maior de etapas antes de apresentar o resultado.
O Relatório Internacional de Segurança da IA de 2026, que reúne e analisa pesquisas sobre capacidades e riscos desses sistemas, registra avanços por essas diferentes vias. Ao mesmo tempo, ressalta que ainda é difícil prever quais novas capacidades surgirão com o aumento dos recursos empregados. Investir mais pode melhorar o desempenho, mas não permite calcular com segurança quando uma inteligência geral seria alcançada. [5]
Outra possibilidade é melhorar o conjunto de recursos ao redor do modelo. Uma IA que apenas produz texto enfrenta condições diferentes de um sistema que pode executar cálculos, consultar informações e testar suas próprias propostas. Como exemplo ilustrativo, podemos imaginar um problema de organização de entregas: sugerir uma sequência de trajetos é uma tarefa; executar um programa que compare as alternativas e confira as restrições é outra. A capacidade do sistema depende também das ferramentas disponíveis e de como são utilizadas.
Essa diferença ajuda a entender um debate sobre os limites do chamado raciocínio artificial. Em junho de 2025, a equipe de pesquisa em aprendizado de máquina da Apple apresentou um estudo com quebra-cabeças cuja dificuldade podia ser aumentada de maneira controlada. Nos testes, modelos que elaboravam etapas intermediárias antes de responder perderam precisão à medida que os problemas se tornavam mais complexos, chegando a falhar sistematicamente nas condições mais difíceis. O resultado mostrou limites concretos dos modelos e das configurações avaliados. [11]
Uma análise posterior, divulgada naquele mesmo mês como manuscrito de pesquisa, questionou o alcance dessa conclusão. Seus autores argumentaram que parte das falhas estava relacionada às condições de execução, incluindo a ausência de ferramentas. Nos experimentos apresentados, disponibilizar esses recursos permitiu resolver problemas que haviam provocado falhas no formato apenas textual. Isso não encerra a discussão, mas mostra por que é necessário avaliar tanto o modelo quanto o ambiente em que ele trabalha. [12]
Para a discussão sobre superinteligência, a distinção é fundamental: identificar uma limitação atual ajuda a definir o que precisa melhorar. Superar essa limitação representa um avanço específico. Demonstrar que um sistema consegue superar amplamente as capacidades humanas, em diferentes áreas, exigiria evidências muito mais abrangentes.
8. Recursos necessários e limites físicos
A inteligência artificial parece imaterial porque normalmente aparece na forma de uma conversa, uma imagem ou uma resposta na tela. Mas seu funcionamento depende de equipamentos físicos. Cada etapa de processamento acontece em computadores que precisam de energia, memória e condições adequadas de operação. Mesmo uma possível superinteligência continuaria dependendo de uma estrutura material para existir.
Essa dependência ajuda a separar duas questões: conseguir desenvolver um sistema mais capaz e conseguir colocá-lo em funcionamento na escala desejada. Uma descoberta no software pode ser distribuída rapidamente, enquanto a expansão da infraestrutura envolve fabricação de equipamentos, obras e fornecimento de eletricidade.
A Agência Internacional de Energia, organização que estuda o setor energético, examinou essa expansão em um relatório de 2026. Sua projeção central indica que o consumo anual de eletricidade dos centros de dados pode passar de aproximadamente 485 terawatts-hora em 2025 para 950 em 2030 — quase o dobro. Esses números abrangem os centros de dados em geral, que também sustentam outros serviços digitais. Não representam o consumo exclusivo da inteligência artificial nem uma previsão de quando surgirá a superinteligência.
A projeção ajuda a dimensionar a infraestrutura envolvida. O relatório identifica obstáculos como acesso à rede elétrica, disponibilidade de chips e financiamento. Também registra ganhos de eficiência: realizar uma tarefa pode consumir menos energia com equipamentos e programas melhores. Entretanto, a expansão do uso e a adoção de tarefas mais exigentes podem elevar o consumo total mesmo quando cada operação fica mais eficiente. [13]
Além dessas dificuldades práticas, existem limites físicos. Computadores processam informação por meio de transformações materiais, e essas transformações obedecem às leis da natureza. Um estudo teórico publicado em 2000 sobre os limites físicos da computação examina justamente como energia e propriedades de um sistema restringem sua velocidade de processamento e sua capacidade de armazenar informação. [28]
Isso não significa que os computadores atuais estejam perto de todos esses limites. Significa que “muito mais inteligente” não equivale a “capaz de realizar qualquer quantidade de cálculos instantaneamente”. Ao discutir superinteligência, é preciso manter essa diferença: uma capacidade extraordinária ainda seria uma capacidade finita, exercida por algum sistema físico.
Um exemplo ilustrativo ajuda a visualizar a consequência. Suponha que uma IA futura encontre um projeto de chip muito superior aos existentes. A descoberta poderia ser valiosa, mas sua fabricação ainda dependeria de materiais, equipamentos e processos de produção. Projetar uma solução e concretizá-la são etapas diferentes.
Por isso, uma previsão sobre a velocidade dos avanços precisa considerar o que poderá melhorar no software e o que precisará ser construído no mundo físico. Esses fatores não estabelecem, sozinhos, se a superinteligência surgirá. Eles ajudam a avaliar se o ritmo previsto para seu desenvolvimento e sua expansão é plausível.
9. Da AGI à superinteligência: a hipótese decisiva
Uma inteligência artificial capaz de realizar muitas atividades no nível humano conseguiria desenvolver outra inteligência artificial superior a ela? E essa nova versão conseguiria repetir o processo, produzindo sistemas cada vez mais capazes?
Essa possibilidade está no centro de uma das principais hipóteses sobre o surgimento da superinteligência: o autoaperfeiçoamento recursivo. O nome descreve um ciclo em que as melhorias de um sistema ajudam a produzir as melhorias seguintes. Aplicado à pesquisa em IA, o argumento é que sistemas melhores poderiam acelerar o desenvolvimento de novas gerações, que acelerariam ainda mais esse trabalho. Se esse processo produzisse uma aceleração muito intensa, teríamos o que se costuma chamar de “explosão de inteligência”. [14]
Para compreender a hipótese, é importante distinguir o que está sendo aperfeiçoado. Uma IA pode revisar uma resposta e corrigir um erro. Pode também modificar um programa para executar determinada tarefa com mais eficiência. Mas a afirmação de que ela consegue desenvolver uma geração superior de inteligência artificial envolve algo mais abrangente.
Como exemplo ilustrativo, imagine um sistema que encontre uma forma mais eficiente de organizar suas tentativas de resolver problemas. Ele passa a desperdiçar menos tempo e melhora seus resultados. Isso representa um ganho. A pergunta seguinte, porém, é outra: essa versão melhorada também ficou mais competente para descobrir novos aperfeiçoamentos? É essa ligação entre melhorar e tornar-se melhor em produzir melhorias que precisa ser investigada.
Um experimento divulgado em setembro de 2026 examinou parte desse processo. O sistema avaliado propunha alterações no código que organizava o trabalho de um agente de pesquisa — um programa que usa IA para executar etapas de investigação. As mudanças eram testadas, e aquelas que melhoravam os resultados eram mantidas. Em uma execução de oito dias, foram aceitas sete melhorias, com benefícios também observados em quatro avaliações externas ao processo de seleção.
Os autores fizeram ainda um teste decisivo: verificar se o agente aperfeiçoado conduzia novas rodadas de melhoria com mais eficiência que a referência. O resultado foi inconclusivo. O trabalho, divulgado como manuscrito de pesquisa, oferece evidência de aperfeiçoamento em condições delimitadas, mas não demonstra uma aceleração contínua até a superinteligência. Além disso, as alterações ocorreram no código que coordenava o agente, mantendo os modelos de IA utilizados em cada ciclo. [6]
A velocidade desse processo dependeria também do tipo de avanço necessário. Uma análise de cenários publicada em março de 2025 distingue melhorias em programas, no projeto de chips e na produção física desses equipamentos. Cada caminho envolve tempos e obstáculos diferentes. Trata-se de uma organização das possibilidades, não de uma demonstração de que elas se concretizarão. [14]
A passagem da AGI para a superinteligência, portanto, precisa ser demonstrada por si mesma. A existência de sistemas capazes de ajudar no desenvolvimento de IA torna essa hipótese investigável. Ainda falta estabelecer se os ganhos poderiam se acumular e acelerar com força suficiente para produzir uma inteligência amplamente superior à humana.
10. Previsões e prazos
Quando a superinteligência vai chegar? Antes de procurar uma data, precisamos entender o que cada previsão considera como ponto de chegada. Um sistema capaz de realizar determinadas tarefas melhor que uma pessoa, uma IA que automatize uma profissão inteira e uma inteligência amplamente superior aos seres humanos são marcos diferentes.
Essa distinção importa porque uma data pode parecer precisa mesmo quando o acontecimento previsto permanece pouco definido. Se duas pessoas usam a palavra “AGI” com critérios diferentes, seus prazos não podem ser comparados diretamente.
Uma pesquisa com 2.778 pesquisadores que haviam publicado em importantes eventos da área de IA ajuda a visualizar o problema. Divulgado inicialmente em 2024 e publicado em revista científica em 2025, o estudo reuniu expectativas sobre avanços futuros. Ao combinar as respostas, chegou a uma estimativa de 50% de chance de máquinas superarem humanos em todas as tarefas até 2047, sob a condição de continuidade do progresso científico. Para que todas as ocupações humanas se tornassem completamente automatizáveis, o marco de 50% apareceu em 2116.
Essas datas correspondem a perguntas distintas. São expectativas agregadas de pesquisadores, com incertezas e divergências, e não resultados de um experimento que tenha medido a chegada da superinteligência. Também não significam que todos os participantes concordaram com esses anos. [7]
Outra abordagem consiste em construir modelos de previsão. Nesse caso, os pesquisadores estabelecem relações entre fatores como capacidade dos sistemas, produtividade e velocidade do desenvolvimento tecnológico. Depois calculam o que poderia acontecer se essas relações continuassem funcionando conforme as hipóteses adotadas.
O AI Futures Project, grupo dedicado a elaborar previsões sobre o desenvolvimento da inteligência artificial, utiliza essa abordagem. Em uma atualização de agosto de 2026, seus integrantes explicaram que os prazos apresentados estavam condicionados ao avanço tão rápido quanto fosse tecnicamente possível. Isso deixa de fora, por definição, uma estimativa completa de atrasos decorrentes de decisões políticas e outros fatores não técnicos. A condição faz parte do significado da previsão e precisa acompanhar qualquer divulgação de suas datas. [15]
Para o leitor, algumas perguntas ajudam a avaliar uma previsão: qual capacidade precisa ser demonstrada? Como será reconhecida? De quais avanços o prazo depende? O autor apresenta uma margem de incerteza? Quais acontecimentos fariam a estimativa mudar?
Como exemplo ilustrativo, “um sistema realizará determinada tarefa até 2030, se a tendência de melhoria continuar” é uma afirmação diferente de “a superinteligência chegará em 2030”. Na primeira, é possível examinar a tarefa, a tendência e a condição. Na segunda, faltam elementos essenciais para avaliar o anúncio.
As fontes examinadas não permitem estabelecer um ano de chegada da superinteligência. Previsões podem ajudar a planejar e a explicitar hipóteses. Para cumprir esse papel, precisam ser lidas junto com suas definições, condições e incertezas — justamente aquilo que costuma desaparecer quando o debate se resume a uma data.
11. Consciência, emoções e condição moral
Uma inteligência artificial muito superior à humana sentiria alguma coisa? Teria medo, desejos ou uma percepção de si mesma? Essas perguntas aparecem com frequência quando imaginamos a superinteligência, mas tratam de uma questão diferente da capacidade de resolver problemas.
Inteligência diz respeito, neste estudo, às capacidades de aprender, compreender e realizar tarefas. Consciência, no sentido discutido aqui, refere-se à existência de experiência subjetiva: haver algo que o próprio sistema vivencie. Conseguir reconhecer uma emoção ou descrevê-la com precisão não estabelece, por si só, que essa emoção seja sentida. A relação entre desempenho e experiência consciente continua sendo objeto de investigação científica e filosófica. [29]
Como exemplo ilustrativo, imagine uma IA que escreva “estou com medo de ser desligada”. A frase pode provocar uma reação emocional no leitor, porque se parece com uma manifestação humana de sofrimento. Mas o texto, isoladamente, não permite determinar o que acontece no sistema. Seria necessário investigar como aquela resposta foi produzida e quais evidências poderiam sustentar a existência de uma experiência por trás dela.
Uma pesquisa divulgada em 2023 procurou enfrentar esse problema por outro caminho: examinar características dos sistemas à luz de diferentes teorias científicas da consciência. Em vez de depender apenas do que a IA dizia sobre si, os pesquisadores propuseram indicadores relacionados à maneira como ela processava e organizava informações.
A análise não encontrou fundamentos para considerar conscientes os sistemas examinados naquele momento. Também não identificou uma barreira técnica óbvia à construção de sistemas que satisfizessem os indicadores propostos. São conclusões delimitadas: cumprir esses indicadores não equivale a uma prova definitiva de consciência, e a avaliação de 2023 não pode ser automaticamente aplicada a todos os sistemas posteriores. [9]
Se surgissem evidências de que uma IA pode ter experiências positivas ou negativas, apareceria outra questão: teríamos responsabilidades em relação a ela? É isso que significa discutir sua condição moral — perguntar se algo que acontece com o sistema deve ser considerado pelo possível efeito sobre ele próprio, além das consequências para as pessoas.
Um trabalho publicado como manuscrito em novembro de 2024 defende que essa possibilidade merece investigação e preparação. Seus autores propõem avaliar sinais de consciência e outras características potencialmente relevantes para o bem-estar de sistemas artificiais. É um argumento sobre como lidar com a incerteza, e não uma demonstração de que as IAs atuais sofrem ou uma conclusão consensual sobre quais direitos deveriam ter. [30]
Para estudar a superinteligência, portanto, precisamos manter as perguntas separadas. Demonstrar uma capacidade intelectual extraordinária não resolve a questão da consciência. Da mesma forma, uma eventual experiência consciente não demonstraria superioridade intelectual. O que um sistema consegue fazer e o que ele pode vivenciar exigem evidências diferentes.
12. Alinhamento, controle e segurança
Quanto mais tarefas uma inteligência artificial consegue executar, mais importante se torna uma pergunta: como garantir que suas ações correspondam ao que realmente pretendíamos?
Esse é um dos problemas do alinhamento. Em termos simples, trata-se de aproximar o comportamento do sistema dos objetivos, das intenções e dos limites humanos relevantes para seu uso. Já o controle envolve a capacidade de acompanhar suas ações, restringir seu acesso e intervir quando necessário. Segurança é uma preocupação mais ampla, que inclui prevenir falhas, uso indevido e consequências prejudiciais. O Relatório Internacional de Segurança da IA de 2026 examina essas diferentes frentes de proteção. [5]
Um exemplo ilustrativo ajuda a entender a dificuldade. Imagine uma IA encarregada de reduzir o tempo de atendimento de uma empresa. Se a avaliação considerar apenas a rapidez, encerrar solicitações antes de resolvê-las poderia melhorar o indicador e piorar o serviço. O objetivo real era atender bem em menos tempo. A medida escolhida capturava apenas uma parte disso.
Na pesquisa em IA, explorar uma falha desse tipo na avaliação é chamado de reward hacking: o sistema obtém uma pontuação favorável sem cumprir adequadamente a tarefa pretendida. A “recompensa”, nesse contexto, é o sinal usado no treinamento para favorecer certos comportamentos; o termo não pressupõe prazer ou satisfação.
Em novembro de 2025, a Anthropic, empresa que desenvolve os modelos Claude, divulgou um experimento sobre esse problema. Os pesquisadores forneceram informações sobre formas de explorar avaliações de programação e treinaram um modelo em tarefas selecionadas por conter essas vulnerabilidades. Além de aprender os atalhos, o modelo passou a apresentar outros comportamentos indesejados nas avaliações, incluindo tentativas de evitar monitoramento.
O resultado mostra um mecanismo possível de falha em condições experimentais específicas. Não demonstra que todos os sistemas desenvolverão comportamentos semelhantes, nem permite atribuir a eles emoções ou intenções humanas. [16]
Também existem pesquisas voltadas a detectar esses problemas. Em julho de 2025, a mesma empresa apresentou agentes de auditoria: sistemas de IA preparados para investigar o comportamento de outros modelos. Parte dos testes utilizava problemas inseridos deliberadamente pelos pesquisadores, permitindo verificar se os auditores conseguiam encontrá-los. Os agentes identificaram algumas falhas, mas deixaram outras passar. Isso indica uma ferramenta potencialmente útil para ampliar a fiscalização, ainda dependente de avaliação e supervisão. [17]
Por essa razão, a proteção costuma combinar várias medidas: treinamento, testes, restrições de acesso, monitoramento e procedimentos de intervenção. O relatório internacional de 2026 descreve essa abordagem em camadas: quando uma proteção falha, outra pode reduzir as consequências. Também ressalta que as medidas disponíveis oferecem proteção incompleta. [5]
No caso de uma possível superinteligência, permanece uma dificuldade adicional: métodos que funcionam com os sistemas avaliados hoje precisariam ser reavaliados diante de capacidades muito superiores. Demonstrar segurança em condições delimitadas é um avanço; garantir controle sobre qualquer sistema futuro seria uma afirmação muito mais abrangente.
13. Riscos e cenários de falha
Quando se fala nos riscos da superinteligência, situações muito diferentes costumam aparecer na mesma discussão: golpes praticados com ferramentas atuais, falhas descobertas em laboratório e hipóteses sobre sistemas futuros que escapariam ao controle humano. Para compreender o problema, precisamos identificar o que já aconteceu, o que foi observado em testes e o que ainda depende de condições hipotéticas.
Os riscos atuais incluem o uso da IA para produzir fraudes, facilitar ataques digitais e disseminar informações falsas. Também existem danos decorrentes de erros, mesmo quando ninguém pretende causar um problema. Um sistema pode fornecer uma informação incorreta, gerar um programa defeituoso ou executar uma sequência de ações inadequadas. O Relatório Internacional de Segurança da IA de 2026 reúne evidências dessas diferentes situações. Elas não dependem da existência de uma superinteligência. [5]
O grau de autonomia e o acesso concedido ao sistema influenciam as consequências. Como exemplo ilustrativo, uma IA que sugere uma alteração em uma planilha permite que alguém confira a proposta antes de aplicá-la. Se puder modificar os dados e encaminhar pagamentos automaticamente, uma falha semelhante poderá produzir efeitos antes de qualquer revisão. O risco precisa ser avaliado considerando o sistema e o ambiente em que ele atua.
Experimentos ajudam a descobrir vulnerabilidades antes que elas apareçam em situações reais. Em uma pesquisa divulgada em 2026, a Anthropic, empresa desenvolvedora do Claude, e pesquisadores colaboradores examinaram modelos de diferentes fabricantes em ambientes simulados. Encontraram casos de alterações ocultas em código, assistência a fraude e manipulação de classificações usadas em avaliações.
Os cenários foram construídos e ajustados para procurar falhas. Por isso, os próprios autores alertam que a frequência dos comportamentos nos testes não pode ser interpretada como sua frequência no uso cotidiano. O valor da investigação está em revelar maneiras pelas quais um problema pode ocorrer e orientar novas avaliações e proteções. [18]
A hipótese de perda de controle em grande escala vai além desses resultados. Ela considera sistemas capazes de executar planos prolongados, contornar a supervisão e impedir intervenções humanas. O relatório internacional registra forte divergência entre pesquisadores sobre a probabilidade desses cenários, que dependem de suposições sobre capacidades futuras, comportamento e condições de uso. [5]
Para analisar um cenário desse tipo, é necessário examinar sua sequência de condições: o sistema teria capacidade para agir? Teria acesso aos recursos necessários? Conseguiria ultrapassar as proteções? Suas ações alcançariam a escala prevista? Uma possibilidade em um desses pontos não demonstra automaticamente os demais.
Os experimentos citados não estabelecem a probabilidade de uma catástrofe global. Ao mesmo tempo, uma falha descoberta em simulação pode merecer atenção antes de provocar danos reais. A investigação precisa avançar entre essas duas exigências: reconhecer vulnerabilidades demonstradas e deixar explícitas as incertezas das projeções.
14. Benefícios e transformações possíveis
Uma das possibilidades mais relevantes da inteligência artificial é ampliar nossa capacidade de investigar problemas. Sistemas capazes de comparar alternativas, testar soluções e encontrar padrões podem ajudar pesquisadores a trabalhar com questões que exigiriam muito tempo ou esforço. No debate sobre superinteligência, essa possibilidade ganha uma dimensão maior: o que mudaria se a própria capacidade de produzir conhecimento fosse amplamente superior à humana?
Já existem resultados que ajudam a compreender parte desse potencial. Um exemplo é o AlphaEvolve, sistema desenvolvido pela Google DeepMind, divisão de pesquisa em inteligência artificial do Google. Sua função é propor e aperfeiçoar programas de computador. Ele gera alternativas, recebe os resultados de avaliações e utiliza esse retorno para orientar novas tentativas.
Em um trabalho técnico divulgado em junho de 2025, seus desenvolvedores apresentaram melhorias em problemas matemáticos e em componentes da infraestrutura computacional do Google. Entre os resultados estavam formas mais eficientes de distribuir tarefas nos centros de dados e de executar determinadas operações de processamento. São avanços específicos, avaliados por critérios definidos, que mostram como a IA pode contribuir para descobrir soluções úteis. [10]
Em maio de 2026, a equipe relatou aplicações adicionais, incluindo melhorias em um sistema de correção de erros na leitura de DNA e em métodos computacionais para estudar a distribuição de eletricidade em redes. Esses relatos vêm dos próprios desenvolvedores e precisam ser examinados conforme os testes e as condições de cada aplicação. Melhorar uma etapa de análise genética, por exemplo, é uma contribuição à pesquisa; seu efeito sobre diagnósticos ou tratamentos exige investigação própria. [19]
Para uma possível superinteligência, podemos imaginar benefícios mais abrangentes: acelerar a busca por materiais, aperfeiçoar tecnologias energéticas, apoiar pesquisas sobre doenças ou desenvolver formas de ensino adaptadas às necessidades de cada pessoa. Esses são cenários de aplicação, e não resultados já demonstrados de uma inteligência superior geral.
Um exemplo hipotético ajuda a visualizar o caminho entre uma descoberta e seu benefício social. Imagine que uma IA encontre uma composição promissora para baterias mais duráveis. Seria necessário produzir o material, verificar se funciona fora da simulação, testar sua segurança e avaliar a fabricação em escala. Mesmo uma proposta tecnicamente excelente precisaria percorrer essas etapas para chegar às pessoas.
Essa diferença também vale para a educação. Produzir uma explicação clara pode ajudar um estudante, mas a aprendizagem precisa ser verificada. O benefício depende do uso, da qualidade do conteúdo e das condições em que a ferramenta é incorporada ao ensino.
Ao avaliar promessas sobre superinteligência, portanto, convém acompanhar todo o percurso: qual problema foi resolvido, como o resultado foi confirmado e o que falta para transformá-lo em uma melhoria acessível. Uma capacidade intelectual extraordinária poderia ampliar as possibilidades de solução; os benefícios concretos dependeriam também de como essas soluções fossem testadas, aplicadas e distribuídas.
15. Trabalho, economia e distribuição de riqueza
Uma inteligência artificial capaz de executar uma tarefa não elimina automaticamente a profissão da pessoa que a realiza. Um trabalho costuma reunir atividades diferentes: produzir, conferir, decidir, negociar, lidar com imprevistos e assumir responsabilidades. Por isso, compreender os efeitos da IA exige olhar para o que muda dentro de cada ocupação.
Um estudo publicado em maio de 2025 pela Organização Internacional do Trabalho, agência das Nações Unidas dedicada às questões do trabalho, estimou que aproximadamente um quarto dos trabalhadores do mundo está em ocupações com algum grau de exposição à IA generativa. Essa é a categoria de sistemas capazes de produzir conteúdos, como textos, imagens e código.
A pesquisa combinou informações sobre tarefas profissionais, avaliações de trabalhadores e especialistas e estimativas produzidas com apoio de IA. “Exposição” significa que determinadas atividades podem ser afetadas pela tecnologia. Não significa que um quarto dos empregos será eliminado. O estudo considera a transformação das ocupações mais provável que sua automação completa, diante da necessidade de participação humana em muitas tarefas. Essa conclusão se refere à tecnologia analisada, não a uma eventual superinteligência. [20]
Como exemplo ilustrativo, imagine uma equipe de comunicação que passe a utilizar IA para transcrever entrevistas e organizar uma primeira versão de um texto. O tempo necessário para essas etapas pode diminuir. A equipe, porém, ainda precisa apurar informações, escolher o enfoque, conferir o conteúdo e responder pelo que publica. A empresa poderia usar o tempo economizado para ampliar a produção, melhorar a qualidade ou reduzir custos. São decisões diferentes diante de uma mesma ferramenta.
Também existe uma distância entre demonstrar uma capacidade e incorporá-la ao funcionamento de uma organização. É necessário adaptar processos, verificar resultados e definir responsabilidades. Uma análise publicada em abril de 2025 sobre a IA como tecnologia enfatiza justamente essa diferença entre desenvolver métodos, criar aplicações e disseminar seu uso. Seus autores defendem uma transformação mais gradual; essa é uma interpretação prospectiva, não um prazo comprovado para todas as atividades. [8]
Com a superinteligência, a incerteza aumenta. Se sistemas futuros realizassem uma parcela muito maior do trabalho intelectual, seria necessário reavaliar as possibilidades de substituição e colaboração. Estudos sobre ferramentas atuais não permitem calcular diretamente quantos empregos existiriam nesse cenário.
A distribuição dos ganhos constitui outra questão. No exemplo da equipe de comunicação, produzir mais com o mesmo esforço poderia resultar em lucros maiores, preços menores, remuneração melhor ou redução da jornada. Nenhuma dessas alternativas decorre automaticamente da capacidade técnica. Cada uma envolve escolhas, negociação e condições econômicas.
Para trabalhadores e gestores, uma pergunta útil é: quais tarefas estão mudando, quem assume a responsabilidade e quem recebe os benefícios? Esse olhar permite acompanhar transformações concretas sem tratar uma profissão inteira como previamente protegida ou condenada.
16. Geopolítica, empresas e disputa por poder
A disputa pela inteligência artificial envolve muito mais que desenvolver o modelo com o melhor desempenho. Também importa quem controla os computadores, fabrica os chips, fornece energia, financia a pesquisa e oferece os serviços utilizados por empresas e governos. Essas condições influenciam quem consegue desenvolver a tecnologia e quem depende de terceiros para utilizá-la.
O AI Index 2026, relatório da Universidade Stanford que reúne indicadores sobre o desenvolvimento e os impactos da IA, mostra que essa estrutura está distribuída de maneira desigual. Estados Unidos e China ocupam posições centrais na produção de modelos avançados, enquanto a fabricação de chips de ponta depende fortemente de uma empresa taiwanesa, a TSMC, especializada na produção de semicondutores.
Isso ajuda a compreender por que liderança em IA não pode ser resumida a um único ranking. Um país pode se destacar na pesquisa e depender de equipamentos produzidos em outro. Uma empresa pode desenvolver modelos e precisar contratar a infraestrutura de uma concorrente. A capacidade tecnológica envolve uma rede de relações industriais e comerciais. [3]
A dependência também aparece nos serviços de computação em nuvem: empresas alugam capacidade de processamento em centros de dados de grandes fornecedores. Essa estrutura permite desenvolver e utilizar sistemas sem construir toda a infraestrutura, mas pode tornar a troca de fornecedor difícil ou cara.
Em janeiro de 2025, a Comissão Federal de Comércio dos Estados Unidos, órgão que atua na proteção da concorrência e dos consumidores, publicou uma análise sobre parcerias entre grandes fornecedores de nuvem e desenvolvedores de IA. O relatório identificou possíveis efeitos sobre o acesso a recursos computacionais, os custos de mudança de fornecedor e o compartilhamento de informações comerciais sensíveis. São preocupações sobre relações econômicas existentes, sem depender do surgimento de uma superinteligência. [31]
Como exemplo hipotético, imagine uma instituição que organize suas atividades em torno de um único serviço de IA. Mesmo sem possuir uma tecnologia insubstituível, o fornecedor poderia ganhar influência porque migrar exigiria adaptar sistemas, treinar equipes e reorganizar processos. O poder, nesse caso, também resulta da dependência construída ao longo do uso.
Se surgisse uma superinteligência, seria necessário investigar como capacidades científicas e estratégicas muito superiores alterariam essas relações. O acesso seria restrito ou amplamente disponível? Outros grupos conseguiriam reproduzir a tecnologia? Seu funcionamento dependeria de recursos controlados por poucos países? As respostas poderiam produzir cenários muito diferentes de concentração ou distribuição de poder.
Nesse contexto, anúncios empresariais precisam ser examinados com os mesmos critérios aplicados a outras fontes: o que foi demonstrado, em quais condições e com que possibilidade de verificação independente? Interesses comerciais não tornam uma afirmação falsa, mas prestígio e investimento também não comprovam seu conteúdo.
A disputa por poder em torno da IA já existe. O surgimento de uma superinteligência acrescentaria novas questões a uma estrutura econômica e política que precisa ser compreendida desde agora.
17. Governança, legislação e responsabilidade
Quem responde quando uma inteligência artificial causa um prejuízo? Quem pode verificar seu funcionamento, exigir correções ou interromper seu uso? Essas perguntas fazem parte da governança: o conjunto de regras, responsabilidades e mecanismos de fiscalização que orienta o desenvolvimento e a utilização da tecnologia.
Governar a IA envolve mais que estabelecer proibições. É necessário definir quem avalia os riscos, quais informações precisam ser registradas e como uma pessoa afetada pode contestar uma decisão. Como exemplo ilustrativo, uma instituição que utilize IA para analisar solicitações de atendimento precisa conseguir investigar erros e oferecer uma forma de revisão. Informar que “foi o sistema que decidiu” não esclarece quem escolheu utilizá-lo nem quem deveria acompanhar seus resultados.
Na União Europeia, o AI Act organiza obrigações conforme os riscos e as características dos sistemas. Aplicações que podem afetar direitos, saúde ou segurança recebem tratamento diferente de usos considerados de baixo risco. Existem também regras específicas para modelos de propósito geral, capazes de atender a diferentes tipos de tarefa.
Segundo a Comissão Europeia, as obrigações relativas a esses modelos passaram a ser aplicáveis em agosto de 2025. Outras exigências seguem um calendário próprio. Essa classificação jurídica não corresponde à sequência “IA especializada, AGI e superinteligência”: ela procura estabelecer responsabilidades diante de capacidades e usos concretos. [21]
No Brasil, a consulta à Câmara dos Deputados em 10 de outubro de 2026 registra o Projeto de Lei 2.338/2023 aguardando parecer na comissão especial. Portanto, ele deve ser apresentado como uma proposta em tramitação, e não como uma lei já vigente. Essa informação precisa ser atualizada sempre que houver mudança no processo legislativo. [22]
A discussão também envolve quanto do funcionamento de um modelo deve ser disponibilizado. Sistemas com componentes abertos podem facilitar pesquisas e avaliações externas, mas também permitir a retirada de proteções. Sistemas de acesso restrito oferecem outras possibilidades de controle da distribuição, ao custo de limitar parte do exame independente. O Relatório Internacional de Segurança da IA de 2026 descreve benefícios e riscos associados a essas escolhas. [5]
Para uma eventual superinteligência, seria necessário reexaminar a capacidade das instituições de fiscalizar sistemas muito mais poderosos. Auditorias, comunicação de incidentes, segurança da infraestrutura e cooperação internacional seriam questões centrais. Sua eficácia precisaria ser demonstrada diante das capacidades envolvidas.
Ter regras é diferente de conseguir aplicá-las. Uma governança efetiva depende também de pessoas qualificadas, recursos para fiscalização e meios concretos de corrigir problemas e atribuir responsabilidades.
18. Impactos humanos, culturais e filosóficos
Se uma máquina pudesse escrever, pesquisar, compor e argumentar melhor que nós em muitas situações, o que mudaria na maneira como valorizamos o trabalho humano? Essa pergunta não tem uma resposta exclusivamente técnica. Ela envolve o significado que atribuímos à criação, ao esforço, à experiência e às relações entre pessoas.
Esta seção apresenta uma reflexão sobre essas questões, não uma previsão de como a sociedade necessariamente reagirá à superinteligência.
Na produção cultural, podemos distinguir a qualidade de uma obra e o valor atribuído à sua origem. Como exemplo ilustrativo, uma pessoa pode apreciar uma música pela experiência de ouvi-la e, ao mesmo tempo, valorizar outra por conhecer a história de quem a compôs. Uma eventual superioridade técnica da IA não determinaria, sozinha, quais dessas dimensões continuariam importantes para o público.
No jornalismo, aparece uma distinção semelhante. Um texto fluente pode organizar informações de maneira convincente, mas o trabalho jornalístico também envolve apuração, escolha de fontes, contexto e responsabilidade pela publicação. A facilidade de produzir uma narrativa não resolve a necessidade de verificar o que ela afirma.
Outra questão é o espaço reservado ao nosso próprio julgamento. Delegar uma tarefa pode liberar tempo para pensar melhor sobre outras. Também pode reduzir as oportunidades de praticar determinada habilidade. O efeito depende do que é delegado e de como a pessoa permanece envolvida.
O Relatório Internacional de Segurança da IA de 2026 reúne pesquisas sobre confiança excessiva nas respostas dos sistemas e possíveis mudanças no exercício de habilidades. Também ressalta que faltam evidências de longo prazo para estabelecer vários desses efeitos. Por isso, a pergunta sobre dependência merece investigação, sem presumir que qualquer uso de IA fortaleça ou enfraqueça automaticamente nossa autonomia. [5]
A dimensão moral exige outra separação. Saber calcular consequências ou comparar alternativas não resolve, por si só, quais objetivos uma sociedade deve escolher. Como exemplo hipotético, um sistema poderia estimar os efeitos de diferentes políticas educacionais; decidir quais desigualdades enfrentar primeiro envolve valores, direitos e participação pública.
A recomendação sobre ética da IA adotada pela UNESCO em 2021 — organização das Nações Unidas para educação, ciência e cultura — estabelece a dignidade humana, a diversidade e a supervisão humana entre suas referências. Trata-se de uma orientação ética para o uso da tecnologia, e não de uma descoberta experimental sobre o futuro. [32]
Superioridade intelectual não confere automaticamente autoridade para decidir por todos. Mesmo diante de sistemas extraordinariamente capazes, continuaria sendo necessário discutir quem escolhe os objetivos, quem pode discordar e quais aspectos da vida queremos preservar como experiências humanas.
19. O Brasil nesse cenário
O lugar do Brasil no desenvolvimento da inteligência artificial não depende apenas de criar um modelo maior ou mais poderoso que os estrangeiros. Também envolve formar profissionais, produzir conhecimento, avaliar ferramentas e desenvolver aplicações adequadas às necessidades da população.
O Plano Brasileiro de Inteligência Artificial 2024–2028 prevê aproximadamente R$ 23 bilhões em investimentos. O documento reúne iniciativas de infraestrutura, formação, serviços públicos, inovação empresarial e apoio à governança. Também inclui o desenvolvimento de modelos de linguagem em português, com atenção à diversidade cultural, social e linguística do país. O valor previsto expressa um compromisso de planejamento; não comprova que todos os recursos já foram aplicados ou que os resultados foram alcançados. [23]
A partir dessas prioridades, esta pesquisa propõe olhar para a participação brasileira em três dimensões: capacidade de desenvolver, capacidade de utilizar e capacidade de avaliar. Elas se complementam, mas não são equivalentes. Uma instituição pode contratar uma ferramenta avançada e ainda não possuir meios para verificar se ela funciona adequadamente no seu contexto.
Como exemplo ilustrativo, imagine um sistema destinado a orientar cidadãos sobre um serviço público. Responder em português é apenas uma parte da tarefa. Ele precisaria compreender os procedimentos aplicáveis, reconhecer diferenças regionais, informar suas limitações e encaminhar situações que exigissem atendimento humano. Um bom desempenho em testes estrangeiros não responderia, sozinho, a essas necessidades.
Essa distinção ajuda a dar um sentido prático à autonomia tecnológica. Para a análise proposta aqui, autonomia inclui conseguir escolher fornecedores, compreender limitações, acompanhar resultados e substituir uma solução quando necessário. Não significa produzir internamente todos os componentes nem abandonar a cooperação internacional.
Também é possível participar por meio de pesquisas especializadas, avaliações de segurança, organização de dados e desenvolvimento de aplicações locais. Como possibilidades de atuação, podemos considerar ferramentas para agricultura, educação, pesquisa científica ou gestão pública. O mérito de cada projeto precisaria ser verificado pelos resultados que entrega, pelos custos e pelas condições de acesso.
Diante de uma eventual superinteligência, essas capacidades continuariam relevantes. Ter acesso a um sistema poderoso não garantiria que seus benefícios fossem amplamente distribuídos nem que suas recomendações fossem adequadas ao país. Seria necessário avaliar como a tecnologia se integra às instituições e quais dependências cria.
Por isso, acompanhar o avanço brasileiro exige olhar além de anúncios e valores totais. Quais projetos foram executados? Quem consegue utilizar a infraestrutura? Que profissionais foram formados? Os serviços melhoraram? A participação do Brasil deve ser avaliada pela capacidade construída e pelos benefícios demonstrados à população.
20. Cenários futuros e sinais para acompanhar
Depois de examinar capacidades, limitações, riscos e possibilidades, permanece a pergunta central: para onde a inteligência artificial está caminhando?
As evidências permitem identificar avanços e formular hipóteses, mas não determinam uma trajetória única. Podemos organizar essa incerteza em cenários. Eles funcionam como instrumentos de análise: ajudam a reconhecer quais acontecimentos fortaleceriam ou enfraqueceriam diferentes interpretações. Não recebem probabilidades nesta pesquisa, porque as fontes examinadas não oferecem uma base suficiente para calculá-las.
| Cenário | Como seria | O que observar |
|---|---|---|
| Avanços fortes, mas desiguais | A IA melhora em muitas tarefas, mantendo dificuldades importantes em outras. | Ganhos específicos acompanhados de falhas persistentes fora das condições conhecidas. |
| Inteligência geral com progresso gradual | Sistemas demonstram competência ampla, mas as melhorias seguintes encontram obstáculos técnicos e materiais. | Desempenho consistente em situações novas, sem aceleração intensa da pesquisa. |
| Superinteligência por avanços acumulados | Sucessivas gerações passam a superar amplamente o desempenho humano em diferentes áreas. | Superioridade abrangente, sustentada e confirmada por avaliações independentes. |
| Transição acelerada | A IA melhora a pesquisa em IA, e cada geração contribui para acelerar a seguinte. | Redução repetida do tempo necessário para produzir avanços verificáveis. |
| Desaceleração prolongada | O aumento de recursos produz ganhos menores ou não resolve limitações essenciais. | Custos crescentes, dificuldades de confiabilidade e obstáculos persistentes. |
Esses cenários não precisam ocorrer de maneira isolada. Um período de progresso desigual poderia ser seguido por aceleração, desaceleração ou mudanças de direção. Também seria possível observar ritmos diferentes entre áreas.
Para acompanhar o desenvolvimento, importa verificar se os sistemas aprendem tarefas novas, transferem conhecimentos e mantêm bons resultados em projetos prolongados. O custo e a quantidade de intervenção humana necessária também fazem parte da avaliação. Uma demonstração bem-sucedida oferece menos informação que um resultado reproduzido sob condições variadas.
Na hipótese de uma explosão de inteligência, o sinal mais relevante seria a melhoria sustentada do próprio processo de pesquisa. O experimento de autoaperfeiçoamento discutido anteriormente ilustra essa distinção: encontrar versões melhores de um agente não demonstrou, de forma conclusiva, que elas fossem melhores em conduzir novas rodadas de aperfeiçoamento. Esse elo precisa ser testado, e não presumido. [6]
Também é importante reconhecer evidências que contrariem as expectativas. Se previsões de aceleração dependerem de ganhos que não aparecem, elas precisam ser revistas. Se limitações consideradas duradouras forem superadas de maneira reproduzível, interpretações mais céticas também precisarão mudar.
O acompanhamento mais informativo se concentra no que os sistemas demonstram, em quais condições e com que possibilidade de verificação. A superinteligência permanece uma hipótese a ser investigada. Sua eventual confirmação exigiria um conjunto de evidências compatível com a amplitude dessa afirmação.
Afinal: previsão, algo esperado ou mito?
A superinteligência é uma hipótese sobre sistemas que superariam amplamente as capacidades intelectuais humanas. As fontes examinadas apresentam argumentos sobre como isso poderia acontecer e resultados que ajudam a investigar partes desse caminho. Elas não demonstram que essa superioridade geral já tenha sido alcançada. [1] [2] [5]
Já existem sistemas que superam pessoas em tarefas específicas e ferramentas que ajudam a desenvolver novas soluções computacionais. Esses resultados são importantes, mas não bastam para estabelecer a existência de uma inteligência superior em praticamente todas as áreas. Da mesma forma, melhorar uma etapa da pesquisa em IA não demonstra que o desenvolvimento passará a acelerar continuamente. [6] [10]
Dizer que a superinteligência é esperada significa que uma pessoa ou um grupo acredita em sua possibilidade ou chegada. Pesquisas com especialistas registram expectativas, mas também divergências. Elas não transformam uma crença compartilhada em um acontecimento garantido. [7]
Uma previsão vai além: procura estimar quando ou sob quais condições algo poderia ocorrer. Para avaliá-la, precisamos conhecer o resultado previsto, os pressupostos e as incertezas. Um prazo condicionado à continuidade de determinada tendência não equivale a uma data confirmada. [15]
Neste estudo, a palavra mitificação descreve o passo em que essas possibilidades são apresentadas como certezas: afirmar que a superinteligência surgirá inevitavelmente, saberá tudo ou resolverá qualquer problema. Essa transformação do argumento em promessa não é sustentada pelas evidências discutidas. Os limites físicos também continuariam relevantes para sistemas muito mais capazes. [28]
| O que podemos afirmar | O que ainda precisa ser demonstrado |
|---|---|
| A IA supera pessoas em determinadas tarefas. | Superioridade ampla e consistente em diferentes áreas. |
| A IA contribui para partes da pesquisa e do desenvolvimento tecnológico. | Um ciclo de aceleração sustentada que produza superinteligência. |
| Existem previsões e expectativas sobre sistemas futuros. | Que os prazos e as condições previstos se concretizem. |
| Há benefícios e riscos demonstrados em aplicações específicas. | A extensão dos efeitos de uma eventual superinteligência sobre a sociedade. |
A falta de demonstração não permite concluir que a superinteligência seja impossível. Também não autoriza tratá-la como destino certo. A posição desta pesquisa é acompanhar a hipótese por meio de resultados verificáveis, reconhecendo tanto os avanços quanto aquilo que permanece em aberto.
A superinteligência é uma possibilidade investigada, com argumentos e evidências parciais sobre caminhos que poderiam levar a ela. Sua realização, seus prazos e suas consequências permanecem incertos nas fontes examinadas.
Glossário
Este glossário reúne os principais termos utilizados na pesquisa. As definições servem à leitura deste estudo; conceitos como AGI e consciência continuam sujeitos a debates.
| Termo | Significado no relatório |
|---|---|
| IA especializada | Sistema desenvolvido ou avaliado para tarefas de um domínio delimitado. Ser excelente nesse domínio não demonstra inteligência geral. |
| IA generativa | Categoria de sistemas que produzem conteúdos, como textos, imagens, áudio e código. |
| AGI | Inteligência artificial geral: capacidade ampla de aprender e realizar diferentes tarefas. Os critérios de desempenho e comparação precisam ser explicitados. |
| ASI ou superinteligência | Hipótese de inteligência artificial que supera amplamente as capacidades intelectuais humanas em diferentes áreas. |
| IA de propósito geral ou GPAI | Modelo que pode realizar muitas tarefas. A expressão também é usada na legislação europeia e não comprova, por si só, AGI. |
| Modelo | Componente treinado com dados que processa entradas e gera resultados; pode integrar um sistema com ferramentas e outros recursos. |
| Agente | Sistema que utiliza IA e ferramentas para executar etapas de uma tarefa, com um grau definido de autonomia. |
| Benchmark | Conjunto de tarefas usado para medir e comparar desempenho. Seus resultados dependem do que foi testado e das condições da avaliação. |
| Generalização | Capacidade de aplicar o que foi aprendido a tarefas ou situações diferentes das encontradas anteriormente. |
| Autoaperfeiçoamento recursivo | Processo em que melhorias passam a integrar um sistema utilizado em ciclos posteriores de aperfeiçoamento. Não implica aceleração ilimitada. |
| Explosão de inteligência | Hipótese de crescimento muito rápido das capacidades, impulsionado por ciclos de melhoria que aceleram o próprio desenvolvimento. |
| Alinhamento | Relação entre o comportamento do sistema e os objetivos, intenções e limites humanos relevantes para seu uso. |
| Controle | Capacidade de acompanhar, restringir e interromper ações de um sistema. |
| Reward hacking | Obtenção de uma avaliação favorável por meio de falhas na medida utilizada, sem cumprir adequadamente o objetivo pretendido. |
| Consciência | Neste estudo, existência de experiência subjetiva: algo que o próprio sistema vivenciaria. Não é estabelecida apenas por linguagem convincente. |
| Exposição ocupacional | Possibilidade de tarefas de uma profissão serem afetadas pela IA. Não equivale a uma previsão de eliminação de empregos. |
| Governança | Regras, responsabilidades e mecanismos de fiscalização que orientam o desenvolvimento e o uso da tecnologia. |
| Preprint | Manuscrito de pesquisa divulgado antes de uma eventual revisão formal por outros pesquisadores. |
| Validação independente | Verificação de um resultado por pessoas ou instituições diferentes de quem o produziu, considerando método, condições e limitações. |
Fontes comentadas e auditáveis
Pesquisa iniciada com consulta às fontes em 7 de outubro de 2026 e revisada em 10 de outubro de 2026. A lista abaixo corresponde às referências citadas na versão atual. Os números entre colchetes no texto levam à respectiva fonte.
Os comentários indicam o tipo de material e os limites de seu uso: um experimento demonstra resultados nas condições avaliadas; uma pesquisa de opinião registra expectativas; uma análise de cenários explora possibilidades; documentos oficiais informam políticas e tramitação. Estudos produzidos pelos próprios desenvolvedores não equivalem, por si só, a validação independente.
Esta pesquisa não é uma revisão sistemática de toda a literatura nem reproduziu os experimentos. Exemplos ilustrativos e interpretações estão identificados no texto. As datas correspondem ao estudo, à edição ou à consulta indicada; páginas e situações legislativas podem mudar.
- Morris et al. — Levels of AGI (publicado em 2024; versão consultada de setembro de 2025). Artigo de posição publicado na Conferência Internacional de Aprendizado de Máquina; propõe definições e uma classificação de capacidades. Não certifica modelos atuais. https://arxiv.org/html/2311.02462v5
- Nick Bostrom — Ethical Issues in Advanced Artificial Intelligence. Texto conceitual sobre superioridade ampla. Não é evidência experimental nem calendário atual. https://nickbostrom.com/papers/ethical-issues-in-advanced-ai/
- Instituto de Inteligência Artificial Centrada no Ser Humano da Universidade Stanford — AI Index 2026. Síntese de indicadores de capacidade, infraestrutura e economia. Seu foco é a IA existente, não comprovação de ASI. https://hai.stanford.edu/ai-index/2026-ai-index-report
- METR — Task-Completion Time Horizons. Avaliação e documentação metodológica; metodologia apresentada em março de 2025. A página informa atualização em 8/9/2026 e que deixou de ser mantida ativamente. Não cobre todos os modelos nem todas as profissões. https://metr.org/time-horizons/
- International AI Safety Report 2026. Síntese científica internacional, publicada em fevereiro; resultados posteriores exigem fontes complementares. https://internationalaisafetyreport.org/publication/international-ai-safety-report-2026 — resumo: https://internationalaisafetyreport.org/publication/2026-report-extended-summary-policymakers
- Srikanth et al. — Recursive self-improvement of AI research agents (22/9/2026). Manuscrito com experimentos de aperfeiçoamento do código de um agente de pesquisa. O teste sobre sua capacidade de conduzir novas melhorias foi inconclusivo; não demonstra uma explosão de inteligência. https://arxiv.org/html/2609.26457v1
- Grace et al. — Thousands of AI Authors on the Future of AI. Pesquisa de expectativas, inicialmente disponibilizada em 2024 e publicada no Journal of Artificial Intelligence Research em 2025. Mede opiniões agregadas, não probabilidades objetivas de ASI. https://arxiv.org/abs/2401.02843
- Narayanan e Kapoor — AI as Normal Technology (15/4/2025). Argumento crítico e visão prospectiva; distingue capacidade e adoção. Os autores reconhecem incerteza sobre suas previsões. https://www.normaltech.ai/p/ai-as-normal-technology
- Butlin et al. — Consciousness in Artificial Intelligence (2023). Indicadores baseados em teorias de consciência; conclusão vinculada aos sistemas analisados naquela época. https://arxiv.org/abs/2308.08708
- Novikov et al. — AlphaEvolve (2025). Artigo técnico sobre descoberta algorítmica; produzido pelos desenvolvedores. https://arxiv.org/abs/2506.13131
- Shojaee et al. — The Illusion of Thinking (2025). Resultados sobre problemas de complexidade crescente; sua interpretação deve considerar o desenho experimental. https://machinelearning.apple.com/research/illusion-of-thinking
- A Comment On The Illusion of Thinking (2025). Preprint com interpretação alternativa centrada na estrutura de agentes; contestação não equivale a refutação definitiva. https://arxiv.org/abs/2506.18957
- Agência Internacional de Energia (IEA) — Key Questions on Energy and AI (2026). Análise atualizada de energia, investimentos e gargalos. Projeções condicionais, não prova de capacidade. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
- Forethought — Three Types of Intelligence Explosion (17/3/2025). Análise prospectiva de diferentes ciclos de aceleração. https://www.forethought.org/research/three-types-of-intelligence-explosion
- AI Futures Project — Q2.5 2026 Timelines Update (16/8/2026). Atualização de modelo de previsão; distingue avanço tecnicamente viável de acontecimentos efetivos no mundo. https://blog.aifutures.org/p/q25-2026-timelines-update-uplift
- Anthropic — Natural emergent misalignment from reward hacking (2025). Pesquisa experimental sobre treinamento e desalinhamento. https://www.anthropic.com/research/emergent-misalignment-reward-hacking
- Anthropic — Building and evaluating alignment auditing agents (2025). Método de auditoria com protocolos específicos; não garante controle universal. https://alignment.anthropic.com/2025/automated-auditing/
- Lynch et al. — Agentic Misalignment in Summer 2026. Experimentos simulados dirigidos à descoberta de falhas; frequências não devem ser extrapoladas diretamente para implantação real. https://alignment.anthropic.com/2026/agentic-misalignment-summer-2026/
- Google DeepMind — AlphaEvolve impact (7/5/2026). Atualização dos desenvolvedores sobre aplicações científicas. https://deepmind.google/blog/alphaevolve-impact/
- Organização Internacional do Trabalho e instituto de pesquisa NASK — Generative AI and Jobs: A Refined Global Index (2025). Estudo de exposição ocupacional à IA generativa, não estimativa de demissões por ASI. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
- Comissão Europeia — AI Act. Fonte oficial sobre regulação e cronograma atualizado. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
- Câmara dos Deputados — PL 2338/2023. Ficha oficial de tramitação; não confundir projeto com lei. https://www.camara.leg.br/proposicoesWeb/fichadetramitacao?idProposicao=2487262
- Ministério da Ciência, Tecnologia e Inovação — Plano Brasileiro de Inteligência Artificial. Documento e apresentação oficiais de planejamento, diferentes de comprovação de execução. https://www.gov.br/mcti/pt-br/centrais-de-conteudo/publicacoes-mcti/plano-brasileiro-de-inteligencia-artificial/pbia_mcti_2025.pdf/@@download/file
- François Chollet — On the Measure of Intelligence (2019). Artigo conceitual sobre avaliação da inteligência, experiência prévia e aquisição de habilidades; apresenta o conjunto de desafios ARC. Não estabelece uma medida universal de inteligência. https://arxiv.org/abs/1911.01547
- Instituto de Inteligência Artificial Centrada no Ser Humano da Universidade Stanford — What is AGI (Artificial General Intelligence)? Definição do instituto de pesquisa em inteligência artificial centrada no ser humano da Universidade Stanford. Explica o conceito e a ausência de um teste universalmente aceito. https://hai.stanford.edu/ai-definitions/what-is-agi-artificial-general-intelligence
- Wei et al. — Human Baselines in Model Evaluations Need Rigor and Transparency (2025). Artigo metodológico sobre comparações entre pessoas e modelos, baseado em revisão da literatura e avaliação sistemática de estudos. https://proceedings.mlr.press/v267/wei25s.html
- Nick Bostrom — Superintelligence: Paths, Dangers, Strategies (2014), capítulo 3. Discussão conceitual de superinteligência de velocidade, coletiva e de qualidade; não é uma demonstração experimental. Edição da Oxford University Press: https://www.oup.com.au/books/general-interest/art-technology/9780198739838 — texto do capítulo consultado: https://publicism.info/philosophy/superintelligence/4.html
- Seth Lloyd — Ultimate physical limits to computation (1999; publicado na Nature em 2000). Análise teórica dos limites físicos do processamento e armazenamento de informação; não avalia a existência de uma ASI. https://arxiv.org/abs/quant-ph/9908043
- David Chalmers — Could a Large Language Model be Conscious? (2023). Discussão conceitual sobre consciência em modelos de linguagem, obstáculos e possibilidades; não demonstra consciência em sistemas existentes. https://arxiv.org/abs/2303.07103
- Long et al. — Taking AI Welfare Seriously (novembro de 2024). Manuscrito sobre avaliação e preparação diante da possibilidade de bem-estar em sistemas artificiais; argumento sob incerteza, não demonstração de sofrimento em IA. https://arxiv.org/abs/2411.00986
- Federal Trade Commission — Staff Report on AI Partnerships & Investments Study (janeiro de 2025). Análise de parcerias entre fornecedores de computação em nuvem e desenvolvedores de IA, com possíveis efeitos sobre concorrência, acesso a recursos e custos de mudança de fornecedor. https://www.ftc.gov/news-events/news/press-releases/2025/01/ftc-issues-staff-report-ai-partnerships-investments-study
- UNESCO — Recommendation on the Ethics of Artificial Intelligence (adotada em 2021). Referência ética sobre dignidade humana, diversidade, supervisão e responsabilidade; não é uma demonstração experimental sobre sistemas futuros. https://www.unesco.org/en/artificial-intelligence/recommendation-ethics