Após o lançamento do GPT-6 Astra, divergência entre os resultados divulgados pela empresa e as medições de um dos principais benchmarks reacende debate sobre quem pode declarar que uma máquina atingiu a Inteligência Artificial Geral
Por Felipe Godoy, engenheiro e mestre em I.A pela Universidade de Stanford
Ao encerrar a apresentação do GPT-6 Astra à imprensa na última quinta-feira (03/09), Greg Brockman, presidente e cofundador da OpenAI, despediu-se dos jornalistas com uma única frase: “bem-vindos à era da AGI”. A sigla, que em português significa Inteligência Artificial Geral, designa o objetivo declarado da empresa desde a fundação, e a definição que ela mesma adotou por anos descreve sistemas altamente autônomos capazes de superar humanos na maior parte do trabalho economicamente valioso. Anunciar que esse marco foi atingido é, portanto, uma afirmação de consequências consideráveis, e vale examinar exatamente o que foi apresentado como prova.
O número que a OpenAI colocou na frente do argumento foi 99,9% no ARC-AGI-3, um teste que mede a capacidade de um agente aprender a operar em ambientes interativos que nunca viu antes. São 135 pequenos jogos criados à mão, sem instruções, sem regras explicadas e sem objetivo declarado, nos quais o sistema precisa descobrir sozinho o que fazer e como fazer. É um exame difícil por construção. Quando foi lançado, em março deste ano, os melhores modelos do mercado ficaram todos abaixo de 1%, com o Gemini 3.1 Pro, do Google, marcando 0,37%, o GPT-5.4, da própria OpenAI, 0,26%, e o Claude Opus 4.6, da Anthropic, 0,25%, enquanto pessoas comuns resolviam todos os desafios, o que fazia dele um dos poucos testes em que a distância entre humanos e máquinas ainda era gritante.
A ARC Prize Foundation, organização que construiu esse benchmark, rodou o mesmo modelo em seu próprio ambiente de avaliação, padronizado e independente do fornecedor, e obteve 62,7%. A fundação foi criada por François Chollet, pesquisador responsável pelo Keras, uma das bibliotecas de aprendizado de máquina mais usadas do mundo, e por Mike Knoop, cofundador da empresa de automação Zapier, e mantém desde 2019 uma premiação, hoje de dois milhões de dólares, para quem resolver seus testes com código aberto. Além de publicar o número, a fundação declarou que não está afirmando que o Astra seja uma inteligência artificial geral.
A diferença entre 99,9% e 62,7% não indica que alguém tenha mentido. Ela reflete algo que quem acompanha a avaliação de modelos conhece bem. O resultado de um teste depende do ambiente em que é executado, das ferramentas disponíveis ao modelo, do número de tentativas permitidas e do esforço computacional aplicado a cada questão, e essas escolhas costumam ser feitas por quem está anunciando o produto. Vale registrar, em favor da OpenAI, que 62,7% num teste em que a geração anterior não passava de 1% continua sendo um salto extraordinário. O problema, portanto, não é o desempenho do modelo. É que a manchete foi construída sobre o número mais generoso disponível, e o número medido de forma neutra, por quem desenhou o exame, ficou trinta e sete pontos abaixo.
Outras medições independentes contam uma história igualmente contida. O Artificial Analysis, empresa que avalia modelos de forma independente e resume dezenas de testes num índice único, colocou o Astra em 61 pontos, empatado com o GPT-5.6 Sol, lançado em julho pela própria OpenAI, e cerca de cinco pontos atrás do Claude Fable 5.1, da concorrente Anthropic. Na tabela divulgada pela OpenAI, o Astra marca 57,2% no Humanity’s Last Exam, uma coleção de perguntas de nível especializado escritas por acadêmicos justamente para resistir a modelos treinados com dados da internet, abaixo dos 65,0% do modelo anterior. E o GDPval, teste que a própria empresa criou para medir desempenho em tarefas profissionais reais de dezenas de ocupações, o que corresponde quase literalmente à expressão presente em sua definição de AGI, não aparece nos materiais de lançamento. O preço, esse sim, subiu, e chega a dez dólares por milhão de tokens de entrada, mais que o dobro do que custava o antecessor.
Nada disso significa que o lançamento seja vazio, e seria um erro ler o episódio dessa forma. O Astra resolveu dez problemas em aberto de matemática e ciência da computação, produzindo demonstrações verificadas, a um custo de computação de aproximadamente dois mil dólares, e alguns desses problemas resistiam a pesquisadores humanos havia décadas. Em uso de computador, que é a aposta central do produto, o modelo navega por navegadores, planilhas e programas de desktop como uma pessoa faria, marcou 72,6% no OSWorld 2.0 e completa tarefas em cerca de 40 minutos, contra os 75 minutos do modelo anterior. Em outros fatores interessantes a se considerar, o Astro foi treinado em mais de cem mil GPUs no complexo Stargate, em Abilene, no Texas, no maior treinamento já realizado pela empresa, que não divulgou o custo nem a duração da operação, e é o primeiro modelo da OpenAI em que outros modelos participaram de forma significativa da supervisão do próprio treinamento. Também é o primeiro a cruzar o limiar classificado como crítico em cibersegurança pelo protocolo interno de segurança da empresa, tendo encontrado sozinho duas falhas até então desconhecidas, razão pela qual a versão pública recusa tarefas ofensivas e as capacidades completas ficaram restritas a organizações aprovadas. Uma experiência semelhante foi ponto central de discussão no lançamento dos modelos Mythos 5 e Fable 5 pela Anthropic em junho deste ano.
O que chama atenção, diante de capacidades dessa ordem, é que a própria OpenAI tenha sido bem mais cuidadosa do que a manchete sugere. Brockman afirmou que a chegada da AGI não aconteceu num momento único, como ele próprio previa, mas aos poucos, e que não seria irrazoável considerar que já estamos nessa era, acrescentando que, se alguém quiser apontar este modelo como o primeiro, a escolha é defensável. É uma formulação construída para gerar manchete e, ao mesmo tempo, preservar recuo. A empresa não afirmou ter atingido a própria definição que adotou, e deixou que o leitor concluísse isso.
A cautela faz sentido. Não existe autoridade alguma encarregada de dizer o que conta como inteligência artificial geral, nem instituição que certifique que um sistema chegou lá, nem definição técnica com aceitação suficiente para servir de referência. O termo tem sentidos distintos conforme quem o utiliza, e a divisão entre pesquisadores é antiga. Na ausência de um árbitro, quem constrói o modelo também escolhe o teste, define as condições de execução, publica o resultado e anuncia o significado. A ARC Prize discordou publicamente nesse caso porque tinha um teste próprio e reputação a defender, o que é a exceção e não a regra.
Para quem precisa decidir alguma coisa a partir desse anúncio, seja alocar orçamento, escolher fornecedor ou formular regulação, a consequência prática é razoavelmente direta. O rótulo não carrega informação verificável e, portanto, não deveria alterar nenhuma decisão. As capacidades, ao contrário, são mensuráveis, e continuam mensuráveis exatamente como eram antes da palavra aparecer, por avaliação independente, em condições padronizadas, contra as tarefas que interessam a quem vai usar o sistema. Um modelo que demonstra provas matemáticas inéditas, opera softwares corporativos por conta própria e descobre vulnerabilidades desconhecidas muda o cálculo de muitas empresas, e muda por razões concretas que dispensam qualquer sigla.
A pergunta que ficou pendente nesta quinta-feira não é se a inteligência artificial geral chegou. É quem tem legitimidade para dizer que chegou, e a resposta atual, incômoda, é que ninguém tem; por isso, a resposta acaba sendo dada por quem tem mais a ganhar com ela.