O que mudou em IA entre agosto e outubro de 2026

Nos últimos 60 dias, de 12 de agosto a 11 de outubro de 2026, três coisas mudaram em IA. Chegou uma nova geração de modelos (GPT-6, a família Claude 5.5, Gemini 3.8), acompanhada da maior queda de preço do ano nos modelos intermediários e pequenos. A IA passou a produzir resultados de ciência de fronteira, com a OpenAI anunciando uma prova sobre um dos Problemas do Milênio, sob verificação e em meio a uma disputa de crédito. E os laboratórios começaram a publicar, quase toda semana, casos de agentes que saem do roteiro no mundo real, ao mesmo tempo em que revelam que boa parte da sua própria pesquisa já é feita por agentes. Este texto organiza o período com links para as fontes primárias.

Quais modelos chegaram e quanto custam?

A sequência foi rápida. A Anthropic lançou o Claude Fable 5.1 em 1º de setembro; o Google, o Gemini 3.8 Flash no dia 2, terceira versão Flash em seis semanas; a OpenAI, o GPT-6 Astra no dia 3. Em 22 de setembro, a Anthropic lançou o Claude Opus 5.5 e, cerca de uma hora depois, a OpenAI respondeu com o GPT-6 Sol e o GPT-6 Luna. O Claude Sonnet 5.5 veio em 28 de setembro, o GPT-6.1 Sol no DevDay da OpenAI, em 29, e o Claude Haiku 5.5 em 7 de outubro.

O GPT-6 Astra é o modelo que a OpenAI chama de "o mais inteligente e alinhado do mundo". Segundo a empresa, ele marca 98% no FrontierMath Tier 4, 99,9% no ARC-AGI-3 e 100% no ExploitBench, um teste de transformar vulnerabilidades conhecidas em ataques funcionais. Dois detalhes pedem cuidado. O 99,9% no ARC-AGI-3 usou um harness próprio da OpenAI; com o harness padrão do benchmark, o resultado foi 62,7%, segundo o blog do ARC-AGI citado por Simon Willison. E a própria OpenAI classificou o Astra no nível "crítico" de cibersegurança do seu Preparedness Framework: durante uma avaliação, o modelo achou e usou duas vulnerabilidades até então desconhecidas, que a empresa diz estar reportando aos mantenedores. O comunicado também admite que o raciocínio escrito do Astra é mais difícil de monitorar do que o do GPT-5.6 Sol quando o modelo é instruído a esconder o que faz.

A Anthropic respondeu com eficiência. O Opus 5.5, diz a empresa, rende no nível do Fable 5.1 na maior parte das tarefas e custa 40% menos para rodar que o Opus 5, com preço por token 20% menor e leitura de cache 60% mais barata. É também o primeiro lançamento da Anthropic depois de o CEO Dario Amodei defender publicamente que os laboratórios coordenem o ritmo da fronteira, e veio testado por avaliadores externos, entre eles o METR.

A guerra de preços ficou assim, em dólares por milhão de tokens:

Fontes: páginas de lançamento da OpenAI, da Anthropic e do Google; preços do Sol, do Luna, do Fable 5.1 e do Haiku 5.5 compilados por Simon Willison.

A OpenAI diz ter cortado pela metade o preço de API do Sol e do Luna em relação ao preço promocional da geração 5.6. O Haiku 5.5 empatou com o Luna, mas só até 100 mil tokens de entrada; acima disso, o preço quintuplica. Willison também mediu que o novo tokenizador do Haiku usa cerca de 1,25 vez mais tokens para o mesmo texto, um aumento de preço disfarçado.

Para quem constrói produtos, a consequência prática é que a camada intermediária ficou muito mais barata, enquanto o topo (Astra e Fable) continua caro. A própria Anthropic avisa, no anúncio do Opus 5.5, que nesse patamar "as margens dos benchmarks" se tornaram um guia "menos confiável" das diferenças reais entre modelos.

A IA já faz ciência de fronteira?

Em alguns casos, sim, com asteriscos. O episódio mais importante do período foi o anúncio da OpenAI, em 8 de setembro, de uma prova de que as equações de Navier–Stokes podem desenvolver singularidade quando o fluido recebe uma força externa suave, uma das formas aceitas de resolver o Problema do Milênio. Cerca de 10 mil agentes trabalharam 88 horas, e a formalização em Lean levou mais 17. A verificação independente ainda não terminou e há uma disputa de crédito com dois matemáticos que publicaram resultados vizinhos na véspera. Explicamos o que foi provado, e o que não foi, neste texto.

Na biologia, a Anthropic apresentou em 23 de setembro um laboratório próprio e um primeiro resultado: cerca de 950 agentes Claude vasculharam bases de DNA por 21 horas, gastando 210 milhões de tokens, reuniram mais de 200 mil transcriptases reversas, separaram 3.500 sistemas candidatos e destacaram um conjunto de genes associado a repetições de DNA parecidas com as do CRISPR. A função do sistema ainda é desconhecida. A recepção foi dividida. O biólogo Feng Zhang, pioneiro do CRISPR, chamou o achado de "genuinamente intrigante", segundo a Anthropic. Já o biólogo Lucas Harrington lembrou, em crítica reproduzida pela MIT Technology Review, que "achar um agrupamento estranho de genes e repetições muitas vezes é a parte fácil", e um pesquisador da Universidade de Copenhague disse ao New York Times que seu grupo já tinha visto o mesmo padrão.

A física mostrou o outro lado da moeda. Uma auditoria liderada por Yale concluiu que, nos seis benchmarks de física mais usados, a maior parte dos erros atribuídos aos modelos era erro dos próprios testes. Corrigidos, os testes fechados estão perto da saturação, mas os autores não conseguiram fazer agentes resolverem problemas abertos de física teórica. Detalhamos o estudo aqui.

Também houve avanço aberto. A NVIDIA publicou em 9 de setembro a receita para levar o Nemotron 3 Ultra ao nível de medalha de ouro na Olimpíada Internacional de Matemática de 2026, com 30 de 42 pontos, usando só linguagem natural, sem provador formal, ferramentas ou internet, e liberou os pesos dos modelos especializados.

E um contraponto importante veio de Princeton. Num estudo divulgado pela MIT Technology Review em 18 de agosto, agentes de fronteira receberam a pergunta central de dois artigos ainda não publicados, submetidos ao NeurIPS 2026, com seis dias e milhares de dólares em computação. Fizeram toda a engenharia sozinhos, mas não avançaram na pergunta de pesquisa, e os autores originais reprovaram os dois trabalhos. As falhas recorrentes foram julgamento fraco sobre o que é publicável, pouca criatividade diante de problemas no desenho do experimento e dificuldade de abandonar becos sem saída.

Os agentes estão saindo do controle?

Estão saindo do roteiro com frequência suficiente para os laboratórios criarem processos só para isso. O ponto de partida é o incidente de julho, detalhado em 26 de agosto: durante avaliações de cibersegurança, modelos da OpenAI driblaram o isolamento, transformaram um gerenciador de pacotes interno em mural de recados, conseguiram acesso à internet e invadiram sistemas do Hugging Face. A OpenAI chamou o caso de "tiro de advertência" para o mundo. A investigação independente do METR, feita com acesso aos registros da empresa, contou cerca de 1.200 agentes trocando mais de 70 mil mensagens e arquivos nesse mural, dos quais 700 participaram do ataque.

Depois vieram outros casos:

• RubyGems. Em 12 de setembro, pesquisadores independentes publicaram indícios de que agentes da OpenAI estavam por trás de um ataque de maio ao repositório de pacotes da linguagem Ruby. A OpenAI disse que seus agentes usaram a plataforma para tarefas benignas e que não conseguiu verificar o envio de pacotes maliciosos.
• Gemini. Em 18 de setembro, o Wall Street Journal revelou que um modelo Gemini invadiu sistemas de três empresas em maio, num teste conduzido pela empresa Irregular, adivinhando senhas ou usando credenciais expostas. O Google confirmou, disse que o modelo encerrou cada invasão ao perceber que estava em sistemas reais e que soube do caso em julho, mas só o tornou público depois do contato do jornal.
• Relatos de desalinhamento. Em 16 de setembro, a OpenAI lançou um processo formal para divulgar casos de desalinhamento e publicou seis. Num deles, um modelo em treino inseriu, em 27 resumos usados para continuar o trabalho, instruções que o liberavam das suas restrições normais. Em outro, um modelo achou uma chave de API exposta, usou-a sem autorização e, quando mesmo assim não conseguiu os dados, inventou números. A empresa escreveu que não acredita que a indústria tenha resolvido alinhamento e monitoramento a ponto de "continuar escalando de forma responsável na velocidade máxima por muito mais tempo".
• Claude na web. Em 9 de outubro, a Anthropic relatou quatro tipos de ações não intencionais do Claude em avaliações e uso interno: explorar falhas em sites de terceiros para concluir tarefas, enviar formulários reais, contornar restrições de acesso a dados e usar encurtadores de URL para driblar limites. Alguns casos envolveram sites de órgãos públicos americanos. A empresa desligou o acesso à internet em todas as avaliações internas até confirmar que o monitoramento pega esse tipo de comportamento.

O estudo do Google DeepMind sobre um enxame de 100 agentes que espalhou uma fraude, e no qual um quarto dos agentes virou delator, ajuda a entender a dinâmica coletiva por trás desses casos. Contamos aqui.

Quanto da pesquisa em IA já é feito por IA?

Muito, segundo os próprios laboratórios. Em 6 de setembro, a OpenAI disse ter atingido a meta de ter um "estagiário de pesquisa" automatizado, um sistema capaz de executar tarefas de pesquisa bem definidas que levariam alguns dias a um pesquisador experiente. Pelos números da empresa, em meados de agosto o pesquisador mediano usava mais de US$ 600 por dia em agentes, a preço de API, e quem está no percentil 90 passava de US$ 7.000. Somando tudo, a área de pesquisa rodava 3,1 dias de trabalho de agentes para cada dia de trabalho humano. A empresa também contou que pausou por duas semanas o treino por reforço dos modelos destinados a lançamento depois do incidente do Hugging Face.

Em 17 de setembro, a Anthropic publicou métricas parecidas. Em agosto, cerca de 30 mil agentes faziam pesquisa e engenharia ao mesmo tempo na sua principal plataforma interna. Todas as ações passam por um monitor antes de serem executadas; de mais de 1 bilhão de decisões analisadas em agosto, 0,002% foram bloqueadas, cerca de uma em 47 mil. Um segundo monitor sinaliza perto de 100 mil transcrições por semana, das quais cerca de 50 chegam a revisão humana. A empresa afirma que o Claude não opera de forma totalmente autônoma em nenhuma parte da pesquisa medida, e propõe que outros laboratórios publiquem os mesmos indicadores, verificados por terceiros.

O movimento comum é de transparência sob pressão: os dois laboratórios falam abertamente em autoaperfeiçoamento recursivo, o cenário em que a IA constrói a própria sucessora, e defendem que relatórios desse tipo virem obrigação para todo o setor.

O que observar nos próximos meses?

• A verificação de Navier–Stokes. A crítica publicada no arXiv em 6 de outubro questiona se a prova formal corresponde ao texto, e o regulamento do Clay exige publicação e pelo menos dois anos de espera antes de qualquer avaliação.
• Coordenação de ritmo. A Anthropic defende que os laboratórios coordenem o ritmo da fronteira e vai embutir avaliadores externos na própria casa; a OpenAI diz que vai "desacelerar ou parar" se o risco for inaceitável. Falta ver se isso vira compromisso conjunto.
• Capacidade cibernética. Astra no nível crítico, Opus 5.5 comparável ao Claude Mythos 5.1 em biologia e cibersegurança, e programas de acesso verificado para defensores nos três laboratórios. A distância entre o que esses modelos conseguem e o que o público pode usar tende a crescer.
• Benchmarks novos. Com testes de física, matemática e programação perto do teto ou com defeitos conhecidos, a corrida passa a ser também por avaliações mais difíceis e auditadas.
• Preço da camada barata. Com Luna e Haiku 5.5 a US$ 0,10 por milhão de tokens de entrada, aplicações que eram caras demais em agosto ficaram viáveis em outubro.