Altman, Amodei, Hassabis e Huang usam definições diferentes para AGI

AGI, sigla em inglês para inteligência artificial geral, virou um rótulo para ideias muito diferentes: um trabalhador autônomo economicamente produtivo, um pesquisador digital de nível Nobel, uma máquina com todo o repertório cognitivo humano ou, simplesmente, um sistema que se destaca em provas e benchmarks. Essa diferença de definição ajuda a explicar por que previsões tão confiantes podem coexistir — e por que a confiança pública depende cada vez mais de avaliação independente, não de declarações de executivos.

Quatro líderes, quatro linhas de chegada

Sam Altman: AGI como autonomia com valor econômico

A definição mais citada da OpenAI descreve AGI como sistemas “altamente autônomos” que superam humanos na maior parte do trabalho economicamente valioso. O critério, portanto, é sobretudo prático e econômico: importa se a IA consegue realizar trabalho valioso em escala, não se reproduz perfeitamente a cognição humana.

A formulação pública mais recente da OpenAI enfatiza a autonomia das pessoas. A empresa afirma que quer construir sistemas que ajudem indivíduos a perseguir objetivos escolhidos por eles, e não sistemas que substituam o julgamento humano; também diz que automatizar tudo seria perigoso e pouco satisfatório. 23 Seu modelo de transição no mercado de trabalho faz uma ressalva semelhante: automatizar tarefas não elimina automaticamente uma ocupação, pois pessoas podem continuar essenciais para a entrega, supervisão ou responsabilização pelo trabalho. 25

Isso deixa uma fronteira ampla e mutável entre ferramentas capazes, agentes autônomos e AGI. A definição econômica pode ser útil para acompanhar impactos reais, mas não equivale a um teste científico público.

Dario Amodei: “IA poderosa” como um pacote concreto — e extraordinário — de capacidades

O CEO da Anthropic, Dario Amodei, em geral prefere a expressão “IA poderosa” a AGI. Em uma manifestação de política pública, a Anthropic define esse tipo de sistema como um grande avanço além dos modelos atuais: capacidade intelectual igual ou superior à de ganhadores do Nobel na maioria das disciplinas; habilidade de usar interfaces digitais disponíveis a trabalhadores humanos; e capacidade de realizar trabalho complexo de modo autônomo. 3

A Anthropic prevê esses sistemas para o fim de 2026 ou início de 2027. Amodei descreveu essa possibilidade como um “país de gênios em um data center”, ressaltando as implicações econômicas, geopolíticas e de segurança de concentrar tamanha capacidade. 6 7

A formulação é mais específica do que o rótulo genérico AGI, mas reúne várias exigências difíceis em uma única previsão: amplitude de conhecimento, autonomia, uso de ferramentas e confiabilidade sustentada. Um modelo pode cumprir algumas delas muito antes de cumprir todas.

Demis Hassabis: AGI como todo o alcance da cognição humana

Demis Hassabis, CEO do Google DeepMind, adota uma barra mais alta: AGI seria um sistema com todas as capacidades cognitivas dos seres humanos. Ele disse que uma IA de nível humano pode chegar nesta década, mas também enfatizou que os sistemas atuais estão “longe” de uma AGI humana. 33 38

Nessa visão, AGI é menos um marco de produto e mais um limiar científico de generalidade robusta. Exige mais que boas notas em provas ou desempenho impressionante em alguns campos profissionais: o sistema precisaria funcionar em toda a variedade da cognição humana.

Jensen Huang: AGI como desempenho superior em uma ampla bateria de testes

Jensen Huang, CEO da Nvidia, empregou um padrão mais orientado por benchmarks. Em 2024, disse que a AGI poderia chegar em até cinco anos caso fosse definida como uma IA capaz de superar pessoas em praticamente todos os testes; reportagens de 2026 caracterizaram sua posição como a de que a AGI já teria sido alcançada sob um critério prático bem mais flexível. 34

A vantagem desse caminho é a clareza: testes geram notas. A limitação também é evidente. Superar humanos em muitos testes não demonstra, por si só, autonomia confiável em tarefas longas, bom julgamento ou segurança em contextos confusos do mundo real.

Por que esses prazos não podem ser comparados diretamente

Esses líderes não estão apenas estimando datas diferentes para o mesmo evento. Eles estão prevendo destinos distintos:

• Altman/OpenAI: desempenho autônomo na maior parte do trabalho economicamente valioso;
• Amodei/Anthropic: trabalho intelectual amplamente em nível Nobel, com execução digital autônoma e prolongada;
• Hassabis/DeepMind: todo o conjunto de capacidades cognitivas humanas;
• Huang/Nvidia: desempenho acima do humano em testes de ampla cobertura.

Uma IA pode liderar inúmeros benchmarks sem concluir sozinha semanas de pesquisa. Pode automatizar grande parte do trabalho digital sem exibir o repertório cognitivo completo de uma pessoa. Por isso, as datas associadas a essas declarações não devem ser lidas como uma única contagem regressiva para a AGI.

Por que a AGI é vista como algo difícil de testar — ou até “espiritual”

A objeção não é que capacidades de IA não possam ser medidas. Elas podem. O problema é que não há uma regra compartilhada, independente e de aprovação ou reprovação para declarar que algo é AGI.

Uma proposta acadêmica descreve AGI como um conceito importante e por vezes controverso, operacionalizando-o como capacidade pelo menos humana na maioria das tarefas. A formulação revela tanto a tentativa de tornar o termo mensurável quanto as escolhas ainda em aberto: quais tarefas, quais humanos, qual grau de confiabilidade e em quais condições? 50

Um teste público confiável exigiria, no mínimo:

1. uma distribuição de tarefas claramente definida, em vez de uma seleção mutável de demonstrações;
2. patamares de desempenho e confiabilidade, incluindo a frequência das falhas;
3. testes de autonomia de longo prazo e uso de ferramentas, não apenas respostas pontuais;
4. proteção contra treinamento direcionado especificamente à avaliação; e
5. acesso independente suficiente para reproduzir ou auditar os resultados.

Sem essa estrutura, AGI pode se tornar uma declaração de status feita justamente pelas empresas com maior incentivo para definir onde fica a linha de chegada. O AI Now Institute criticou métricas disponíveis por serem estreitas, vagas e convenientes para quem as propõe. 62

O problema de confiança por trás da terminologia

A disputa em torno da AGI também expõe uma questão mais ampla de credibilidade. Empresas podem fazer promessas expansivas sobre capacidades transformadoras enquanto trabalhadores e clientes encontram sistemas irregulares, sujeitos a erros ou difíceis de implementar de maneira confiável. Isso não prova que todas as previsões de longo prazo estejam erradas. Mas significa que alegações excepcionais exigem evidência observável e previsões que possam ser cobradas.

O debate sobre empregos ilustra essa tensão. A OpenAI afirma que a IA vai remodelar o trabalho, que alguns empregos desaparecerão e que, até agora, a evidência aponta mais para uma tecnologia que habilita pessoas do que para uma substituta direta. 17 Isso não é necessariamente incompatível com disrupção: automatizar tarefas, transformar ocupações e extinguir postos são resultados diferentes. Ainda assim, a confiança pública sofre quando projeções de mudança profunda não vêm acompanhadas de medidas transparentes sobre efeitos reais no mercado de trabalho.

Dos rótulos de AGI à fiscalização baseada em capacidades

Um modelo de governança mais forte se concentraria menos em decidir se um sistema “atingiu a AGI” e mais nas capacidades e riscos específicos que ele apresenta.

A abordagem AI Safety Levels, da Anthropic, usa uma estrutura condicional explícita: se um modelo demonstrar uma capacidade perigosa definida, determinadas proteções devem estar em vigor antes de seu lançamento ou de um novo aumento de escala. 5 O marco posterior de políticas da empresa pede transparência, avaliação independente e poder público para bloquear ou inibir implantações perigosas. 10

Altman também defendeu validação externa e avaliações independentes de risco para modelos poderosos, incluindo testes antes do lançamento e publicação dos resultados das avaliações. 49

Hassabis propôs um órgão norte-americano de padrões para IA de fronteira inspirado na FINRA, entidade que supervisiona o setor financeiro dos Estados Unidos: uma instituição financiada pelo setor, sob supervisão pública, para avaliar modelos avançados de forma independente antes do lançamento. 52 Segundo reportagens sobre a proposta, há um ponto de convergência entre líderes de laboratórios de fronteira: terceiros deveriam testar sistemas avançados e contribuir para a criação de padrões de política pública. 51

Ainda há uma distância considerável entre propostas e prática obrigatória. O AI Safety Index 2026, do Future of Life Institute, afirmou não haver regulações ou padrões nacionais vinculantes que tratem explicitamente dos riscos de IA de fronteira e de processos correspondentes de avaliação. 59

Como seriam alegações confiáveis sobre IA

A pergunta mais útil para o público não é “a AGI chegou?”. É: o que este modelo consegue fazer, com que confiabilidade, o que pode dar errado e quem verificou essas respostas de modo independente?

Isso aponta para exigências específicas por capacidade:

• protocolos públicos de avaliação para capacidades de alto risco em cibersegurança, biologia e engano;
• testes independentes antes da implantação e red teaming;
• divulgação de confiabilidade, incidentes e mudanças relevantes nas condições de uso;
• salvaguardas e limites de acesso vinculados a limiares de risco demonstrados; e
• consequências legais para descumprimento, em vez de apenas compromissos voluntários.

AGI pode continuar sendo uma aspiração poderosa, um termo de marketing e uma questão filosófica. Mas é um gatilho regulatório fraco se sua declaração não vier acompanhada de evidências públicas. A confiança será conquistada quando desenvolvedores não puderem simplesmente redefinir o marco, anunciar que o alcançaram e certificar a própria segurança.