Em janeiro de 2025, algo mudou no tom público dos líderes dos maiores laboratórios de IA do mundo. Em questão de semanas, Dario Amodei (Anthropic), Sam Altman (OpenAI) e Demis Hassabis (Google DeepMind) todos revisaram suas estimativas de AGI para cima — de "décadas" para "anos". Em 2026, essas previsões se tornaram mais específicas, mais públicas e mais consequentes.
O que está acontecendo, o que exatamente cada um está dizendo, e por que as divergências entre eles importam tanto quanto as convergências.
Dario Amodei: 2026-2027 como Horizonte Oficial
A posição da Anthropic é a mais específica e a mais oficialmente documentada. Na submissão formal da empresa ao Office of Science and Technology Policy dos EUA em março de 2025, a Anthropic afirmou esperar que sistemas de IA poderosos emerjam no final de 2026 ou início de 2027. Não é uma citação de podcast — é um documento regulatório.
Amodei foi além em declarações públicas: "Estou mais confiante do que nunca de que estamos próximos de capacidades poderosas… nos próximos 2-3 anos." E em fevereiro de 2025: "O que vi dentro da Anthropic e fora nos últimos meses me levou a acreditar que estamos no caminho para sistemas de IA de nível humano que superam humanos em todas as tarefas dentro de 2-3 anos." A projeção é de sistemas "amplamente melhores que todos os humanos em quase todas as coisas" — não AGI estreita, mas AGI generalista.
Sam Altman: AGI Durante o Mandato Presidencial Atual
Sam Altman adotou uma formulação mais vaga mas igualmente ambiciosa: AGI "provavelmente será desenvolvida" durante o mandato presidencial atual dos EUA (que termina em janeiro de 2029). Em seu roadmap público, a OpenAI projeta "research interns" de IA em 2026 — sistemas que funcionam como estagiários de pesquisa autônomos — e pesquisadores de IA completamente autônomos até 2028.
A expectativa de Altman para 2026 é específica: tarefas que hoje levam horas passarão a levar dias. "À medida que esses sistemas passam de tarefas de múltiplas horas para tarefas de múltiplos dias, o que espero acontecer no próximo ano..." — uma declaração de janeiro de 2025 que se confirmou parcialmente: em fevereiro de 2026, o Claude Opus 4.6 cruzou a marca de 14,5 horas de trabalho autônomo sustentado, dobrando a cada 123 dias.
Demis Hassabis: Mais Cauteloso, Mas Também Revisado
Hassabis ocupa o meio-termo. Sua estimativa pública migrou de "5 a 10 anos" em 2024 para "3 a 5 anos" em janeiro de 2025. Ele enfatiza o que chama de "inteligência irregular" — a observação de que sistemas atuais mostram performance de medalha de ouro em matemática olímpica ao lado de falhas que uma criança de doze anos não cometeria.
Shane Legg, cofundador do DeepMind e Chief AGI Scientist, foi mais específico em janeiro de 2026: atribui 50% de probabilidade a "AGI mínima" até 2028, definida como um agente artificial que pode realizar de forma confiável toda a gama de tarefas cognitivas que um humano médio pode fazer, sem falhar de formas que surpreenderiam se uma pessoa tivesse a mesma tarefa.
As Vozes Discordantes: LeCun e Marcus
Nem todos concordam. Yann LeCun argumenta que arquiteturas atuais — incluindo todos os LLMs — não podem atingir AGI por princípio, independentemente de escala. Gary Marcus mantém posição similar: os modelos atuais têm limitações estruturais que o scaling não resolve.
Geoffrey Hinton, que recebeu o Nobel de Física de 2024, revisou suas estimativas para o curto prazo mas mantém profunda ambivalência: estima 10-20% de probabilidade de IA causar extinção humana, e disse publicamente que parte de si se arrepende de décadas de trabalho em deep learning.
Por que as Divergências Importam
O que está em jogo nas previsões de AGI não é apenas a data de calendário. É a alocação de centenas de bilhões de dólares em infraestrutura, a urgência de regulação, e a questão de quem controla os sistemas quando chegarem.
A regra mais honesta para interpretar previsões de AGI em 2026: qualquer CEO de laboratório de IA que te diz a data exata é um vendedor. A evidência não suporta previsões confiantes em nenhuma direção. Suporta monitorar indicadores líderes, precificar preparação para AGI em decisões de longo prazo, e tratar qualquer timeline único como o resultado mais otimista de uma distribuição ampla.
