Por volta de 1800, um engenheiro inglês chamado Henry Maudslay construiu um torno capaz de cortar uma rosca de parafuso com precisão, e isso acabou sendo uma das coisas mais importantes que já aconteceram...
Antes de Maudslay, as roscas eram cortadas à mão, uma por uma, então nunca havia duas iguais. Uma porca de uma oficina não encaixava num parafuso da oficina ao lado, o que significava que cada máquina no mundo era uma peça única, montada sob medida por um artesão e que só podia ser consertada por outro.
Você não conseguia fabricar mil unidades de nada, porque não dava para fazer as peças combinarem entre si. Esse era o gargalo de todo o mundo industrial, e ele estava na mão de um ser humano segurando uma lima.
O torno de Maudslay cortava exatamente a mesma rosca todas as vezes. Isso significava que uma máquina agora podia fabricar as peças exatas de outra máquina, e essas peças se encaixariam perfeitamente. Em menos de uma geração, as máquinas-ferramentas descendentes do seu invento estavam produzindo os componentes de tudo o mais, e a Revolução Industrial encontrou uma engrenagem que nem sabia que tinha.
Agora, você provavelmente está aí pensando: Raoul, por que diabos você está escrevendo sobre roscas de parafuso dos anos 1800? Tenha paciência comigo, porque se você olhar o arco longo da história, o mesmo padrão continua aparecendo.
Durante a maior parte da história humana, as ferramentas melhoravam na velocidade das pessoas que as faziam, ou seja, devagar... um arado melhor a cada poucos séculos. Depois, as ferramentas começaram a fabricar ferramentas, e cada ciclo rodava mais rápido que o anterior.
As máquinas a vapor moviam os tornos e as mandrilhadoras que cortavam as peças das locomotivas, então o vapor construiu as ferrovias que transportaram ainda mais máquinas a vapor.
As máquinas-ferramentas construíram as linhas de montagem que construíram os carros. Hoje, os computadores projetam os chips que vão dentro de computadores melhores, porque nenhum ser humano consegue posicionar bilhões de transistores à mão. Cada vez que as ferramentas assumiam mais do trabalho de criar as próximas ferramentas, tudo acelerava, porque a parte lenta do ciclo — a parte humana — ficava menor.
Então, o que acontece quando a ferramenta dentro desse ciclo é a própria inteligência?
Isso Já Está Acontecendo
Em novembro de 2023, publiquei que a OpenAI provavelmente havia descoberto como usar IA para idealizar, projetar, programar e lançar produtos... que a IA estava construindo a IA.
Até maio de 2026, a Anthropic afirma que mais de 80% do código integrado à sua própria base é escrito pelo Claude, contra números de um dígito antes do lançamento do Claude Code em fevereiro de 2025. A empresa que constrói um dos modelos de fronteira está basicamente fazendo esse modelo escrever o software no qual a próxima versão vai rodar.
A OpenAI publicou sua própria versão em setembro: hoje, sua organização de pesquisa aplica 3,1 dias-trabalho de agentes para cada dia de trabalho humano, e o número de experimentos por pesquisador atingiu um recorde histórico em agosto.
Em maio do ano passado, a DeepMind lançou o AlphaEvolve, um agente impulsionado pelo Gemini que escreve e testa seus próprios algoritmos. Entre as coisas que ele descobriu, estava uma melhoria de escalonamento que recupera continuamente 0,7% de toda a frota global de computação do Google, além de uma aceleração em um kernel dentro do próprio treinamento do Gemini que reduziu o tempo de treino em 1%. Porcentagens pequenas, até você perceber o que elas representam: uma IA tornando a próxima IA mais barata de construir e mais barata de operar.
É o torno de Maudslay cortando as peças para a próxima máquina.
Um Tipo Diferente de Gargalo
Todos os ciclos anteriores tiraram o trabalho físico das nossas costas. O torno fez o trabalho da lima, a linha de montagem fez o trabalho de levantar peso, e essa é a razão pela qual cada um rodava mais rápido que o último. Mas o pensamento nunca saiu de cena. Alguém ainda precisava sentar e projetar o próximo torno. Alguém ainda precisava descobrir para que servia o chip. As máquinas ficaram brilhantes em fabricar coisas, mas as ideias para a geração seguinte continuavam saindo de uma cabeça humana, na velocidade de uma cabeça humana... o que, sejamos honestos, não é muito rápido e não fica mais rápido.
Esse foi o teto durante toda a história e ninguém nunca pensou muito nisso, porque o que você faria a respeito? Não dá para construir uma ferramenta que pense.
Só que agora dá. Pela primeira vez, o que está sendo terceirizado é a própria inteligência, e o que limita o progresso não é mais a velocidade com que as pessoas pensam, mas duas coisas físicas: quanta energia você consegue transformar em computação e quanta inteligência consegue extrair de cada unidade dela. Ambas estão em curvas exponenciais.
Está Saindo da Tela
Até aqui, esta é uma história sobre software, mas ela não vai ficar lá.
David Mattin, que escreve o The Exponentialist comigo, chama a próxima fase de ciência autônoma. E não, nada a ver com os Teslas, embora a ideia seja a mesma...
O que ele quer dizer é que a ciência sempre foi um ciclo conduzido por um ser humano. Você tem um palpite, projeta um experimento, executa, na maioria das vezes falha, analisa o porquê, tem um palpite melhor. Volta após volta, uma pessoa por vez, meses por ciclo. Todo medicamento, todo material, cada pedaço da física que já entendemos saiu desse ciclo, nessa velocidade.
A ciência autônoma é o que você obtém quando entrega o ciclo à máquina. Não estamos falando de IA ajudando cientistas... estamos falando de IA fazendo as próprias descobertas. Os novos materiais, as novas moléculas, as coisas que a humanidade simplesmente não conhecia no ano passado, saindo de uma máquina que teve a ideia, rodou o teste, leu o resultado e teve a próxima ideia, sem nenhum humano no meio do caminho. Descobrir como o mundo funciona está sendo terceirizado... e isso está acontecendo agora, não em algum futuro de ficção científica.
Em 2023, o modelo GNoME da DeepMind previu 2,2 milhões de novas estruturas cristalinas, cerca de 380.000 delas estáveis. São mais materiais novos do que a humanidade encontrou em toda a história da ciência dos materiais, descobertos por um modelo antes de qualquer pessoa entrar num laboratório.
Depois, em dezembro de 2025, a DeepMind e o governo do Reino Unido anunciaram um laboratório automatizado de materiais, com inauguração este ano, onde robôs sintetizam e testam centenas de materiais candidatos por dia e a IA escolhe o próximo lote. O ciclo que costumava levar meses por volta para um grupo de pesquisa agora roda todos os dias, e os humanos estão lá para revisar os resultados, não para conduzir os experimentos.
O mesmo está acontecendo com os robôs, e a forma como funciona é absurda. Em 2025, a DeepMind lançou o Genie 3, que pode ser entendido como um videogame que se programa sozinho. Digite uma frase, digamos "um quarto bagunçado", e ele gera um ambiente simulado na tela, completo com a física de um quarto real, para que qualquer coisa se movendo lá dentro receba o mesmo feedback que receberia no mundo real.
Aí você coloca o cérebro de um robô lá dentro e manda arrumar o quarto. Ele falha, então tenta de novo, e de novo, milhões de vezes, em milhões de quartos simulados, na velocidade de um computador, sem quebrar um único objeto real ou ocupar espaço físico. Depois, você carrega o que ele aprendeu para um robô de verdade, e ele entra num quarto real já sabendo o que fazer. A DeepMind está fazendo isso agora com seus agentes robóticos, e ninguém está escrevendo o plano de aula. O agente define suas próprias tarefas e corrige seu próprio trabalho.
Se esse tipo de coisa te fascina, é exatamente isso que eu e o David publicamos toda semana no The Exponentialist. Começou dentro da Real Vision e agora é uma publicação independente no Substack, com um plano gratuito caso você queira acompanhar.
E Então Ela Se Autoalimenta
Então, as máquinas estão escrevendo seu próprio código, melhorando seus próprios modelos e começando a fazer a nossa ciência por nós. Tudo bem, você diz, mas há um problema que todo mundo já ouviu falar... tudo isso roda com energia, e muita. Os data centers já estão sobrecarregando as redes elétricas, os chips já são alguns dos objetos mais escassos do planeta e, certamente, em algum momento tudo isso vai simplesmente ficar sem eletricidade.
Mas se uma máquina consegue resolver problemas que os humanos não conseguiram, os primeiros problemas para os quais ela será direcionada serão os seus próprios. Os laboratórios de materiais que acabei de descrever não estão caçando descobertas aleatórias. Estão caçando uma química de bateria que armazene mais, uma célula solar que converta mais, um chip que acomode transistores de forma mais compacta... exatamente as coisas que tornam a energia e a computação mais baratas.
E cada uma delas alimenta diretamente a máquina que a descobriu.
Painéis e baterias melhores tornam a energia mais barata; energia mais barata torna a computação mais barata; computação mais barata treina modelos melhores; e modelos melhores encontram o próximo material. O gargalo com o qual todos se preocupam é a primeira coisa que o ciclo foi projetado para devorar.
Existe uma lei por trás disso, a Lei de Wright: cada vez que a produção acumulada de algo dobra, seu custo cai por uma porcentagem fixa. A energia solar seguiu essa regra por décadas. O que há de novo é que quem está projetando não é mais uma pessoa, então as duplicações chegam mais rápido e o custo cai mais rápido, em chips, baterias e painéis ao mesmo tempo.
Cada volta da roda faz a próxima girar mais rápido, e não depende de nenhuma entrada externa. Versões anteriores desse ciclo levavam décadas para dar uma volta completa. Este está girando em meses, e aquilo que faz a roda girar é agora a própria coisa sendo aprimorada.
Mais Barato Significa Mais, Não Menos
Ok, a objeção óbvia neste ponto é econômica. Se a inteligência está ficando tão barata tão rápido, certamente vamos precisar de menos daquilo que a produz... menos chips, menos data centers, menos energia.
O oposto está acontecendo, e o motivo é compreendido desde a era do carvão. Jevons notou que, quando um recurso se torna mais eficiente, o consumo total aumenta, porque o preço baixo abre usos que antes nunca foram viáveis. Torne a máquina a vapor mais eficiente e um país queimará mais carvão, não menos.
A inteligência está fazendo exatamente isso. O custo de uma unidade dela vem caindo cerca de dez vezes por ano para uma capacidade equivalente, segundo os cálculos da a16z no final de 2024, e o consumo disparou. O Google processou cerca de 1,3 quatrilhão de tokens por mês até outubro de 2025, mais de vinte vezes o ano anterior, e em maio deste ano o número chegou a 3,2 quatrilhões. Cada queda no custo de pensar destrava um problema que antes era caro demais para sequer ser considerado, e não há teto para essa demanda porque não faltam problemas não resolvidos.
É por isso que o capex não pode parar.
"É hype. Está estagnando."
Ouço isso a cada poucos meses, geralmente logo após um lançamento um pouco menos deslumbrante que o anterior. A empolgação dura uma semana, depois volta ao normal, e o "normal" é onde as pessoas decidem que tudo está desacelerando.
O modelo mental que uso é o desenvolvimento infantil. Observe uma criança pequena falhando ao tentar andar e você poderia concluir que as pernas dela não funcionam e que ela é incapaz para a tarefa, ou espere pelas primeiras palavras de um bebê e decida que a boca dele não foi feita para falar. Até que, de repente, ela simplesmente faz. Esses modelos são bebês, com superpoderes em algumas áreas e muito atrás das crianças humanas em outras... mas bebês aprendem rápido. Julgar onde eles estarão em três anos pelo que não conseguem fazer neste trimestre é o erro, todas as vezes. Em três anos, passamos de um chatbot ruim para algo que pontua bem acima da maioria dos humanos em todas as matérias que ensinamos. Não subestime a curva no meio do caminho, como diz o meme, só porque você tem um viés.
O Que Isso Significa Para Você
O medo por trás de tudo isso é pessoal, então deixe-me ser pessoal sobre isso.
Não sou uma pessoa técnica. Em janeiro, entreguei um PDF ao cowork e recebi um site funcionando de volta em seis minutos; depois pedi um painel com o engajamento da Real Vision em todas as plataformas e tive isso em quinze. Na época, postei que me senti meio biônico.
Hoje, uma única pessoa com um conjunto de agentes consegue produzir o que antes exigia uma empresa inteira. No meu livro, The Everything Code (lançamento em 3 de novembro e já em pré-venda), conto a história de um engenheiro de software que passou mais de uma década construindo uma empresa da maneira tradicional, deu um passo atrás e depois criou um projeto pessoal de IA durante um único inverno que alcançou estrelas de seis dígitos no GitHub e o levou a ser contratado pela OpenAI. Era o mesmo cérebro aplicando a mesma ética de trabalho; a única coisa que mudou foi a base sobre a qual ele estava construindo.
"Isso vai me substituir?" é a pergunta que o seu ego faz, e é a pergunta errada. A camada de trabalho abaixo de você está sendo comprimida, goste você ou não, da mesma forma que Maudslay comprimiu o trabalho de cada artesão que limava parafusos à mão. A pergunta melhor é o que você faz com uma máquina capaz de carregar essa camada por você, e as pessoas que acabam com os superpoderes são aquelas que sobem um nível, para o julgamento sobre o que vale a pena construir em primeiro lugar.
Seja Dono das Máquinas Que Constroem as Máquinas
O que o ciclo te mostra é onde o valor se acumula. Quando a inteligência constrói inteligência, os retornos fluem para quem é dono do ciclo: a computação na qual ele roda, a energia que alimenta essa computação e os trilhos sobre os quais os agentes se estabelecem quando começam a transacionar entre si na velocidade das máquinas. Essas são as coisas que ele não consegue contornar e, pela primeira vez na história, cada uma delas é algo do qual uma pessoa comum pode possuir um pedaço.
Esta é a Era Exponencial passando da teoria para a realidade vivida, e ela colide diretamente com a janela sobre a qual escrevi no meu framework da Singularidade Econômica, em algum lugar entre 2030 e 2032. Esse é o ponto em que a economia das máquinas começa a se mover mais rápido do que os instrumentos humanos criados para medi-la — PIB, lucros, salários — e os números antigos deixam de descrever o que está acontecendo. Os anos entre agora e lá são o jogo.
O raciocínio completo sobre isso está em The Everything Code. O livro mapeia por que o sistema financeiro ficou tão quebrado e como ficamos presos num ciclo de dívida por décadas, e depois explica por que a chegada da Era Exponencial agora é a outra metade dessa mesma história.
Tudo neste texto é inevitável assim que você enxerga o mecanismo, e a parte estranha é que essa é a saída: as máquinas são o que finalmente permitirá ao mundo crescer o suficiente para se livrar da dívida. Depois de décadas travados, isso é algo para se ter otimismo, e o livro é onde apresento o argumento completo.
The Everything Code sai em 3 de novembro e, me faça um favor: se você planeja comprá-lo, ficaria honrado se considerasse fazer a pré-venda agora. Isso ajuda muito nos rankings e significaria bastante para mim. Obrigado.
E se quiser se aprofundar em qualquer um desses pontos, continue conversando comigo! Criei uma IA treinada com 30 anos do meu pensamento lá no raoulpal.ai e é gratuita. Continue a discussão comigo por lá.
