Há uma suposição embutida em quase toda estratégia de IA. Basta esperar. O modelo vai ficar mais inteligente. Vai entender melhor o contexto, vai precisar de menos especificação, vai errar menos.
François Chollet, criador do Keras, publicou uma frase no X que vai contra essa suposição. Martin Fowler a destacou no fragmento de 18 de agosto, e essa escolha merece atenção.
"Intelligence is a conversion ratio, with an optimality bound. Increasing intelligence is not so much like making the tower taller, it's more like making the ball rounder. At some point it's already pretty damn spherical and any improvement is marginal."
Não é que a IA vai parar de melhorar. É que a dimensão que ela expande não é, em essência, inteligência.
O que o limite de otimalidade muda
A metáfora da bola aponta para algo que "diminishing returns" não captura bem. Não é só que melhorar fica mais difícil. É que existe um ponto de convergência estrutural: a otimalidade, o momento em que o sistema converte ao máximo o que tem disponível.
Chollet completa: quando um sistema é muito inteligente, o gargalo passa a ser a velocidade com que coleta nova informação. A maioria dos campos científicos hoje não está limitada pela inteligência humana, mas pela experimentação. O que a IA resolveria com mais inteligência não é o problema em aberto.
Para engenharia de software, a implicação é direta. A ideia de que especificação, contexto e supervisão ficam menos necessários à medida que o modelo fica mais inteligente depende de uma progressão que Chollet questiona na raiz.
O que de fato cresce
Noah Smith mapeou em julho de 2026 o que está crescendo quando a IA cresce. As dimensões que ele identifica não têm nada a ver com inteligência bruta.
O que Smith chama de smart matter é a capacidade de multiplicar agentes cognitivos através de capital físico, sem depender da restrição biológica das inteligências humanas. O agente não fica mais inteligente. Fica onipresente.
Há também o conhecimento tácito distribuído: a IA consegue sintetizar informações de sensores e sistemas para capturar o saber organizacional que nunca existiu em nenhum documento. O tipo de conhecimento que está na operação, mas que nenhum humano consegue articular inteiro.
E as cloud laws, regularidades causais complexas demais para que um humano as intua ou comunique, mas que sistemas computacionais conseguem explorar. Fowler retoma o conceito e conclui que a IA não vai parecer mais inteligente "do jeito que costumamos enquadrar inteligência, mas mais inteligente de jeitos diferentes."
Replicabilidade, presença distribuída, acesso a padrões difusos. São capacidades específicas, de natureza distinta do que chamamos de inteligência.
O paradoxo que Smith registra
Smith observa uma tensão direta. A IA resolve problemas matemáticos de décadas. O uso de ferramentas cresce aceleradamente. E ainda assim a produtividade econômica permanece, nas palavras dele, "decently robust, but nothing really impressive."
Na minha leitura, a explicação é simples. Times que adicionam IA aos fluxos existentes capturam parte da aceleração na execução. Mas smart matter, conhecimento tácito e cloud laws não são sobre fazer o que você já fazia mais rápido. São sobre fazer coisas que você não fazia porque não tinha escala, presença ou acesso a padrões.
Quando a IA entra como substituta de execução no fluxo antigo, os ganhos chegam. A escala desses ganhos não é a mesma de quando o processo é redesenhado ao redor das capacidades reais da IA.
Por que o 70/30 não é uma fase de transição
A tese do V-Bounce distribui o valor em desenvolvimento AI-native: cerca de 70% está nas pontas do ciclo, onde moram intenção, especificação, julgamento e validação. Os 30% restantes estão na execução que a IA acelera.
Há quem leia esse paradigma como transitório. Como se o 30% fosse crescer à medida que a IA ficasse mais inteligente. Chollet oferece o argumento estrutural contra essa leitura. A bola já está bem esférica. O que cresce são outras dimensões.
E essas dimensões cobrem exatamente o que está no 30%: execução em escala, síntese de padrões, geração consistente. O 70% continua sendo intenção, arquitetura, julgamento e critério de aceitação. Capacidades que dependem de algo diferente de taxa de conversão de informação.
Construir spec-driven development, context engineering e governança de agentes não são contornos temporários até a IA crescer. São a arquitetura correta para o que a IA de fato é.
A decisão que Chollet e Smith sugerem, cada um pelo seu caminho, é parar de esperar a bola ficar maior. Ela já está bem esférica. O que está disponível agora é suficiente. Desde que você construa para o que a IA é, não para o que imagina que ela vai ser.