O hype de cada ano vira commodity no ano seguinte
Olhe os últimos quatro anos da IA generativa como uma escada:
2023 foi o ano do chatbot. A grande novidade era conseguir conversar com a máquina e receber uma resposta útil. Hoje isso é o básico do básico.
2024 foi o ano da multimodalidade. A IA passou a processar imagem, áudio e vídeo. Foi uma virada real, especialmente para quem trabalha com documentos, que carregam informação visual além da textual. Hoje qualquer pessoa joga um print no ChatGPT sem pensar duas vezes.
2025 foi o ano dos agentes. Toda empresa queria montar seu sistema agêntico. Muitas montaram, e vários deles funcionam bem até hoje.
2026 é o ano do harness. Harness é o ecossistema que envolve o modelo. O LLM é o cérebro que decide, o harness é o que dá mãos a ele: executa a busca, roda a calculadora, abre o arquivo, devolve o resultado para o modelo continuar raciocinando. Ferramentas como Claude Code e Codex são harnesses. E são tão poderosos que sistemas agênticos inteiros construídos no ano passado, com agente planejador, redator, revisor e pesquisador, hoje cabem em um único prompt bem escrito.
O padrão é sempre o mesmo. O que parece extraordinário em um ano vira infraestrutura banal no seguinte. E o próximo degrau já tem nome: RSI, recursive self-improvement, ou auto-melhoria recursiva.
O que é RSI, sem jargão
A definição mais usada nos laboratórios é esta: RSI acontece quando um modelo de IA constrói sozinho a próxima versão de si mesmo melhor do que um especialista humano faria pilotando a melhor IA disponível.
Hoje a regra é a oposta. Humano especialista + IA ainda ganha da IA sozinha em praticamente todo trabalho complexo. RSI é o nome do momento em que essa desigualdade se inverte para a tarefa específica de construir IA.
O conceito ficou popular porque virou proxy contratual de AGI (Artificial General Inteligence). O acordo original entre OpenAI e Microsoft, de 2019, tinha uma cláusula em que a chegada da AGI encerrava o acesso da Microsoft aos modelos, e a OpenAI podia declarar esse marco unilateralmente. A cláusula foi renegociada em outubro de 2025: a OpenAI deixou de poder declarar AGI sozinha, a verificação passou a depender de um painel independente de especialistas, e os direitos de propriedade intelectual da Microsoft foram estendidos até 2032, incluindo modelos posteriores à AGI.
Ou seja: o conceito saiu do território da ficção científica e entrou no território de contrato assinado por advogados. Isso diz pouco sobre a tecnologia e muito sobre o quanto o mercado leva a hipótese a sério.
Isso não está acontecendo só em São Francisco
A parte mais interessante do RSI não é a versão máxima, com modelos treinando modelos. É a versão fraca, que já está sendo construída dentro de operações grandes no Brasil.
O desenho é sempre parecido. Uma empresa tem um sistema agêntico rodando em produção. Como todo sistema, ele falha de vez em quando. Hoje o que acontece é: o humano percebe a falha, entende a causa, corrige e sobe a correção. O que está sendo construído agora é o mesmo ciclo sem humano dentro dele:
1. Métricas capturam o comportamento anômalo. Um processo que deveria ser resolvido em uma ação levou quatro.
2. Um agente agrupa ocorrências parecidas ao longo do tempo, separando ruído de padrão.
3. Outro agente investiga e propõe a causa raiz.
4. Outro escreve a correção. Outro revisa.
5. Se a revisão passa, a correção vai para produção automaticamente.
O sistema entende que errou, descobre por quê, se corrige e evolui. Sem ninguém no meio.
Repare no que realmente mudou aqui. A inteligência do agente não é a variável decisiva. A variável decisiva é quem fecha o loop. E o loop só fecha porque existe uma métrica capaz de detectar que algo saiu do lugar.
Guarde essa frase, porque ela é o ponto do artigo.
Por que uma empresa de GEO está escrevendo sobre isso
Duas consequências saem daqui direto para quem cuida de marca, conteúdo e demanda.
1. A validade do seu playbook encolheu
O ritmo de melhoria dos modelos é mensurável. A METR, organização que avalia capacidade de sistemas de IA, acompanha há anos o tamanho das tarefas que um agente consegue concluir sozinho. O comprimento das tarefas que os sistemas de fronteira conseguem completar vem dobrando a cada sete meses desde 2019, e entre 2024 e 2025 esse tempo de duplicação caiu para cerca de quatro meses. RSI, se acontecer, é justamente o mecanismo que comprime esse intervalo ainda mais.
Compare com o mundo do SEO. O Google anunciava core updates, a comunidade fazia engenharia reversa durante semanas e um playbook razoável durava uma temporada inteira. Nas engines generativas não existe esse ciclo. O modelo muda, a camada de recuperação de fontes muda, o harness muda, e cada um deles muda em ritmo próprio e sem aviso.
O efeito prático para a sua marca: uma tática que colocava você na resposta em março pode simplesmente parar de colocar em julho, sem que uma linha do seu site tenha mudado.
Isso obriga a trocar o enquadramento. Presença em IA não é projeto, com começo, entrega e relatório final. É série temporal. Quem trata como projeto descobre o problema quando o cliente pergunta por que o concorrente aparece e ele não.
> Se você nunca mediu, o ponto de partida é gratuito: rode um diagnóstico da sua marca em app.shapefai.com e veja em quantas respostas você aparece hoje.
2. Todo loop auto-melhorável depende de um sinal
Volte ao ciclo de cinco etapas. Ele começa com métrica, não com agente. Sem uma métrica confiável, o agente não sabe que errou, não tem o que agrupar, não tem contra o que validar a correção. O loop não fecha. Vira opinião automatizada.
É aqui que a maioria das empresas está descoberta. A área de marketing tem sinal para tudo, menos para IA. Sabe posição no Google, CPC, CTR, taxa de conversão. Não sabe em quantas respostas de ChatGPT, Gemini ou Claude a marca aparece, com que sentimento, ao lado de quais concorrentes e citando quais fontes.
Enquanto esse sinal não existir, não adianta discutir automação da execução. Não há função objetivo para otimizar.
O loop de GEO que se auto-melhora
Traduzindo o mesmo desenho para visibilidade de marca em IA:
1. Medir. Share of answer, sentimento, fontes citadas e presença por engine, com histórico. Uma foto isolada não serve, porque o que importa é a derivada.
2. Detectar anomalia. Queda relevante no Gemini enquanto o ChatGPT segue estável é um sinal específico, e um sinal específico já sugere onde procurar.
3. Achar a causa raiz. O domínio que te citava saiu do conjunto de fontes. Um concorrente publicou um comparativo que virou referência. A engine trocou a lógica de recuperação. Cada hipótese tem um teste diferente.
4. Corrigir. Conteúdo próprio, presença em fontes de terceiros, dado estruturado, ajuste de posicionamento na linguagem que a engine usa para descrever a categoria.
5. Reavaliar. A mesma métrica confirma ou derruba a hipótese. Se derruba, o ciclo recomeça com informação nova.
Hoje as etapas 3 e 4 dependem de gente boa. As etapas 1, 2 e 5 já podem rodar sozinhas, e é exatamente o que a ShapefAI faz. A direção do RSI é o humano sair de dentro do loop e subir para cima dele, definindo o que conta como sucesso em vez de operar cada passo.
O que isso implica para quem está decidindo onde investir: a camada de execução vai ser automatizada, provavelmente mais rápido do que o mercado espera. A camada de medição não, porque ela é quem define o alvo. Quem tiver histórico próprio, com série longa e comparável, entra nessa transição com vantagem estrutural. Quem começar a medir depois vai ter dados a partir do dia em que ligou o instrumento.
O que dá para fazer nos próximos 90 dias
Estabeleça a linha de base. Você não consegue detectar anomalia sem ponto de referência. O primeiro mês de medição não gera insight, gera régua. Isso é normal e é pré-requisito.
Escolha as perguntas certas, não as mais óbvias. Monitorar o nome da sua marca mede pouco. O que importa são as perguntas de categoria, aquelas em que o comprador ainda não sabe quem vai contratar. É ali que a engine decide quem entra na lista.
Separe conteúdo de fonte. Boa parte da sua presença em resposta de IA vem de páginas que não são suas. Sem mapear quais domínios estão sendo citados na sua categoria, você otimiza o que consegue controlar e ignora o que mais pesa.
> Os três passos acima começam com o mesmo dado. O diagnóstico gratuito em app.shapefai.com mostra sua presença atual por engine e as fontes que as respostas estão usando.
Perguntas frequentes
O que significa RSI em inteligência artificial?
RSI é a sigla de recursive self-improvement, ou auto-melhoria recursiva. Descreve sistemas de IA capazes de identificar as próprias falhas, encontrar a causa, gerar a correção e aplicá-la sem intervenção humana. No limite, descreve um modelo que constrói uma versão melhor de si mesmo.
RSI é a mesma coisa que AGI?
Não são sinônimos, mas estão ligados. Vários laboratórios usam a capacidade de auto-melhoria como critério prático para reconhecer AGI, justamente porque é mais verificável do que definições abstratas de inteligência geral.
RSI já existe hoje?
Na versão forte, com modelos treinando modelos melhores sem humanos, não. Na versão fraca, sim: já existem sistemas em produção que detectam a própria falha, propõem correção e a colocam no ar com revisão automatizada.
O que RSI muda para marketing?
Duas coisas. A primeira é ritmo: o intervalo entre mudanças nas engines fica menor que o ciclo de decisão de uma agência ou de um time de marketing. A segunda é dependência de sinal: qualquer automação de otimização precisa de uma métrica para fechar o ciclo, e visibilidade em IA é justamente a métrica que a maioria das marcas ainda não coleta.
Como medir a presença da minha marca nas respostas de IA?
É preciso consultar as engines de forma sistemática, com um conjunto estável de perguntas, e registrar quem aparece, em que ordem, com que sentimento e citando quais fontes, ao longo do tempo. É o que a ShapefAI faz em ChatGPT, Gemini, Claude e Google AI Overviews.
A ShapefAI mede como marcas aparecem nas respostas geradas por IA e transforma isso em uma série histórica utilizável. Comece pelo diagnóstico gratuito.