A Pontuação Não É O Que Você Pensa

Em julho de 2025, o modelo Gemini Deep Think do Google DeepMind sentou — metaforicamente — para tentar a Olimpíada Internacional de Matemática. Respondeu todos os seis problemas em linguagem natural dentro do limite de tempo de 4,5 horas e obteve 35 pontos: o equivalente a uma medalha de ouro. Um ano antes, o mesmo benchmark havia produzido uma medalha de prata. Medalistas de ouro humanos tipicamente pontuam entre 35 e 42 pontos.

Essa manchete tende a ser lida como um veredicto: a IA nos venceu. Caso encerrado.

Mas o Índice de IA de Stanford 2026, publicado em abril deste ano, conta uma história mais complicada. Os mesmos sistemas que dominam a IMO leem relógios analógicos corretamente apenas 50,1% do tempo. O relatório chama isso de uma "fronteira irregular" — e é o resumo mais honesto de onde as coisas realmente estão.

Aqui está um detalhamento domínio por domínio, usando dados de benchmark verificados, de onde a IA agora lidera os humanos, onde os humanos ainda têm vantagem, e o que isso significa para as habilidades cognitivas que você treina em plataformas como AIHumanBench.

Onde a IA Claramente Superou o Desempenho Humano

Matemática

O ouro na IMO é apenas um ponto de dados. Na AIME 2025 — a competição de matemática do ensino médio americano que seleciona candidatos para a equipe olímpica dos EUA — o GPT-5.2 (lançado em 11 de dezembro de 2025) alcançou uma pontuação perfeita de 100%. O competidor humano mediano responde aproximadamente 4 a 6 dos 15 problemas. A IA não está mais competindo no nível mediano; ela opera perto do teto do desempenho de especialistas humanos em tarefas matemáticas estruturadas.

O GPT-5.2 também pontuou 40,3% no FrontierMath, um benchmark construído a partir de problemas de nível de pesquisa não publicados que mesmo matemáticos profissionais acham extremamente difíceis. Esse número parece modesto isoladamente, mas representa um salto de quase zero apenas dois anos atrás.

Programação e Engenharia de Software

No SWE-bench Verified — que pede aos modelos para resolver problemas reais e abertos do GitHub em bases de código reais — o desempenho subiu de aproximadamente 60% para quase 100% ao longo de 2025, de acordo com o Índice de IA de Stanford 2026. Os agentes GPT-4o resolveram 67% dos problemas reais do GitHub em condições cronometradas, em comparação com 22% para desenvolvedores humanos trabalhando sob as mesmas restrições.

O aviso importa: em tarefas curtas e bem definidas com um orçamento de duas horas, a IA superior pontua aproximadamente quatro vezes mais alto que especialistas humanos. Mas em horizontes de 32 horas — tarefas que requerem julgamento sustentado, adaptação e criatividade — os humanos superam a IA por uma margem de 2 para 1. A vantagem de programação da IA está concentrada em velocidade e precisão em problemas delimitados, não em julgamento de engenharia aberto.

Memória de Trabalho

Um estudo de 2024 (arXiv: 2410.07391) comparou modelos de linguagem de fronteira com dados normativos humanos em tarefas padrão de memória de trabalho. O resultado: a maioria dos modelos top se desempenha no ou acima do 99,5º percentil da população humana. No tipo de tarefas de amplitude de dígitos e n-back que você encontrará no teste de memória de trabalho do AIHumanBench, a IA saturou efetivamente o extremo superior da distribuição de desempenho humano.

Isso não significa que a IA "pensa" como os humanos — significa que as tarefas computacionais específicas que os testes de memória de trabalho foram projetados para medir são aquelas que a IA lida com facilidade. A arquitetura é diferente; a pontuação não é.

Compreensão de Leitura e Compreensão de Linguagem

A IA superou o desempenho humano médio no GLUE e SuperGLUE (benchmarks padronizados de idioma inglês) já em 2019–2021. Em 2026, a lacuna no nível humano médio é tão grande que deixou de ser uma comparação significativa. A fronteira se moveu para alvos mais difíceis: raciocínio científico de nível doutoral, aprendizado novo em contexto, e tarefas que requerem compreensão genuína em vez de correspondência de padrões.

Onde os Humanos Ainda Lideram

Raciocínio Multimodal no Mundo Real

No MMMU — um benchmark que testa a compreensão multimodal em disciplinas de nível universitário usando imagens reais, gráficos e diagramas — o o1 da OpenAI pontuou 78,2% contra uma linha de base humana de aproximadamente 83%. Este é o único grande domínio padronizado onde a IA ainda não alcançou, e aponta para um padrão mais amplo: a IA luta quando a tarefa requer integrar o senso comum físico com o raciocínio abstrato.

O exemplo do relógio analógico do relatório de Stanford é ilustrativo. Uma taxa de precisão de 50,1% na leitura de relógios analógicos — uma tarefa que qualquer criança de oito anos manuseia automaticamente — revela que as impressionantes pontuações de benchmark da IA podem coexistir com lacunas surpreendentes na percepção encarnada do mundo real.

Tarefas Complexas de Longo Horizonte

Os dados do RE-Bench já citados acima contam essa história claramente: em horizontes de tarefa de 32 horas, especialistas humanos superam a IA 2 a 1. Quanto mais longa e aberta for a tarefa, mais as vantagens humanas em julgamento sustentado, adaptação contextual e enquadramento criativo de problemas entram em jogo.

Essa descoberta tem implicações diretas sobre como as ferramentas de IA são usadas de forma mais produtiva. Elas se destacam como aceleradoras para subtarefas delimitadas, não como substitutas autônomas do julgamento humano em projetos extensos e incertos.

Criatividade Genuína e Raciocínio Novo

ARC-AGI — um benchmark especificamente projetado para resistir à memorização e testar o verdadeiro raciocínio novo — tem sido um desafio persistente para a IA. O GPT-5.2 foi relatado como um dos primeiros modelos a exceder 90% no ARC-AGI-1. O GPT-5.5, lançado em 23 de abril de 2026, atingiu 85% no ARC-AGI-2 mais difícil. Esses são números notáveis, mas o benchmark foi projetado para aproximar o tipo de raciocínio fluido e transferível que define a inteligência geral humana. O fato de que modelos de fronteira estão apenas agora se aproximando — em um teste cuidadosamente controlado, não na resolução de problemas do mundo real sem restrições — permanece significativo.

Um estudo de janeiro de 2026 envolvendo mais de 100.000 participantes descobriu que, embora os sistemas de IA superem os humanos médios em tarefas de associação divergente, os 10% principais de pensadores criativos humanos ainda produzem resultados mais ricos e surpreendentes em trabalho criativo aberto — poesia, narrativa, geração de ideias entre domínios.

Inteligência Social e Emocional

Nenhum modelo de fronteira demonstrou teoria da mente confiável, leitura matizada de dinâmicas interpessoais, ou responsividade emocional genuína em contextos reais não estruturados. A IA se desempenha bem em benchmarks padronizados de reconhecimento de emoções, mas mal quando a tarefa requer integrar pistas emocionais com contexto social em situações novas — exatamente o tipo de tarefa que o teste de Reconhecimento de Emoções do AIHumanBench sonda.

O Que Isso Significa para os Testes que Você Faz

Os benchmarks acima são úteis para entender o panorama amplo, mas não são o mesmo que as habilidades cognitivas que você exerce no AIHumanBench. Vamos ser precisos sobre o que os dados dizem e não dizem sobre cada categoria de teste.

Tempo de Reação: A inferência de IA é arquitetonicamente mais rápida que o processamento neural humano — milissegundos vs. 200–250ms de tempo de resposta humano médio. Mas o "tempo de reação" da IA depende inteiramente do hardware e da latência de rede. Em testes de software controlados, a IA vence. Sua pontuação de tempo de reação reflete algo real sobre seu sistema nervoso que nenhum benchmark pode replicar.

Memória de Trabalho: A IA testa no 99,5º+ percentil humano em tarefas padrão. Mas a memória de trabalho no sentido humano é um sistema de capacidade limitada que interage dinamicamente com atenção, emoção e memória de longo prazo. Sua pontuação de memória de trabalho no AIHumanBench reflete uma capacidade cognitiva genuína que importa para aprendizado, raciocínio sob pressão e desempenho diário — independentemente do que a IA pode ou não pode fazer.

Reconhecimento de Padrões e Raciocínio Abstrato: Essas são áreas onde a IA é forte e está ficando mais forte. Mas os testes do AIHumanBench nesta categoria são calibrados em relação às normas da população humana, o que significa que sua pontuação lhe diz onde você está em relação a outros humanos — uma comparação que permanece completamente significativa independentemente do desempenho da IA.

Criatividade e Fluência Verbal: Vantagem humana. A pesquisa é clara de que o desempenho criativo humano do décil superior permanece à frente da IA em tarefas abertas. Essas são habilidades que valem a pena desenvolver.

O Resumo Honesto

A IA alcançou matemática de medalha de ouro, programação quase perfeita em tarefas delimitadas, e desempenho de memória de trabalho que satura a escala humana. Fez isso mais rápido do que quase qualquer pessoa previu há cinco anos.

Ela também lê relógios analógicos corretamente metade do tempo e perde para especialistas humanos em tarefas que se estendem além de algumas horas.

O enquadramento de "fronteira irregular" do Índice de IA de Stanford 2026 está certo. Esta não é uma história de superioridade uniforme da IA ou de excepcionalismo humano se mantendo firme em geral. É uma história de capacidades que são genuinamente, especificamente desiguais — e essa desigualdade é precisamente por que entender seu próprio perfil cognitivo ainda importa.

Saber onde você é forte, onde tem espaço para crescer, e como seu desempenho se compara às normas da população é informação valiosa. É isso que os testes cognitivos lhe dão — e permanecerá valioso independentemente do que qualquer benchmark de IA diga no próximo trimestre.