Pesquisa de Expectativas sobre IA da Anthropic Revela uma Diferença de 52 Pontos entre Funcionários e o Público
A Anthropic publicou uma pesquisa com uma divisão marcante: 91% de seus funcionários esperam que a IA faça uma descoberta digna de um Nobel até 2030, contra 39% dos adultos dos EUA. A pesquisa de expectativas sobre IA da Anthropic não mostra apenas que os funcionários são mais otimistas. Ela revela como as pessoas avaliam o futuro de maneiras muito diferentes depois de trabalhar diariamente com IA avançada.
A discordância vai muito além da pesquisa científica. Funcionários da Anthropic esperam que a IA realize uma parcela muito maior de seu trabalho, se espalhe mais rapidamente pelas empresas e gere ganhos de produtividade maiores. Ainda assim, ambos os grupos associam uma automação mais intensa no trabalho a um desemprego maior.
Isso cria o conflito central. As pessoas mais próximas dos modelos de fronteira preveem avanços extraordinários, mas sua experiência não representa a economia em geral. A pesquisa registra expectativas informadas de pessoas de dentro, não previsões medidas de forma independente.
O Que a Pesquisa da Anthropic Realmente Encontrou
A maior divisão diz respeito à velocidade do progresso futuro, não ao que a IA já consegue fazer.
A Anthropic publicou sua pesquisa de expectativas sobre IA em 16 de outubro de 2026. Os pesquisadores Szymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek e Peter McCrory assinaram o relatório.
A Morning Consult entrevistou online 10.980 adultos dos EUA entre 11 e 23 de agosto. As respostas foram ponderadas para representar a população adulta nacional.
A Anthropic consultou separadamente 1.334 funcionários entre 9 e 12 de agosto. Essa amostra interna não foi ponderada e incluiu profissionais de toda a empresa.
Os participantes avaliaram oito atividades, desde escrever e-mails rotineiros até fazer uma descoberta científica digna de um Nobel. Eles foram questionados sobre quando a IA realizaria cada atividade tão bem quanto um profissional qualificado.
Os dois grupos concordaram em grande medida sobre as capacidades atuais da IA. Cerca de um quarto de ambas as amostras acreditava que a IA já poderia projetar, conduzir e publicar estudos científicos.
Em seguida, suas expectativas se separaram acentuadamente. Nove em cada dez funcionários da Anthropic esperavam essa capacidade de pesquisa até 2027, em comparação com 38% do público.
A principal diferença dizia respeito à ciência digna de um Nobel. Até 2030, 91% dos funcionários esperavam que a IA fizesse uma descoberta desse tipo. Apenas 39% dos adultos dos EUA deram a mesma resposta.
Uma pesquisa de acompanhamento com 7.613 adultos dos EUA foi realizada entre 17 e 24 de setembro. Nessa amostra, 44% esperavam uma descoberta digna de um Nobel até 2030.
Esse aumento não eliminou a diferença. Mas mostrou que a estimativa precisa para o público depende, em parte, da amostragem e do momento da pesquisa.
A expressão “descoberta digna de um Nobel” também exige cautela. A pergunta mede se os participantes esperam que a IA faça uma descoberta dessa importância. Ela não define quanto envolvimento humano, trabalho experimental ou validação institucional estaria envolvido.
Um resultado científico pode se originar em um sistema de IA e ainda assim exigir que equipes humanas o verifiquem. Publicação, replicação e reconhecimento continuariam sendo etapas separadas.
O ponto de referência histórico já não é hipotético. O Nobel de Química de 2024 reconheceu Demis Hassabis e John Jumper pela previsão da estrutura de proteínas com o uso do AlphaFold2.
No entanto, o sucesso do AlphaFold não resolve a questão da pesquisa. O prêmio reconheceu pesquisadores humanos que desenvolveram um sistema de IA, e não um sistema autônomo recebendo crédito por sua própria descoberta.
Essa distinção importa porque os participantes podem interpretar “IA fazendo uma descoberta” de maneiras diferentes. Alguns podem imaginar um modelo formulando e testando uma teoria de forma independente. Outros podem considerar descobertas produzidas por cientistas humanos que usam ferramentas de IA.
A pesquisa de expectativas sobre IA da Anthropic, portanto, identifica uma diferença real de expectativas sem definir todos os limites dentro dela. O resultado é mais bem tratado como evidência sobre crenças, não como um cronograma comprovado para conquistas científicas.
A Diferença nas Expectativas sobre IA Vem da Exposição Diária
Funcionários da Anthropic parecem extrapolar a partir de um ambiente no qual a IA já está incorporada ao trabalho rotineiro.
O uso de IA divide o público em grupos com previsões perceptivelmente diferentes. Cerca de um quinto dos adultos entrevistados afirmou usar IA regularmente no trabalho.
Entre esses usuários regulares, 56% esperavam que a IA dominasse pelo menos sete das oito atividades avaliadas até 2030. A proporção correspondente foi de 41% entre todos os adultos dos EUA.
Apenas 28% das pessoas que nunca haviam usado uma ferramenta de IA esperavam esse nível de capacidade. Entre os funcionários da Anthropic, o número chegou a 96%.
Essa progressão sugere que a exposição direta muda as expectativas. Pessoas que usam IA regularmente preveem mais avanços do que aquelas que não a usam, embora ainda permaneçam menos confiantes do que os funcionários da Anthropic.
Experiência não comprova capacidade de previsão. Usuários frequentes podem observar capacidades que usuários ocasionais ainda não encontraram. Eles também podem generalizar demais a partir de tarefas e ambientes excepcionalmente favoráveis.
A Anthropic representa um caso extremo. Seus funcionários desenvolvem modelos de fronteira, recebem acesso antecipado a sistemas internos e trabalham em processos projetados em torno desses sistemas.
A pesquisa sobre emprego relacionada da empresa informou que, em agosto, as horas de agentes de IA interativos superavam as horas dos funcionários em uma proporção de seis para um. Um agente de IA é um sistema que conclui trabalhos com múltiplas etapas e supervisão limitada.
A Anthropic também relatou maior produção de código por pessoa, mais vendas fechadas por representante e mais contratos jurídicos processados à medida que o uso de agentes se expandiu. Essas conclusões vieram dos próprios dados de trabalho da empresa.
Esse ambiente difere fortemente de um hospital, uma empresa de construção, uma rede escolar ou um varejista regional. A maioria das organizações não dispõe de modelos, suporte técnico, fluxos de trabalho e incentivos equivalentes.
A adoção também depende de mais do que a capacidade técnica de um sistema para realizar uma tarefa. As empresas precisam integrá-lo aos dados, atribuir responsabilidades, monitorar erros e atender clientes e reguladores.
Os adultos entrevistados reconheceram essas barreiras. O obstáculo selecionado com mais frequência foi a preferência dos clientes por lidar com outra pessoa.
Privacidade e segurança ficaram logo atrás, seguidas por confiabilidade insuficiente e restrições legais ou regulatórias. Os participantes podiam escolher até três obstáculos.
Usuários regulares no trabalho classificaram privacidade e segurança em primeiro lugar. Essa resposta desafia a ideia de que a familiaridade simplesmente gera otimismo sem ressalvas.
As pessoas podem ficar mais impressionadas com as capacidades da IA e, ao mesmo tempo, mais conscientes dos riscos de implementação. A experiência direta revela tanto a velocidade quanto a fricção.
Mesmo assim, os funcionários da Anthropic previram uma adoção mais ampla. Eles esperavam que a IA fosse usada em 65% das tarefas que poderia executar até 2030.
Os adultos dos EUA esperavam que as empresas usassem IA em 42% das tarefas tecnicamente adequadas. Essa diferença de 23 pontos diz respeito à disseminação, não à capacidade bruta dos modelos.
Essa diferença pode se mostrar mais importante economicamente do que a questão do Nobel. Uma única descoberta histórica atrairia atenção, mas uma adoção ampla transformaria milhões de fluxos de trabalho comuns.
A diferença nas expectativas sobre IA, portanto, não é simplesmente uma questão de pessoas de dentro contra pessoas de fora. É uma discordância sobre a rapidez com que a capacidade técnica se torna aceita, confiável e rotineira.
A Pesquisa de Expectativas sobre IA da Anthropic Coloca os Empregos no Centro
Os funcionários mais próximos dos modelos avançados esperam muito mais automação de seu próprio trabalho, e não apenas avanços em áreas científicas distantes.
Em média, os funcionários da Anthropic esperavam que a IA realizasse 75% de suas horas atuais de trabalho até 2030. Os entrevistados empregados nos EUA deram uma estimativa média de 28%.
Mais da metade da equipe da Anthropic esperava que a IA assumisse pelo menos 80% de seu trabalho. Apenas 5% dos trabalhadores dos EUA tinham essa expectativa.
Mesmo os trabalhadores de tecnologia ficaram muito abaixo da previsão interna. Participantes em ocupações de computação, engenharia e ciência esperavam que a IA realizasse 33% de suas horas de trabalho.
Usuários regulares de IA nessas ocupações estimaram 40%. Isso ficou acima da média do público, mas ainda 35 pontos abaixo dos funcionários da Anthropic.
O contraste cria uma questão difícil para os empregadores. Se os funcionários da Anthropic estiverem certos em termos de direção, muitas organizações estão subestimando a rapidez com que o trabalho do conhecimento mudará.
Se o público estiver mais próximo da realidade, as expectativas dos laboratórios de fronteira podem refletir um ambiente de trabalho incomum que não pode ser reproduzido em toda a economia.
A automação do trabalho por IA também tem dois significados distintos. Um sistema pode substituir uma tarefa completamente ou pode realizar a maior parte do trabalho enquanto uma pessoa revisa o resultado.
Em geral, a equipe da Anthropic esperava que a IA trabalhasse sozinha ou produzisse resultados para verificação humana até 2030. Quatro em cada dez adultos dos EUA, por outro lado, esperavam que as pessoas mantivessem a maior parte do trabalho.
Essa diferença afeta tanto a produtividade quanto o emprego. A revisão humana pode aumentar a produção sem eliminar o trabalhador, mas também pode reduzir o número de pessoas necessárias.
A pesquisa encontrou uma importante área de concordância. Participantes que esperavam que a IA assumisse uma parcela maior de seu próprio trabalho também previam desemprego mais alto.
Trabalhadores dos EUA que esperavam que a IA realizasse menos da metade de seu trabalho previram desemprego entre 7% e 8% em 2030. Aqueles que esperavam pelo menos 80% de automação previram 12,2%.
Cada dez pontos percentuais adicionais de exposição esperada do trabalho foi associado a um aumento de 0,4 ponto no desemprego previsto. Os funcionários da Anthropic mostraram uma relação semelhante.
Assim, os grupos não parecem usar teorias completamente diferentes sobre o mercado de trabalho. Eles discordam principalmente sobre quanto trabalho a IA se tornará capaz de fazer.
Essa nuance separa a pesquisa de uma narrativa simples de otimismo contra pessimismo. Os funcionários da Anthropic esperam capacidades mais fortes, mas também associam essas capacidades a uma pressão maior sobre o mercado de trabalho.
As previsões de sua própria empresa acrescentam outra reviravolta. Noventa e cinco por cento esperavam que o quadro de funcionários da Anthropic crescesse nos 12 meses seguintes.
O participante mediano esperava crescimento de 66% no quadro de funcionários, enquanto 27% esperavam que a força de trabalho pelo menos dobrasse. A Anthropic enfatizou que essas eram expectativas pessoais, não planos oficiais de contratação.
Automação e emprego podem crescer juntos dentro de uma empresa em expansão. Maior produtividade pode reduzir custos, criar demanda e deslocar trabalhadores para novas responsabilidades.
Esse resultado é menos certo em setores maduros. Uma desenvolvedora de IA em rápido crescimento pode adicionar funcionários enquanto automatiza tarefas porque seu mercado está se expandindo rapidamente.
Um escritório de advocacia, uma seguradora ou um fornecedor de serviços de back-office pode enfrentar uma equação diferente. Se a demanda permanecer estável, uma produção maior por funcionário cria uma pressão mais forte para reduzir contratações.
Estudos anteriores sobre o ambiente de trabalho oferecem uma comparação mais equilibrada. Um estudo de campo do NBER examinou um assistente de IA generativa usado por 5.179 agentes de atendimento ao cliente.
Os pesquisadores encontraram ganhos médios de produtividade, com benefícios maiores para trabalhadores menos experientes. O resultado mostrou que a IA pode disseminar práticas eficazes sem substituir uma ocupação inteira.
Esse padrão difere das mudanças internas de trabalho da Anthropic. A empresa relatou que os cargos técnicos juniores passaram a representar uma parcela menor das contratações à medida que o uso de agentes se expandiu.
Um contexto sugere que a IA pode ajudar iniciantes a reduzir lacunas de experiência. O outro sugere que os empregadores podem precisar de menos trabalhadores juniores para tarefas de implementação intensiva.
Ambos podem ser verdadeiros. A IA pode aumentar a produtividade das pessoas já contratadas enquanto reduz a demanda por novos funcionários em cargos de entrada.
Essa possibilidade torna as trajetórias de início de carreira uma preocupação central. As empresas não podem gerar trabalhadores experientes indefinidamente se eliminarem os cargos onde a experiência começa.
O Conhecimento Interno É Valioso, Mas Não Neutro
Os funcionários da Anthropic têm informações excepcionalmente relevantes, mas sua pesquisa continua sendo uma sondagem interna moldada por seleção, incentivos e experiências compartilhadas.
Funcionários de um laboratório de fronteira observam comportamentos dos modelos que o público não consegue acompanhar facilmente. Eles trabalham com ferramentas internas e entendem o ritmo da pesquisa.
Por essa razão, suas previsões merecem atenção. Descartá-las como mero entusiasmo corporativo significaria ignorar informações potencialmente úteis.
No entanto, a proximidade cria seus próprios vieses. As pessoas escolhem trabalhar na Anthropic, em parte, porque acreditam que a IA avançada é importante.
Os funcionários também compartilham redes profissionais, narrativas internas e exemplos diários de uso bem-sucedido de IA. Essas influências podem tornar as crenças mais correlacionadas do que o número de respondentes sugere.
A pesquisa com funcionários não foi ponderada. Ela reuniu 1.334 funcionários de toda a empresa, mas o relatório não os apresenta como representativos dos pesquisadores de IA em geral.
A amostra pública tem uma limitação distinta. A Morning Consult recrutou participantes de painéis online voluntários, excluindo adultos sem acesso à internet.
A ponderação demográfica pode melhorar a representatividade nacional. Ela não consegue corrigir plenamente as diferenças entre quem participa de painéis online e quem não participa.
As perguntas sobre o futuro também foram divididas entre 2027 e 2030 para a amostra pública. Todos os funcionários da Anthropic receberam perguntas sobre 2030.
Os autores relataram as respostas para 2030, salvo indicação em contrário. Ainda assim, os leitores devem lembrar que algumas estimativas públicas vêm de apenas uma parte da amostra completa.
Os números econômicos mais ambiciosos da pesquisa exigem cautela adicional. Os pesquisadores transformaram respostas sobre capacidade, adoção, autonomia, produtividade e transições dos trabalhadores em um modelo econômico.
A resposta mediana do público gerou um cenário de crescimento de 5,4% do PIB em 2030. A resposta mediana dos funcionários gerou crescimento de 17,1%.
Esses são cenários implícitos pelo modelo, não previsões econômicas diretas. O exercício traduz um conjunto de crenças por meio de premissas estabelecidas pelos economistas da Anthropic.
Uma amostra pública de acompanhamento indicou crescimento de 5,6%, sugerindo alguma estabilidade no resultado público. O cenário muito maior dos funcionários continua sensível à forma como as entradas do modelo interagem.
Os funcionários da Anthropic também estimaram que a IA já realizava uma mediana de 51% do trabalho necessário para criar um modelo de fronteira no início de 2026. Eles esperavam 80% até o fim de 2027 e 95% em 2030.
Esses números eram estimativas dos funcionários, não medições auditadas. A Anthropic afirmou explicitamente que eles não constituíam uma previsão da empresa.
Definir o denominador é difícil. O “trabalho necessário para criar um modelo” pode incluir programação, experimentos, trabalho com dados, avaliações, infraestrutura, gestão e julgamento de pesquisa.
Um funcionário pode considerar a produção assistida por IA como trabalho realizado pela IA. Outro pode considerá-la trabalho humano concluído com uma ferramenta melhor.
A pesquisa não elimina essa ambiguidade. Em vez disso, mostra que os funcionários da Anthropic percebem a IA como uma contribuição já substancial para o desenvolvimento de modelos.
Essa crença tem consequências estratégicas, mesmo que as estimativas se mostrem altas demais. As equipes desenharão fluxos de trabalho, planos de contratação e programas de pesquisa com base no que esperam que os sistemas façam em seguida.
As crenças podem se tornar parcialmente autorreforçadas. Uma organização que espera automação rápida investe mais intensamente em agentes, gerando experiência que torna uma automação mais rápida plausível.
Isso não torna a crença errada. Significa que a previsão de IA dos funcionários da Anthropic reflete tanto observação quanto compromisso institucional.
Portanto, os leitores devem resistir a duas conclusões fáceis. A primeira é que os funcionários possuem um mapa secreto e preciso do futuro.
A segunda é que suas opiniões são apenas marketing. As evidências sustentam uma interpretação mais útil: os funcionários oferecem um sinal informado, porém altamente selecionado.
Ciência de Nível Nobel É uma Referência, Não um Atalho de Previsão
Uma comparação com o Nobel expressa ambição, mas a descoberta científica depende de sistemas de validação que a pesquisa não mede.
A IA já influencia a pesquisa científica por meio da previsão de proteínas, do design molecular, da revisão de literatura, da programação, da simulação e do planejamento experimental. Essas aplicações tornam plausível a questão científica da pesquisa.
Ainda assim, um resultado de nível Nobel envolve mais do que produzir uma resposta inédita. Os pesquisadores precisam estabelecer que o resultado é correto, significativo, reproduzível e conectado ao registro científico existente.
Experimentos físicos frequentemente continuam essenciais. Um modelo pode propor uma molécula, um mecanismo ou um teorema, mas a proposta pode falhar sob escrutínio laboratorial ou por pares.
As instituições científicas também atribuem crédito de forma lenta e desigual. Uma descoberta feita por uma equipe humano-IA poderia levar a anos de debate sobre atribuição.
A pesquisa pergunta sobre capacidade independentemente de as empresas a implementarem. Isso isola expectativas sobre o que a IA pode fazer, mas remove muitas restrições do mundo real.
O acesso a dados proprietários, equipamentos de laboratório, capacidade computacional e avaliadores especialistas pode determinar se uma hipótese útil se torna uma descoberta validada.
Um modelo pode resolver um problema difícil de raciocínio sem transformar a ciência. Por outro lado, um sistema restrito poderia transformar um campo sem se assemelhar a um cientista autônomo geral.
AlphaFold demonstra essa distinção. Ele resolveu um antigo desafio de previsão de estruturas de proteínas e se tornou uma ferramenta de pesquisa amplamente utilizada.
Sua importância resultou de uma combinação de algoritmos, dados de treinamento, engenharia humana, avaliação e adoção por cientistas. O sistema de IA não operou fora dessa estrutura institucional.
A resposta de 91% pode, portanto, representar várias expectativas diferentes. Alguns funcionários podem antecipar agentes autônomos de pesquisa, enquanto outros esperam que equipes habilitadas por IA produzam resultados dignos de prêmios.
Esses cenários trazem consequências distintas para empregos e políticas públicas. Um sistema autônomo de descoberta levantaria questões sobre supervisão, atribuição e controle.
Um assistente de pesquisa altamente eficaz daria maior ênfase ao acesso, ao treinamento e à forma como os cientistas organizam seu trabalho. Ele poderia aumentar a demanda por conhecimento experimental e interpretativo.
A pesquisa agrupa essas possibilidades sob uma referência memorável. Isso torna o resultado fácil de comunicar, mas menos preciso como ferramenta de planejamento.
As organizações devem se concentrar em capacidades intermediárias observáveis. Elas incluem se os sistemas formulam hipóteses testáveis, projetam experimentos válidos, detectam seus próprios erros e reproduzem resultados.
Também devem acompanhar se laboratórios independentes conseguem verificar descobertas assistidas por IA. Um resultado anunciado por um desenvolvedor de modelos tem menos peso do que um reproduzido em outro lugar.
O progresso científico e a automação do trabalho não devem ser tratados como tendências idênticas. Os modelos podem se tornar excelentes em tarefas de pesquisa delimitadas, mas continuar pouco confiáveis em ambientes empresariais cotidianos.
O inverso também é possível. A IA poderia automatizar grandes volumes de trabalho de escritório sem produzir uma conquista científica singular digna de reconhecimento global.
A pesquisa de expectativas sobre IA da Anthropic vincula esses resultados por meio de uma visão mais ampla de rápido crescimento de capacidade. As evidências precisarão validar cada caminho separadamente.
Três Sinais Mostrarão Qual Previsão Está Mais Próxima
Testes independentes de capacidade, adoção no trabalho fora dos laboratórios de IA e contratação para cargos de entrada determinarão se a visão interna se generaliza.
O primeiro sinal é uma produção científica verificada de forma independente. Um teste confiável envolveria um sistema de IA produzindo um resultado inédito que especialistas externos reproduzissem.
Anúncios de desenvolvedores de modelos continuarão sendo pistas úteis. Eles não resolverão se os sistemas conseguem executar trabalho de nível de descoberta de forma confiável.
A replicação também esclarecerá o papel dos pesquisadores humanos. A evidência mais forte descreveria quem formulou a pergunta, projetou os testes, interpretou os resultados e corrigiu os erros.
Isso importa porque a manchete sobre o nível Nobel comprime uma longa cadeia de pesquisa em um único resultado. Uma cobertura melhor deve separar a contribuição da IA da validação institucional.
O segundo sinal é a adoção medida em organizações comuns. As empresas precisam mostrar que os agentes podem gerar ganhos sustentados sob restrições reais de segurança, confiabilidade e conformidade.
Demonstrações curtas são insuficientes. As evidências devem acompanhar a qualidade da produção, as taxas de erro, o tempo de supervisão e os custos operacionais totais ao longo de meses.
Os casos mais informativos virão de setores que não têm a concentração técnica da Anthropic. Administração de saúde, operações financeiras, educação, logística e serviços profissionais merecem atenção especial.
Pesquisas entre empresas também revelarão se a IA altera o trabalho colaborativo. Um grande experimento no ambiente de trabalho identificou reduções no tempo gasto com e-mails sem mudanças comparáveis em reuniões.
Esse padrão sugere que tarefas individuais podem mudar antes que as organizações redesenhem a coordenação. Efeitos econômicos amplos exigem ambas as etapas.
O terceiro sinal é a contratação para cargos de entrada. Pesquisas relacionadas da Anthropic sobre o ambiente de trabalho indicam que posições técnicas júnior passaram a representar uma parcela menor de suas contratações.
Se a mesma mudança aparecer entre empregadores, a automação da IA no trabalho afetará as estruturas de carreira antes de produzir desemprego em massa. Menos cargos iniciais estreitariam o caminho para trabalhos avançados.
Acompanhe anúncios de vagas, proporções de contratação, taxas de promoção e demanda dos empregadores por habilidades que exigem julgamento. Essas medidas podem revelar mudanças estruturais antes que os números nacionais de emprego respondam.
Uma queda nas contratações de profissionais júnior reforçaria a previsão interna da Anthropic, especialmente se a produção total continuar aumentando. Contratações estáveis enfraqueceriam as alegações de que a experiência de laboratórios de fronteira prevê a economia mais ampla.
Para trabalhadores do conhecimento, a resposta prática não é aceitar o cronograma exato de nenhum dos grupos pesquisados. É monitorar quais partes de um trabalho se tornam tarefas verificáveis por IA.
Documentar decisões, fontes e contexto de projetos se tornará mais importante à medida que os agentes assumirem atribuições mais longas. Uma base de conhecimento de IA pesquisável pode ajudar trabalhadores a preservar as informações necessárias para revisar essas produções.
A diferença entre expectativas diminuirá por meio de evidências, não de argumentos. Os funcionários da Anthropic ganharão credibilidade se resultados independentes reproduzirem sua experiência científica e no ambiente de trabalho.
A previsão pública parecerá mais forte se a adoção travar por confiança, integração ou confiabilidade. Ela também ganhará apoio se sistemas avançados ainda exigirem supervisão intensiva de especialistas.
Por enquanto, a lição mais clara da pesquisa é que a exposição muda crenças mais rapidamente do que o consenso. Os funcionários da Anthropic veem rápido crescimento de capacidade porque trabalham em uma organização excepcionalmente intensiva em IA.
Os adultos dos EUA veem mais atrito porque vivem em instituições onde clientes, leis, segurança e processos estabelecidos ainda importam. Ambas as perspectivas capturam parte da transição provável.
A pergunta para o próximo ano é concreta: as evidências da ciência independente e de ambientes de trabalho comuns começarão a se parecer com o ambiente interno da Anthropic ou continuarão muito atrás dele?
