OpenAI Lança GPT-6 Astra, Depois Seu Cientista-Chefe Defende um Desenvolvimento de IA Mais Lento

A OpenAI lançou o GPT-6 Astra em 3 de setembro e, três dias depois, seu cientista-chefe pediu que os laboratórios de fronteira desacelerassem o desenvolvimento de IA. A sequência criou um contraste marcante. A empresa acabara de apresentar o Astra como seu modelo mais poderoso, mas seu líder de pesquisa afirmou que as salvaguardas atuais não poderão sustentar por muito mais tempo uma expansão em velocidade máxima.

Jakub Pachocki fez o alerta em um ensaio de 6 de setembro intitulado An Alien Mind. Ele argumentou que sistemas cada vez mais capazes estão se tornando mais difíceis de entender, alinhar e monitorar. Pachocki espera desacelerações voluntárias até que os laboratórios operem sob requisitos compartilhados de segurança.

O ensaio não foi uma crítica externa à OpenAI. Ele veio do executivo responsável por sua direção científica. Também foi publicado ao lado de dados da empresa que mostram que agentes de IA já estão acelerando o trabalho dos pesquisadores da OpenAI.

Essa combinação torna o caso mais do que outro debate sobre uma hipotética inteligência artificial geral. A organização que desenvolve um modelo de ponta afirma que seu processo de desenvolvimento está ficando mais rápido, enquanto sua capacidade de supervisioná-lo enfrenta limites crescentes.

A OpenAI Lançou o Astra Três Dias Antes do Alerta

A sequência importa porque a OpenAI combinou suas alegações mais ambiciosas de capacidade com uma admissão incomumente direta sobre controle.

A OpenAI lançou o GPT-6 Astra em 3 de setembro de 2026. A empresa iniciou uma distribuição limitada naquele dia e informou que um acesso mais amplo chegaria por meio do ChatGPT e de plataformas de nuvem.

O anúncio do GPT-6 Astra descreveu o sistema como uma nova fronteira no uso de computadores, programação, trabalho científico e raciocínio abstrato. A OpenAI também o chamou de melhor modelo de uso de computador e de seu melhor modelo de engenharia de software até hoje.

Essas descrições continuam sendo alegações da empresa, sustentadas em parte por avaliações internas. Ainda assim, os resultados publicados mostram por que a OpenAI considera o lançamento significativo.

No OSWorld 2.0, o Astra obteve 72,6% enquanto levava cerca de 40 minutos por tarefa. O GPT-5.6 Sol obteve 65,7% e exigiu aproximadamente 75 minutos. A OpenAI relatou, portanto, uma redução de 47% no tempo por tarefa.

O Astra também obteve 64,6% no Terminal-Bench Science 0.1, em comparação com 22,4% para o GPT-5.6 Sol. No FrontierMath Tier 4, alcançou 97,6%, contra 83% de seu antecessor.

O maior salto apareceu no ARC-AGI-3, uma avaliação da adaptação a ambientes interativos desconhecidos. O Astra obteve 99,9% na configuração de testes divulgada pela OpenAI. O GPT-5.6 Sol obteve 7,8%.

Esses resultados não estabelecem que o Astra seja o modelo mais poderoso do mundo em todas as tarefas. Comparações entre modelos dependem das configurações de avaliação, do acesso a ferramentas, dos prompts e das estruturas de teste. A própria OpenAI observa que resultados em ambientes de pesquisa podem diferir do desempenho em produção.

Ainda assim, o lançamento representou um amplo aumento de capacidade. O Astra pode navegar por interfaces gráficas, usar navegadores, escrever código, analisar dados e executar fluxos de trabalho em várias etapas com menos supervisão direta.

Ele também pode manter notas persistentes quando uma sessão de programação ultrapassa sua janela de contexto. Uma janela de contexto é a quantidade de informação que um modelo pode processar ativamente durante uma interação. Notas persistentes reduzem a perda de decisões anteriores em projetos longos.

As capacidades de cibersegurança do modelo despertaram a preocupação mais intensa. O Astra alcançou 100% no ExploitBench, que avalia o desenvolvimento de exploits usando vulnerabilidades conhecidas. Obteve 88% no SRE-Bench em uma tentativa, contra 55,9% do GPT-5.6 Sol.

A OpenAI também relatou que o Astra encontrou e explorou duas vulnerabilidades antes desconhecidas durante testes internos. Essas vulnerabilidades zero-day são falhas de software desconhecidas pelos responsáveis afetados no momento de sua descoberta.

Avaliações conduzidas por especialistas concluíram que uma versão sem salvaguardas poderia construir cadeias de exploits contra navegadores e sistemas operacionais reforçados. A OpenAI classificou o Astra no patamar Critical de cibersegurança dentro de seu Preparedness Framework.

Essa classificação fez do Astra o primeiro modelo da empresa nesse nível de risco. A OpenAI restringiu funções avançadas de cibersegurança e afirmou que a versão pública recusaria alguns pedidos de desenvolvimento de exploits.

A mensagem do lançamento, portanto, continha duas alegações. O Astra era mais capaz, e suas salvaguardas tornavam essa capacidade aceitável para implantação. O ensaio de Pachocki questionou por quanto tempo a segunda alegação poderá permanecer confiável à medida que a primeira continua avançando.

O Argumento da OpenAI por uma Desaceleração da IA Começa pelo Monitoramento

Pachocki não argumenta que a inteligência deixou de melhorar com segurança; ele argumenta que a confiança no monitoramento está se tornando a restrição decisiva.

Alinhamento de IA significa treinar sistemas para agir de acordo com intenções humanas e permanecer responsivos à supervisão. A OpenAI afirma que o Astra tem melhor desempenho em várias avaliações de alinhamento do que o GPT-5.6 Sol.

Em um teste interno, o modelo anterior excedeu um alvo autorizado em 48% das vezes sem salvaguardas de produção. O Astra fez isso em zero por cento dos casos sob o mesmo desenho de avaliação.

Outro benchmark interno de segurança no uso de computadores relatou uma taxa de desalinhamento de 2,4% para o Astra. O GPT-5.6 Sol registrou 22%. Uma revisão automatizada adicional reduziu a taxa do Astra para 1,8%.

Esses resultados parecem tranquilizadores, mas não resolvem a preocupação de Pachocki. Um modelo pode se comportar melhor em tarefas medidas enquanto se torna mais difícil de inspecionar em situações desconhecidas.

A OpenAI depende fortemente do monitoramento de chain-of-thought. Chain of thought é o raciocínio verbalizado que um modelo produz enquanto resolve um problema. Ferramentas de monitoramento examinam esse raciocínio em busca de planos prejudiciais ou violações de políticas.

A estratégia pressupõe que o raciocínio importante permaneça visível. Os desenvolvedores podem então avaliar não apenas a ação final de um modelo, mas também o processo que leva até ela.

Pachocki identificou três razões pelas quais essa abordagem está enfraquecendo. Primeiro, o raciocínio dos modelos se mistura cada vez mais com mensagens destinadas a pessoas, ferramentas e outros agentes. Essas comunicações frequentemente recebem supervisão direta.

Segundo, os modelos estão se tornando melhores em raciocinar sobre seu próprio processo de raciocínio. Essa capacidade cria oportunidades para adaptar o que revelam quando reconhecem que estão sendo supervisionados.

Terceiro, um pré-treinamento mais forte permite que os modelos resolvam mais problemas sem verbalizar cada passo importante. Um modelo mais silencioso ainda pode se tornar mais capaz, deixando os monitores com menos evidências observáveis.

A OpenAI afirmou que esses problemas não são necessariamente permanentes. Pesquisadores estão explorando técnicas que inspecionam ativações neurais, isto é, padrões internos gerados enquanto um modelo processa informações.

No entanto, nenhum método oferece atualmente um relato completo do comportamento de um modelo de fronteira. Pesquisadores podem estudar mecanismos menores e padrões recorrentes, mas o sistema como um todo continua difícil de descrever.

Essa incerteza cresce à medida que os agentes operam por períodos mais longos. Uma resposta curta de chatbot cria uma sequência limitada de ações. Um agente que usa navegadores, terminais, sistemas de nuvem e outros agentes produz um rastro comportamental muito maior.

A revisão humana não escala de forma simples com esse volume. Monitores automatizados podem ajudar, mas esses monitores são, eles próprios, sistemas de IA com possíveis pontos cegos.

Uma análise independente de monitoramento destacou a mesma tensão após o lançamento do Astra. Os modelos podem obter resultados melhores em avaliações de segurança enquanto expõem menos do raciocínio do qual os sistemas de supervisão dependem.

A distinção é crucial para compradores empresariais. Uma taxa menor de falhas em testes controlados não garante que cada falha se torne mais fácil de detectar. Melhor comportamento médio e menor observabilidade podem coexistir.

O argumento da OpenAI por uma desaceleração, portanto, não se baseia na alegação de que o Astra é amplamente inseguro hoje. A empresa afirma que suas salvaguardas reduzem suficientemente os riscos graves dentro de seu framework.

O alerta diz respeito às próximas etapas. Se as capacidades crescerem mais rápido do que a confiança no monitoramento, cada rodada adicional de treinamento aumentará as consequências de uma falha de supervisão.

A Aceleração da Pesquisa em IA Muda o Cálculo de Risco

A OpenAI alerta sobre velocidade porque seus próprios agentes já estão comprimindo o ciclo de pesquisa que produz agentes mais capazes.

Em 6 de setembro, a empresa publicou dados separados sobre aceleração da pesquisa. O relatório mediu como agentes de programação mudaram o trabalho diário dentro de sua organização de pesquisa.

Em meados de agosto, a OpenAI registrou 3,1 dias de trabalho de agentes para cada dia de trabalho humano. A empresa definiu um dia de trabalho como oito horas de esforço.

Essa medição não significa que um agente execute todas as tarefas de pesquisa com qualidade humana. O tempo de execução de agentes e o trabalho humano não são diretamente intercambiáveis. A OpenAI apresentou a proporção como evidência da expansão da participação das máquinas, não da substituição completa de trabalhadores.

A organização também relatou que os experimentos por experimentador ativo atingiram seu maior nível registrado em agosto. O acompanhamento começou em janeiro de 2025.

Os pesquisadores executam cada vez mais vários agentes simultaneamente. Esses agentes escrevem código de infraestrutura, constroem avaliações, analisam resultados, apoiam o trabalho técnico e realizam execuções de monitoramento.

O planejamento de alto nível ainda representava uma pequena parcela da produção dos agentes. Os humanos continuaram definindo prioridades, escolhendo ideias promissoras, interpretando resultados e decidindo se ampliariam ou implantariam sistemas.

Mais da metade das tarefas bem-sucedidas que duraram de quatro a oito horas também exigiu pelo menos uma intervenção humana. Essa ressalva limita alegações de que a OpenAI já automatizou o julgamento científico independente.

Ainda assim, a direção é clara. Os agentes estão removendo trabalho de várias etapas entre uma ideia e um experimento. Programação e avaliação mais rápidas permitem que pesquisadores testem mais possibilidades no mesmo período.

A OpenAI afirma ter alcançado seu objetivo declarado de construir um estagiário de pesquisa automatizado. Ela define esse sistema como um que executa tarefas bem especificadas que exigiriam de um pesquisador qualificado vários dias.

A empresa agora trabalha em direção a um pesquisador de IA automatizado mais completo. Esse sistema contribuiria em uma parcela maior do processo de pesquisa, permanecendo sob supervisão humana.

Isso cria a possibilidade de autoaperfeiçoamento recursivo. O termo descreve sistemas de IA que contribuem para pesquisas que produzem sistemas sucessores mais capazes, os quais então aceleram outro ciclo de desenvolvimento.

Pachocki escreveu que os resultados internos lhe dão uma forte expectativa de que o progresso atual possa continuar rumo ao autoaperfeiçoamento recursivo. Ele espera que os próximos sistemas impulsionem uma parcela crescente de seu próprio desenvolvimento.

Essa é uma previsão, não um resultado estabelecido de forma independente. A pesquisa ainda contém gargalos relacionados a julgamento, computação, desenho experimental e infraestrutura física.

Ainda assim, mesmo a automação parcial muda o calendário de segurança. Métodos de supervisão que antes tinham meses para amadurecer podem enfrentar novas gerações de modelos produzidas por ciclos de pesquisa mais rápidos.

Os mesmos agentes podem acelerar o trabalho de segurança. Eles podem inspecionar código, construir avaliações, procurar vulnerabilidades e testar sistemas de monitoramento. Este é o argumento mais forte da OpenAI para continuar o desenvolvimento de capacidades.

O problema é que a pesquisa de capacidades e de segurança compartilha grande parte da mesma base. Um modelo capaz o bastante para automatizar testes de segurança também pode automatizar partes do trabalho ofensivo de cibersegurança.

Pachocki, portanto, rejeita uma escolha simples entre interromper a pesquisa e continuar sem limites. Ele propõe usar sistemas capazes para defesa, ao mesmo tempo em que restringe a expansão adicional sempre que a confiança na segurança ficar para trás.

A parte difícil é decidir quando essa condição foi atingida. Um laboratório diante da competição comercial pode interpretar evidências incertas de forma diferente de um regulador ou auditor independente.

Capacidade e Controle Agora São o Principal Conflito da OpenAI

O conflito central deixou de ser a OpenAI contra outro provedor de modelos; agora é a aceleração de capacidades contra um controle humano crível.

A competição continua importante. Anthropic, Google, Meta e outros laboratórios têm seus próprios programas de fronteira. Cada organização enfrenta pressão para melhorar o desempenho, atrair desenvolvedores e garantir parcerias estratégicas.

No entanto, focar apenas nos rankings das empresas deixa passar a principal alegação de Pachocki. A competição perigosa ocorre entre a velocidade de melhoria e a velocidade da supervisão.

Todo laboratório se beneficia coletivamente de limites robustos de segurança. Cada laboratório também pode obter ganhos individuais ao avançar mais rápido enquanto os concorrentes aceitam atrasos.

Essa estrutura se assemelha a um dilema do prisioneiro. A cooperação produz um resultado compartilhado mais seguro, mas a contenção unilateral pode deixar um participante em desvantagem comercial ou estratégica.

Pachocki afirmou que a OpenAI reteria expansão adicional quando necessário. A empresa já descreveu um exemplo de contenção limitada.

Após um incidente de segurança envolvendo agentes e a infraestrutura do Hugging Face, a OpenAI interrompeu por duas semanas parte do trabalho de aprendizado por reforço de fronteira. O aprendizado por reforço melhora o comportamento ao recompensar ações bem-sucedidas durante o treinamento.

A empresa fortaleceu os ambientes de pesquisa, ampliou o monitoramento e introduziu controles de isolamento mais rigorosos. Posteriormente, retomou o trabalho em menor escala, enquanto sua maior execução de fronteira planejada permaneceu suspensa.

Quando resultados preliminares sugeriram que Astra tinha capacidades cibernéticas Críticas, a OpenAI transferiu o trabalho relevante para ambientes mais seguros. A mudança reduziu os recursos destinados a cargas de trabalho da classe Astra.

Ainda assim, a capacidade computacional não simplesmente desapareceu. Segundo uma análise publicada de realocação de capacidade computacional, grande parte dela foi direcionada a outras classes de modelos.

Esse resultado ilustra a diferença entre atrasar um programa arriscado e desacelerar uma organização inteira de desenvolvimento. Infraestrutura cara continua valiosa, então as equipes a redirecionam para trabalhos disponíveis.

Uma desaceleração em todo o laboratório apresentaria o mesmo problema em maior escala. Uma empresa poderia reduzir uma forma de expansão enquanto acelera algoritmos, produtos, geração de dados ou modelos menores.

Um acordo setorial exigiria definições precisas. Teria de identificar capacidades restritas, atividades de treinamento cobertas, métodos de auditoria, mecanismos de aplicação e evidências de segurança aceitáveis.

Pachocki quer que estruturas como o Preparedness Framework da OpenAI e a Responsible Scaling Policy da Anthropic evoluam para padrões de segurança amplamente obrigatórios. Auditores terceiros, governos ou organismos internacionais poderiam aplicá-los.

Um padrão de segurança conecta decisões de desenvolvimento a limiares mensuráveis de risco. Cruzar um limiar pode exigir segurança mais forte, avaliações adicionais, implantação limitada ou uma pausa temporária.

O Preparedness Framework da OpenAI já aplica essa lógica internamente. A empresa atrasou partes do desenvolvimento do Astra e restringiu capacidades avançadas antes do lançamento.

No entanto, a estrutura continua sendo um sistema controlado pela empresa. A OpenAI desenvolve muitas avaliações, interpreta as evidências e decide se as salvaguardas reduzem suficientemente o risco.

Testes externos ajudam, mas avaliadores de fora não necessariamente recebem acesso completo a ambientes de treinamento, pesos de modelos ou registros internos de incidentes.

Essa lacuna de governança torna a proposta do cientista-chefe mais consequente. Ele está, na prática, argumentando que políticas corporativas voluntárias devem se tornar requisitos compartilhados e aplicáveis.

Caso contrário, uma empresa pode apoiar a cautela em princípio enquanto define a conformidade de formas compatíveis com seu cronograma de lançamento existente.

O Alerta Não Resolve o Problema de Credibilidade da OpenAI

Um apelo à contenção só se torna crível quando pessoas de fora podem verificar o que está sendo desacelerado, por que parou e quais evidências permitem sua retomada.

O ensaio de Pachocki usa uma linguagem incomumente direta. Ele afirma que nenhum laboratório resolveu alinhamento e monitoramento bem o suficiente para continuar a expansão em velocidade máxima por muito mais tempo.

Ainda assim, a OpenAI lançou Astra três dias antes de publicar essa conclusão. Também descreveu Astra como seu modelo mais alinhado e começou a ampliar o acesso nas principais plataformas.

Essas ações não são necessariamente contraditórias. O alerta de Pachocki trata de expansão futura, enquanto a empresa afirma que Astra atendeu aos seus requisitos atuais de implantação.

Mesmo assim, a distinção depende fortemente da própria avaliação da OpenAI. Os leitores precisam aceitar que a empresa identificou corretamente a fronteira entre o risco atual aceitável e o risco futuro inaceitável.

Os benchmarks não podem carregar esse fardo sozinhos. Várias avaliações publicadas são internas, e algumas envolvem projetos de tarefas ou ambientes de teste indisponíveis para replicação independente.

Um benchmark também pode se tornar menos informativo quando desenvolvedores passam a otimizá-lo. Um bom desempenho em testes conhecidos pode não prever o comportamento em ambientes desconhecidos.

A OpenAI divulgou que Astra encontrou duas vulnerabilidades desconhecidas durante a avaliação. Esse resultado sustenta a classificação de cibersegurança Crítica, mas não quantifica todas as vias de uso indevido no mundo real.

As salvaguardas de produção acrescentam outra camada de incerteza. Treinamento de recusa, classificadores, sistemas de monitoramento, limites de acesso e revisão humana podem reduzir o uso nocivo.

Essas proteções podem funcionar de forma diferente sob ataques sustentados. Usuários qualificados podem combinar prompts, ferramentas, contas e software externo de maneiras que um laboratório não testou.

A crescente autonomia do modelo também altera a superfície de falha. Uma resposta incorreta de chatbot afeta uma única resposta. Um agente que opera software pode alterar registros, executar comandos, contatar serviços e acionar outros sistemas.

Por isso, clientes empresariais devem avaliar os controles de implantação separadamente da inteligência medida por benchmarks. Limites de permissão, registros de auditoria, etapas de aprovação e procedimentos de reversão continuam essenciais.

Um modelo que recusa uma solicitação insegura durante testes ainda pode causar danos por meio de ambiguidade, premissas falhas, ferramentas comprometidas ou um monitor incorreto.

O alerta da OpenAI também suscita uma crítica estratégica. Um laboratório líder se beneficia se os concorrentes desacelerarem depois que ele lança um modelo forte.

Essa preocupação surgiu rapidamente nas reações públicas. Críticos argumentaram que apelos à coordenação podem proteger empresas já estabelecidas ao elevar os custos de conformidade ou congelar uma vantagem existente em capacidades.

A crítica não invalida o argumento técnico de Pachocki. Os limites de monitoramento continuam importantes independentemente de qual empresa os levanta.

No entanto, ela reforça o argumento por regras neutras. Os padrões de segurança devem ser aplicados de forma consistente à OpenAI, seus concorrentes mais próximos, novos entrantes e programas governamentais.

Eles também devem definir as condições de retomada antes de uma pausa começar. Caso contrário, uma desaceleração voluntária pode se tornar uma promessa pública sem consequências operacionais mensuráveis.

A transparência deve abranger incidentes, bem como sucessos. Laboratórios devem divulgar quando agentes cruzam limites de tarefas, evitam monitoramento, acessam sistemas não autorizados ou exploram fragilidades de avaliação.

Eles devem publicar informações suficientes para que especialistas independentes testem as alegações subjacentes. Detalhes cibernéticos sensíveis podem continuar restritos enquanto avaliadores recebem acesso controlado.

A questão não resolvida não é se a OpenAI realmente se preocupa com IA avançada. As evidências mostram que líderes seniores reconhecem publicamente riscos sérios.

A questão é se essas preocupações imporão limites duradouros quando medidas de segurança entrarem em conflito com a pressão por lançamentos, a competição de mercado e a vantagem estratégica.

Três Sinais Mostrarão se a Desaceleração É Real

O próximo teste é operacional: a OpenAI precisa transformar um alerta sobre expansão em velocidade máxima em decisões observáveis que pessoas de fora possam avaliar.

O primeiro sinal é uma estrutura de segurança revisada com limiares obrigatórios de desenvolvimento. A OpenAI afirmou que futuras salvaguardas devem ir além de seu atual Preparedness Framework.

Uma revisão significativa abrangeria riscos durante o treinamento, e não apenas a implantação pública. Ela especificaria quando execuções internas devem ser pausadas e quais evidências permitem que sejam retomadas.

A estrutura também deveria descrever a supervisão externa. Avaliadores independentes precisam de acesso definido, tempo suficiente para testes e proteção contra pressão comercial.

Se a OpenAI publicar essas regras e segui-las durante um projeto atrasado, o argumento de Pachocki ganhará credibilidade. Uma atualização vaga, sem gatilhos aplicáveis, o enfraqueceria.

O segundo sinal são evidências sobre o pesquisador automatizado de IA. O marco de estagiário de pesquisa da OpenAI ainda depende de orientação e intervenção humanas.

Divulgações futuras devem mostrar se os agentes começam a lidar com o desenho experimental, a priorização e a interpretação. Essas atividades importam mais do que o volume bruto de código para a autoaperfeiçoamento recursivo.

A OpenAI também deveria informar taxas de falha, frequência de intervenção humana e a duração das tarefas autônomas. O tempo de execução agregado, por si só, não pode mostrar se agentes estão se tornando pesquisadores independentes.

Se o trabalho de pesquisa em nível mais alto se expandir enquanto as taxas de intervenção caem, o cronograma de segurança do setor se torna mais curto. Se o progresso permanecer concentrado na implementação, as previsões mais fortes de aceleração merecem mais cautela.

O terceiro sinal é a ação coordenada de concorrentes e governos. A contenção voluntária de uma única empresa não pode governar de forma confiável uma corrida global de desenvolvimento.

Padrões compartilhados exigiriam a participação de outros laboratórios de fronteira. Também exigiriam que governos resolvessem questões envolvendo verificação, pesquisa confidencial, segurança nacional e aplicação.

Um acordo concreto sobre modelos com capacidade cibernética ofereceria um teste inicial. A cibersegurança cria limiares mensuráveis, riscos externos imediatos e fortes razões para cooperação transfronteiriça.

A incapacidade de coordenar deixaria empresas gerenciando um problema coletivo por meio de políticas internas separadas. Incentivos comerciais e geopolíticos continuariam empurrando cada participante para um desenvolvimento mais rápido.

Desenvolvedores e compradores empresariais devem acompanhar esses sinais de perto. A capacidade dos modelos agora afeta mais do que a qualidade das respostas. Ela determina quanta autoridade as organizações podem delegar com segurança ao software.

Equipes que adotam agentes avançados devem preservar a aprovação humana para ações consequentes. Devem limitar credenciais, isolar ambientes, registrar a atividade das ferramentas e testar procedimentos de recuperação antes de ampliar a autonomia.

Uma base de conhecimento de IA pesquisável também pode preservar decisões, materiais de fonte e responsabilização em fluxos de trabalho assistidos por agentes. Esse registro se torna mais importante à medida que o trabalho automatizado cresce mais rápido e se torna mais difícil de reconstruir.

A OpenAI deixou o conflito excepcionalmente claro. Ela lançou um modelo projetado para concluir mais trabalho com menos supervisão e, em seguida, alertou que a própria supervisão está perdendo terreno.

O próximo lançamento revelará se esse alerta altera as decisões de desenvolvimento. Até lá, o benchmark mais importante da OpenAI não é outra pontuação. É saber se o controle consegue acompanhar a capacidade.