Em 5 de agosto de 2026, Jeff Dean anunciou que estava deixando o Google — e, junto com Sanjay Ghemawat, Oriol Vinyals e Quoc Le, fundando uma empresa chamada Discovery Loop. A imprensa se concentrou na saída do núcleo de IA do Google. Mas o sinal realmente importante estava escondido no próprio nome: Loop.
Aquilo não foi uma escolha de marca por acaso. Nos últimos meses, “o Loop” evoluiu de gíria de fluxo de trabalho entre um pequeno grupo de desenvolvedores para o conceito mais consequente da engenharia de IA. O engenheiro do Google Addy Osmani sistematizou a abordagem em um ensaio intitulado Loop Engineering. A IBM formalizou a definição como a disciplina de engenharia de projetar fluxos de trabalho de agentes que agem, observam, decidem e iteram. Boris Cherny, que lidera o Claude Code, disse que raramente escreve prompts diretamente para o Claude — “meu trabalho é escrever Loops”.
De Prompt Engineering a Loop Engineering
Entre 2024 e 2025, prompt engineering era o currículo obrigatório para qualquer pessoa que trabalhasse com IA: como escrever system prompts, desenhar exemplos few-shot, encadear etapas de raciocínio. Essas técnicas formavam a gramática básica da interação humano-modelo.
Em 2026, o terreno havia mudado. Os modelos não precisam mais de uma instrução completa para começar a trabalhar. Produtos da classe agêntica — Claude Code, Cursor, GitHub Copilot — interpretam tarefas por conta própria, planejam etapas, executam operações e verificam resultados. A entrada humana mudou de forma: de comandos passo a passo para objetivos e restrições. Isso não é uma melhoria incremental; é uma reestruturação da divisão do trabalho. A relação entre humano e IA saiu de operador-e-ferramenta para projetista-e-sistema-autônomo. Você não diz mais ao modelo como fazer cada etapa. Você projeta um mecanismo — um Loop — que permite ao modelo trabalhar continuamente dentro de um ciclo fechado, enquanto você faz julgamentos e correções nos momentos que importam.
Esse é o ponto de partida do Loop Engineering: pare de escrever prompts; comece a projetar loops.
Anatomia de um Loop que funciona
O ensaio de Osmani detalha os elementos que um Loop de nível de produção precisa especificar:
- Gatilho da tarefa: o que inicia o ciclo — um agendamento, um evento ou um humano?
- Persistência de estado: onde vivem os resultados intermediários e o contexto, e como o loop retoma a execução após uma interrupção?
- Validação de resultados: quem julga a saída — testes automatizados ou revisão humana?
- Condições do loop: o que continua o ciclo e o que o encerra?
- Injeção de feedback: como a saída de cada rodada alimenta a entrada da próxima?
O fluxo de trabalho do Claude Code é um Loop de manual didático: o usuário enuncia uma tarefa, o agente lê a base de código e planeja as mudanças, executa, roda os testes, ajusta com base nas falhas e segue para a próxima rodada. O usuário não participa de cada etapa — apenas nos checkpoints, como aprovar o plano de mudanças.
Peter Steinberger destilou a disciplina em uma frase: pare de fazer prompt em agentes de código uma instrução por vez; projete Loops que fazem prompt no agente.
Três loops, três curvas de maturidade
Estruturas de circuito fechado desse tipo agora se cristalizaram em três domínios distintos de IA.
Loop Um: Pesquisa de modelos
Em março de 2026, Andrej Karpathy abriu o código do AutoResearch — um sistema em que agentes de IA modificam código de treinamento de modelos, rodam experimentos, verificam resultados e mantêm as melhorias que se sustentam. Todo o ambiente se comprime em um script de treinamento editável, uma métrica fixa e uma GPU, então as iterações giram rápido. Karpathy então se juntou à Anthropic para construir o time que usa o Claude para acelerar a pesquisa de pré-treinamento — um sinal de que a pesquisa de IA assistida por IA saiu dos experimentos pessoais e entrou nos pipelines centrais dos laboratórios de fronteira. O AlphaEvolve, do Google DeepMind, roda um loop semelhante: o Gemini propõe código e abordagens algorítmicas, avaliadores automatizados os executam e pontuam, e os melhores candidatos alimentam a próxima rodada — já aplicado a eficiência de datacenters, design de chips, estratégias de treinamento e algoritmos de multiplicação de matrizes.
Loop Dois: Conhecimento científico
O The AI Scientist, da Sakana AI, lançado em 2024, tentou o ciclo completo, da geração de hipóteses passando por código, experimentos e escrita do artigo; em 2025, um artigo gerado por IA havia passado pela revisão por pares em um workshop de machine learning. A FutureHouse constrói sistemas multiagente que conectam recuperação de literatura, análise de dados, geração de hipóteses e planejamento de experimentos. A Discovery Loop mira o ponto mais distante dessa direção — IA participando do processo completo de pesquisa: propor hipóteses, rodar experimentos, avaliar resultados e escolher a próxima linha de investigação a partir do feedback.
Loop Três: Experimentos físicos
A startup de Seattle Potato está levando a “ciência autônoma totalmente em circuito fechado” da computação para a robótica de laboratório; a europeia Sigmatic Sciences propõe o “lab-in-the-loop”, conectando modelos computacionais, experimentos automatizados e feedback de dados. A China tem sua própria participante — a Academy for AI Science, de Xangai, opera o Golab, uma fábrica de P&D em ciência dos materiais construída sobre o ciclo IA-computação → experimento automatizado → feedback de dados → autoevolução do modelo.
Os três loops amadurecem em velocidades diferentes. Os loops de pesquisa de modelos correm mais rápido, porque toda modificação é pontuada rapidamente e o sucesso ou fracasso é inequívoco. Os loops científicos estão começando a produzir resultados verificáveis, mas o feedback depende de julgamento especializado. Os loops físicos são os mais lentos — uma única validação pode envolver equipamentos, amostras e semanas de tempo.
O caminho mais profundo: autoaperfeiçoamento recursivo
Os loops comuns permitem que a IA continue completando tarefas externas. Uma evolução mais profunda corre por baixo — o autoaperfeiçoamento recursivo, em que a IA participa da melhoria de seus próprios algoritmos, pipelines de treinamento, avaliadores ou métodos de pesquisa, e aplica a capacidade aprimorada de cada rodada à seguinte. Não apenas “IA escrevendo código” — “IA melhorando a IA que escreve código”.
Em maio, Yao Tian — ex-diretora de research science da Meta FAIR — cofundou a Recursive Superintelligence com Richard Socher, Tim Rocktäschel e Jeff Clune, colocando o conceito no nome da empresa, com US$ 650 milhões captados com avaliação de US$ 4,65 bilhões. Em junho, a empresa revelou seu sistema de pesquisa automatizada de IA de primeira fase: a IA propõe ideias, implementa-as, roda experimentos, valida resultados e escolhe o próximo caminho de pesquisa com base nos experimentos anteriores. Vários ramos de pesquisa rodam em paralelo, direções promissoras são mescladas, e o sistema verifica reward hacking e variância dos experimentos. A equipe relata resultados líderes em três benchmarks: treinamento de modelos com computação fixa, velocidade de treinamento de modelos pequenos e otimização de kernels de GPU.
Um survey de julho de 2026 que analisou 1.250 artigos sobre o assunto divide a prática atual em “autoaperfeiçoamento limitado” — em que objetivos, fronteiras dos experimentos e métricas são definidos por humanos, e que já entrou em uso industrial — e “autoaperfeiçoamento recursivo aberto”, que permanece restrito pelos custos de validação externa, risco de colapso do modelo e limites de computação.
A métrica de Jeff Dean, de uma entrevista no YC, captura como todo o campo deve ser medido: “descobertas por unidade de computação investida”. Não throughput de tokens. Não contagem de parâmetros. A taxa de conversão da computação investida em descobertas válidas.
Aplicando Loop Engineering no seu próprio trabalho
Esta não é uma disciplina reservada aos grandes laboratórios de IA. Qualquer pessoa que construa com IA pode começar hoje:
- Mude de tarefas pontuais para tarefas em loop. Faça um levantamento do que você faz com IA diariamente. Qualquer tarefa recorrente — code review, correção de bugs, geração de testes — merece um fluxo de trabalho reutilizável que a IA possa percorrer de forma autônoma enquanto você aprova nos checkpoints.
- Defina primeiro as condições de término. A falha clássica de um Loop é rodar para sempre. Antes de projetar um, responda a três perguntas: o que conta como concluído? Quando um humano deve entrar? Quando você deve abandonar completamente essa abordagem?
- Construa sinais de avaliação rápidos e quantificáveis. Um Loop só é tão bom quanto seu sinal de feedback. Em código, a taxa de testes que passam funciona. Na geração de conteúdo, talvez você precise desenhar um mecanismo de pontuação automática. Quanto mais vago o sinal, mais fraco o loop — o que é exatamente o motivo de os loops de experimentos físicos progredirem mais devagar.
- Suba de nível: de escrever prompts para escrever código de loop. Como Cherny diz, seu trabalho agora é “escrever Loops”. O repertório migra de técnica de prompt para engenharia: definir fluxos de trabalho de agentes em código, gerenciar estado e contexto, desenhar validação e rollback, monitorar agentes de longa duração.
- Observe o valor subindo. A mudança mais profunda que o Loop Engineering traz é que o valor humano migra para cima. Quando você para de emitir instruções passo a passo, seu tempo se realoca para definir os objetivos certos, desenhar feedbacks eficazes, julgar quais direções valem a pena explorar e corrigir o rumo nos momentos-chave.
Em sua última entrevista antes de deixar o Google, Jeff Dean ofereceu o que pode ser o julgamento mais duradouro da era do Loop Engineering: “A habilidade verdadeiramente escassa do futuro é saber em quais problemas colocar os agentes.”
O que levar daqui
De prompt engineering a loop engineering não é uma troca de terminologia — é uma reorganização estrutural da relação humano-máquina. Na era do prompt, o valor humano significava traduzir requisitos em instruções que um modelo pudesse entender. Na era do loop, o valor humano significa projetar sistemas, definir objetivos, estabelecer fronteiras e julgar direções.
Jeff Dean passou 27 anos ajudando o Google a transformar dados, computação e treinamento de modelos em sistemas escaláveis. Agora ele e as pessoas mais importantes do Google querem transformar o próprio método científico em um sistema que roda em escala. O Loop é o método deles. A descoberta científica é o primeiro mundo em que ele entra. O autoaperfeiçoamento recursivo pode ser a estrada para além.
Para todo desenvolvedor de IA, a pergunta não é mais “devo aprender loop engineering” — essa pergunta já expirou. A real é: onde está o seu Loop?
Fontes
- Tencent Technology, “A pessoa mais importante do Google saiu — quão importante é o Loop que ela está construindo?”
- InfoQ, “A última conversa de Jeff Dean antes de partir”
- Addy Osmani, “Loop Engineering”
- Definição da IBM de fluxos de trabalho de agentes agir-observar-decidir-iterar
- Anúncio oficial da Recursive Superintelligence
- Survey na arXiv de 1.250 artigos sobre RSI
