Inteligência Artificial · 8 min · 14 de setembro de 2026
10 mil agentes de IA trabalharam 88 horas seguidas — e talvez tenham resolvido um problema de 90 anos
Em 8 de setembro de 2026, a OpenAI anunciou que um sistema interno, coordenando 10 mil agentes de inteligência artificial trabalhando em paralelo por 88 horas, produziu uma prova matemática relacionada às equações de Navier-Stokes — um dos sete Problemas do Milênio, considerados os mais difíceis da matemática moderna. O anúncio veio cercado de ressalva importante da própria OpenAI e de uma polêmica de crédito envolvendo um matemático que também usava IA — incluindo Claude, da Anthropic — pra atacar um problema relacionado.
Existe um problema matemático em aberto há quase 90 anos, com prêmio de US$ 1 milhão pra quem resolver. Em 8 de setembro de 2026, a OpenAI anunciou que um sistema interno — coordenando 10 mil agentes de IA trabalhando em paralelo — produziu uma prova relacionada a esse problema. A notícia veio acompanhada de uma ressalva importante da própria empresa, e de uma polêmica de crédito que envolve, entre outros, um pesquisador da Anthropic.
O que são as equações de Navier-Stokes
Elas descrevem como fluido se move — água, ar, qualquer líquido ou gás. É a matemática por trás de furacão, turbulência de avião e corrente oceânica. A pergunta em aberto, formalizada como um dos sete Problemas do Milênio do Instituto Clay de Matemática, era: o movimento suave de um fluido em três dimensões sempre continua suave, ou pode, em certas condições, "explodir" e desenvolver uma singularidade?
O que a OpenAI realmente provou
Aqui está o ponto mais importante do anúncio, e o que a maior parte da cobertura simplificou demais: a OpenAI não resolveu o problema inteiro. O sistema provou que as equações de Navier-Stokes em três dimensões podem desenvolver uma singularidade em tempo finito — uma das quatro afirmações possíveis que resolveriam o problema completo.
A própria OpenAI foi explícita sobre o limite do resultado: não provou o caso sem força externa atuando no fluido, e não vai reivindicar o prêmio de US$ 1 milhão do Instituto Clay por esse resultado específico. É avanço real, mas não é o fechamento definitivo do problema.
Como 10 mil agentes de IA atacam um problema assim
O processo foi escalado em etapas. Primeiro, o sistema atacou uma versão mais simples do problema — a equação de Euler forçada — usando 1.000 agentes trabalhando por 50 horas. Quando o resultado pareceu promissor, a OpenAI escalou pro problema completo, com 10 mil agentes coordenados ao mesmo tempo.
Segundo a empresa, os agentes tinham acesso a ferramenta como leitura de uma versão em cache da internet e capacidade de rodar código, organizados em grupos que se comunicavam entre si. O grupo que chegou à resolução envolveu algo da ordem de 10 mil agentes simultâneos, chegando ao resultado no sábado, 5 de setembro, cerca de 88 horas depois que os primeiros agentes foram lançados.
O tamanho do esforço: o resultado final inclui 249 páginas de argumento matemático, mais uma formalização em Lean — linguagem usada pra verificação automática de prova matemática, que funciona como uma checagem rigorosa de que cada passo lógico está correto. Segundo o Wall Street Journal, o custo computacional envolvido é da ordem de milhões de dólares — nada que um laboratório universitário comum conseguiria reproduzir amanhã.
Por que isso seria histórico, se confirmado
Só um Problema do Milênio foi resolvido antes, em toda a história. Grigori Perelman resolveu a Conjectura de Poincaré em 2003 — e recusou tanto o prêmio de US$ 1 milhão quanto a Medalha Fields por isso. O problema de Navier-Stokes estava em aberto havia cerca de 90 anos. Se a prova da OpenAI passar pela revisão independente da comunidade matemática mundial, seria apenas o segundo caso na história — e o primeiro produzido majoritariamente por sistema de IA.
A polêmica de crédito
A história ficou mais complicada rápido. A própria OpenAI relatou que o esforço começou em 1º de setembro, depois de ouvir um rumor sobre trabalho relacionado sendo feito por Tristan Buckmaster, matemático da Universidade de Nova York, e Levent Alpöge, que é funcionário da Anthropic.
Buckmaster e Alpöge usaram Claude, da Anthropic, e Codex, da OpenAI, pra atacar um problema relacionado — a mesma equação de Euler forçada que a OpenAI usou como etapa intermediária — chegando a uma solução parecida pra parte do problema, mas sem prova completa do Navier-Stokes inteiro.
A versão da OpenAI: ao perceber que o rumor tinha fundamento, a empresa contatou Buckmaster e Alpöge, ofereceu um anúncio conjunto, e reconheceu publicamente a prioridade do trabalho deles no problema de Euler forçada especificamente — afirmando não ter tido acesso ao trabalho dos dois antes da publicação pública, nem usado dado de usuário pra chegar ao próprio resultado. Em 10 de setembro, a empresa atualizou o comunicado oficial com achados de uma investigação interna sobre se algum input de usuário poderia ter influenciado o resultado.
Buckmaster, por sua vez, levantou questionamento público sobre o processo da OpenAI, e a cobertura da Fortune chegou a mencionar acusação de "trapaça e intimidação" no meio da disputa — um sinal de que a relação entre os envolvidos ficou tensa. O Instituto Clay de Matemática, até o momento, não se pronunciou sobre o resultado da OpenAI.
Por que vale ceticismo saudável aqui
Prova matemática de fronteira, mesmo formalizada em Lean, ainda precisa passar pela comunidade matemática mundial antes de virar consenso. Isso leva tempo — meses, às vezes anos — e não é incomum um resultado inicialmente celebrado ser revisado, corrigido ou até derrubado depois de escrutínio profundo.
Some a isso a disputa de crédito ainda não resolvida, e o quadro completo é: um resultado potencialmente importante, cercado de questão legítima sobre processo, prioridade e verificação — não uma vitória fechada e sem contestação.
O que fica de lição, além da matemática
Independente de como a disputa de crédito se resolve, uma coisa já ficou clara: IA coordenando milhares de agente em paralelo virou ferramenta real de pesquisa de fronteira, não conceito teórico. E o padrão de escalar aos poucos — testar versão simples do problema antes de ir pro problema completo — é uma lição de método que vale bem além da matemática.
Onde a Ketos entra
A escala é outra, mas o princípio de fundo é o mesmo que aplicamos em problema de negócio: às vezes a resposta não está em um agente trabalhando sozinho, está em orquestrar várias tentativas em paralelo até achar o caminho que funciona.
É esse tipo de raciocínio — decompor um problema grande em parte menor, testar hipótese em escala, e validar antes de confiar no resultado — que a gente aplica quando ajuda empresa a automatizar processo complexo com IA.
Veja como a Ketos trabalha com IA ou conte seu desafio — respondemos em até 1 dia útil.
Conteúdo verificado em setembro de 2026, com base no comunicado oficial da OpenAI, cobertura da CNBC, Fortune, Axios e The Conversation. O resultado ainda não passou por revisão independente completa da comunidade matemática — trate como avanço reportado, não como fato cientificamente encerrado.