Metodologia: IRCA v2 · v2.0

O índice

O humancollapse publica o Índice de Risco de Colapso (IRCA v2), calculado a partir de sinais públicos e auditáveis agrupados em seis pilares: proximidade da AGI, severidade do desfecho, cognição humana, pressão climática dos datacenters, deslocamento de trabalho e mitigação. Cada sinal é normalizado para um subscore de 0–100 com fonte citada e incerteza publicada; o score de cada pilar é a média ponderada de seus sinais.

Todo o pipeline roda em ~30 ms em CPU, sem GPU e sem caixa-preta de aprendizado de máquina: cada estágio abaixo é uma equação em forma fechada da literatura publicada.

O pipeline em equações

pillar_i = Σ wⱼ·xⱼ / Σ wⱼ
s*_i     = s_i + (100 − s_i)·2·max(0, σ(c·Σⱼ A_ij·(s_j − τ)/100) − ½)    (×12)
C        = ( Σᵢ Wᵢ·(s*ᵢ)^p )^(1/p)                        p = 2.5
IRCA     = C · (1 − κ·M/100)                              κ = 0.25
λ_anchor = −ln(1 − P*)·b / (e^(b·H) − 1)                  H = 78 y,  b = 0.02
λ(IRCA)  = λ_low·exp( ln(λ_high/λ_low)·(IRCA − 25)/(80 − 25) )
S(t)     = exp( −(λ/b)·(e^(b·t) − 1) )
year_q   = year_now + (1/b)·ln( 1 − (b/λ)·ln(1 − q) )
p_ext    = (1 − S(100)) · 0.25

A mitigação entra como o amortecedor M, fora dos pesos de risco: reduz o índice em até 25% e nunca adiciona risco.

Acoplamento em cascata

Sistemas interdependentes falham de forma abrupta, não gradual (Buldyrev et al., Nature 2010; Motter & Lai, 2002). Uma matriz de acoplamento documentada amplifica pilares quando suas fontes cruzam um limiar: progresso rápido da IA amplifica o deslocamento de trabalho e a descarga cognitiva; pressão ambiental e trabalhista amplificam a severidade. O acoplamento só amplifica, nunca esconde risco.

Parâmetros: τ = 50 · c = 4 · K = 12

Agregação não-compensatória

Uma média ponderada simples deixa pilares calmos diluírem um pilar crítico, exatamente o modo de falha contra o qual o Handbook de Indicadores Compostos da OCDE/JRC alerta. O IRCA usa uma média de potência ponderada com expoente p = 2,5: um único pilar disparando em direção a 100 puxa o índice desproporcionalmente.

A mitigação (governança) entra como um amortecedor multiplicativo limitado: regulação mais forte reduz o índice em até 25%, mas nunca elimina o risco.

As variáveis

Como cada sinal é medido, suas âncoras de normalização, seu peso e sua incerteza publicada. Sinais ao vivo atualizam a cada 6 horas; os demais seguem a cadência de suas fontes.

Participação linear = peso do pilar × peso do sinal dentro do pilar. O impacto marginal real cresce conforme os scores sobem, porque a agregação usa p = 2,5 (não-compensatória).

A data do colapso

Um nível de risco não tem semântica temporal por si só. O IRCA mapeia o índice para um hazard anual via um vínculo de riscos proporcionais (Cox, 1972) com base Gompertz crescente, calibrado em duas âncoras publicadas: as medianas do Existential Risk Persuasion Tournament para catástrofe global causada pela IA até 2100, 2,13% (superprevisores) e 12% (especialistas). O XPT define catástrofe como a morte de pelo menos 10% da humanidade em uma janela de cinco anos.

O contador aponta para a mediana da distribuição de datas resultante, o ano em que a probabilidade de colapso atinge 50% nas condições atuais. O colapso nunca é certo em nenhuma data fixa: a curva de sobrevivência permanece acima de zero.

A probabilidade de nível de extinção escala a probabilidade de catástrofe em 100 anos pela razão extinção/catástrofe por IA dos especialistas do XPT (0,25).

Âncoras de calibração

Incerteza

A faixa plausível é o P10–P90 de uma simulação de Monte Carlo (JCGM 101; Saisana et al., 2005) que reamostra cada sinal dentro de sua incerteza publicada e cada premissa contestável do modelo (probabilidades das âncoras, forma do hazard) dentro de sua faixa publicada. A semente aleatória deriva da data do cálculo, então qualquer pessoa que rode o código aberto reproduz a faixa publicada exatamente.

Monte Carlo: N = 500 · P10–P90 · P*_low ∈ [0.005, 0.05] · P*_high ∈ [0.06, 0.3] · b ∈ [0.005, 0.035]

As novas dimensões

Cognição: o estudo de EEG do MIT encontrou até 55% menos conectividade cerebral na escrita assistida por LLM; uma pesquisa CHI 2025 com trabalhadores do conhecimento mostrou que maior confiança na IA prediz menor esforço de pensamento crítico; a PNAS Nexus mediu um deslocamento causal de 25% do compartilhamento público de conhecimento. O sinal ao vivo acompanha o declínio sustentado da busca independente de informação (pageviews da Wikipedia, taxa de perguntas do Stack Overflow) contra a linha de base de 2022. Evidência contrária (meta-análises mostrando ganhos de aprendizado com tutoria por IA) está catalogada na biblioteca de evidências.

Ambiente: a IEA projeta a eletricidade dos datacenters crescendo de 415 TWh (2024) para ~945 TWh (2030); Google e Microsoft reportam emissões subindo 18–25% ao ano, atribuídas à expansão de IA. O sinal ao vivo é a intensidade de carbono da rede mundial (Ember via Our World in Data): a mesma expansão é muito pior numa rede suja.

Trabalho: o FMI estima 40% dos empregos globais expostos à IA; demissões atribuídas à IA chegaram a 23% dos cortes nos EUA no 1º semestre de 2026 (Challenger); a lacuna de emprego em início de carreira em ocupações expostas chegou a 19% (Stanford/ADP). O sinal ao vivo é a taxa de desemprego mundial (Banco Mundial).

Coleta autônoma

Seis coletores (Manifold, Metaculus, arXiv, Our World in Data, Banco Mundial, Wikimedia/Stack Exchange) rodam a cada 6 horas, atualizam seus sinais, recalculam o índice e persistem um registro diário. Todos os endpoints são APIs públicas sem chave; a saúde por fonte aparece na página de fontes.

Validade científica

Operacionalização: toda variável tem uma regra de medição publicada com âncoras de normalização (seção anterior), fonte citada e incerteza de 1 sigma. Nada é pontuado sem uma regra que um terceiro possa reaplicar.

Reprodutibilidade: o código é aberto e o pipeline é determinístico dado (entradas, data): a semente do Monte Carlo deriva da data do cálculo. Toda constante desta página é servida pelo endpoint público /api/v1/model, então a documentação não pode divergir da implementação.

Sensibilidade: a faixa plausível já propaga tanto a incerteza dos sinais quanto as premissas contestáveis do modelo (probabilidades das âncoras, forma do hazard) dentro de suas faixas publicadas. Os pesos são constantes em código versionado; mudá-los é um diff visível e revisável.

Falseabilidade e atualização: o índice cai quando suas entradas caem: velocidade de artigos de segurança subindo, atribuição de demissões à IA caindo, redes descarbonizando, regulação vinculante se fortalecendo. Confundidores conhecidos são declarados no próprio texto (PISA/COVID) e a evidência contrária é catalogada na biblioteca de evidências, não excluída.

Ameaças à validade conhecidas: elicitações de especialistas não são medições; proxies comportamentais (pageviews, taxas de perguntas) podem derivar por razões alheias; componentes de provedor único (ADP, Challenger) carregam viés do provedor. Mitigamos com pilares multi-fonte e incertezas publicadas; e declaramos, não escondemos.

Limitações honestas

As âncoras são elicitações de especialistas e superprevisores, não medições. A matriz de acoplamento e os pesos são julgamento, públicos e versionados para que possam ser contestados.

O PISA 2022 tem confundimento da COVID; o PISA 2025 (dez/2026) é o primeiro ciclo genuinamente pós-LLM. Estimativas estruturais (FMI, IEA) justificam a posição das âncoras; não são entradas variáveis no tempo.

Ninguém pode prever um evento sem precedentes com certeza. Publicamos probabilidades e faixas, nunca certezas.