Karpathy e o Software 3.0: automatize o que dá pra verificar

Poucas pessoas moldaram tanto o vocabulário prático da IA quanto Andrej Karpathy, e a frase que ele cunhou em 2026 é a régua mais útil que apareceu para decidir o que entregar à máquina. Depois de sua palestra na conferência Sequoia Ascent, Karpathy resumiu a ideia no próprio blog: o computador tradicional automatiza o que você consegue especificar em código, a IA automatiza o que você consegue verificar. É simples de dizer e muda como se escolhe onde a IA vale a pena.

Quem é e o que ele disse

Karpathy foi diretor de IA da Tesla e um dos primeiros pesquisadores da OpenAI, e ficou conhecido por transformar ideias densas em enquadramentos que engenheiros usam no dia seguinte. Foi dele o conceito de Software 2.0, em 2017, a noção de que redes neurais são um novo tipo de software, escrito com dados em vez de linhas de código.

Em 2026, na palestra da Sequoia que ele mesmo resumiu no blog, Karpathy fechou a trilogia. O Software 1.0 automatiza o que o humano consegue especificar como regra em código. O Software 2.0 automatiza o que o humano consegue descrever com dados de treino. O Software 3.0 automatiza o que o humano consegue verificar. Nessa terceira era, como detalha a conversa na Latent Space, o humano escreve prompts, o modelo de linguagem é o interpretador e a janela de contexto vira o programa. Ele ainda marca um ponto no tempo: dezembro de 2025 seria o momento em que codar com agentes deixou de ser experimento e passou a ser confiável.

Por que a régua da verificabilidade importa

A força do enquadramento está no que ele exclui. A pergunta deixa de ser "a IA é inteligente o bastante?" e passa a ser "existe um jeito objetivo de checar se ela acertou?". Se um teste automatizado, um placar de jogo ou um verificador de prova conseguem julgar a resposta, o modelo pode ser treinado ou orientado a produzi-la com confiança. Se a verificação depende de julgamento humano difuso, sem critério claro de certo e errado, a automação fica frágil por mais impressionante que a demonstração pareça.

Isso explica por que a IA disparou primeiro em código. Programação tem verificação embutida: o teste passa ou não passa, o programa compila ou quebra, o benchmark dá um número. Não por acaso, foi em torno de codar com agentes que Karpathy marcou a virada de confiabilidade, o mesmo território que Kent Beck descreveu como augmented coding. Onde existe um oráculo barato de correção, a IA prospera. Onde não existe, ela alucina com fluência.

A pergunta que separa automação de teatro não é "a IA consegue fazer isto?", e sim "eu consigo verificar, de forma barata e objetiva, se ela fez certo?".

Nossa leitura para quem opera IA

Vale registrar a ressalva: verificar não é trivial nem gratuito. Simon Willison já mostrou que a própria camada de verificação vira alvo de ataque, como discutimos na trifecta letal dos agentes. A régua de Karpathy não promete que o que é verificável é seguro, apenas que é automatizável com mais confiança. São coisas diferentes, e o operador maduro segura as duas.

Na prática, a régua vira um filtro de portfólio. Antes de investir num caso de uso de IA, pergunte onde está o oráculo de correção. Extração de dado que bate com um gabarito, geração de código que passa em teste, classificação com rótulo conferível, cálculo que fecha com uma soma: tudo isso tem verificação barata e é candidato natural a automação. Já parecer criativo, tom de marca, julgamento estratégico e decisão sem critério objetivo de acerto pertencem à zona de assistente sob supervisão, não de automação solta.

O segundo movimento é construir o oráculo quando ele não existe. Boa parte do trabalho de colocar IA em produção é, na verdade, inventar a forma barata de checar a saída: um conjunto de casos de teste, uma regra de validação, uma amostragem humana estruturada. Quem cria o verificador transforma uma tarefa "não automatizável" numa que passa a ser. É aí que times sérios gastam energia, e é o que separa o piloto que impressiona do sistema que roda, o abismo que já mapeamos em por que os pilotos de IA não viram produção.

A régua de Karpathy é curta o suficiente para caber numa reunião de priorização: para cada tarefa que alguém quer jogar para a IA, pergunte como o acerto será verificado. Se a resposta for clara e barata, avance. Se for "a gente vai confiando", pare e construa o oráculo antes. Repare que a régua também explica por que tantas demonstrações espetaculares nunca viram produto: sem um jeito objetivo de checar o acerto, elas dependem da boa vontade de quem assiste, e boa vontade não escala. O enquadramento troca a pergunta subjetiva sobre inteligência por uma pergunta operacional sobre verificação, e é essa troca que o torna útil no dia a dia de quem decide onde investir.

Se a sua empresa está decidindo quais tarefas entregar à IA e quais manter sob supervisão, a AI Boutique ajuda a aplicar essa régua ao seu caso. Fale com a gente no WhatsApp.