Karpathy: a IA automatiza o que você consegue verificar

Andrej Karpathy tem um histórico raro: ele nomeia mudanças de paradigma antes de elas ficarem óbvias. Em 2017, no ensaio Software 2.0, argumentou que redes neurais não eram um algoritmo melhor, eram uma forma nova de escrever programas, na qual você especifica o resultado e deixa um processo de otimização descobrir o código a partir de dados. Cinco anos depois, a Tesla tinha reconstruído a percepção do Autopilot quase toda em pesos aprendidos. Agora, na fala do Sequoia Ascent 2026, Karpathy atualizou a própria tese e deu ao momento atual um nome e, mais útil, um critério. Ele chama de Software 3.0, e o critério é a palavra que todo time de IA em produção deveria colar na parede: verificação.

O critério que organiza tudo

A escada de Karpathy é limpa. Software 1.0 automatiza o que humanos conseguem especificar como regras, o código explícito em Python ou C. Software 2.0 automatiza o que humanos conseguem descrever com dados de treino. Software 3.0 automatiza o que humanos conseguem verificar. Se a resposta certa pode ser checada por um conjunto de testes, por um placar de jogo ou por um verificador de prova formal, então um modelo grande pode ser treinado ou orientado a produzi-la de forma confiável.

Parece abstrato até você virar a chave para o seu trabalho. A pergunta deixa de ser o modelo é inteligente o suficiente e passa a ser eu tenho como verificar se a resposta está certa. Onde a resposta é verificável, a IA avança com força. Onde ninguém consegue dizer de forma automática se o resultado está certo, o modelo patina, por mais avançado que seja.

Karpathy aponta dezembro de 2025 como o ponto de virada em que a codificação agêntica passou de experimento a confiável. Programadores que antes corrigiam linha a linha começaram a delegar refatorações de subsistemas inteiros. E ele faz questão de separar isso do que chama de vibe coding, aceitar a saída do modelo sem revisar. No Software 3.0, o engenheiro competente escreve a especificação, revisa o código gerado em busca de falhas de segurança e de violação de invariantes, e preserva o julgamento que o modelo não replica.

Você pode terceirizar seu pensamento, mas não pode terceirizar seu entendimento.

A frase, do próprio post de Karpathy, é a síntese. Delegar a execução é o ganho. Delegar a compreensão é a armadilha. Quem para de entender o próprio sistema perde a capacidade de verificar, e sem verificação o Software 3.0 desmorona.

Inteligência serrilhada, ou por que o modelo brilha e quebra

O segundo conceito da fala explica a frustração de todo mundo que já usou um modelo de fronteira. Karpathy chama de inteligência serrilhada: o modelo dispara em capacidade nos domínios com sinal de treino denso, matemática, código com testes, jogos com placar, e falha de forma inesperada em outros. Não é bug, é consequência direta do critério de verificação. Onde existe recompensa automática, a capacidade se acumula. Onde não existe, o modelo continua frágil.

Isso muda como você lê os erros da IA. Um modelo que resolve um problema difícil de código e depois erra uma conta trivial não está sendo preguiçoso. Ele está mostrando o serrilhado: teve sinal denso num caso e não no outro. A implicação prática é direta. Antes de confiar uma tarefa a um modelo, pergunte se aquele domínio tem como ser verificado. Se tiver, provavelmente é um pico de capacidade. Se não tiver, você está num vale, e vai precisar de humano no circuito.

A régua de delegação para a sua operação

Traduzido para quem coloca IA em produção, o Software 3.0 vira uma ferramenta de decisão, não uma tese acadêmica. A pergunta que abre qualquer projeto passa a ser: essa tarefa é verificável de forma automática?

Onde a resposta é sim, automatize com confiança e invista no verificador. Geração de código com suíte de testes, extração de dado com validação de esquema, cálculo com conferência, classificação com rótulo de referência. Aqui, o modelo é forte e o seu trabalho é construir o teste que separa acerto de erro. Quanto melhor o verificador, mais você pode delegar.

Onde a resposta é não, mantenha o julgamento humano no centro. Estratégia, priorização, texto que representa a marca, decisão com trade-off ético. São vales do serrilhado, e tratá-los como picos é como a operação se machuca. Isso conversa direto com o que Ethan Mollick chama de gerenciar a IA, não fazer prompt, e com o alerta de Charity Majors de que a IA pede mais disciplina de engenharia, não menos. Karpathy dá a essas ideias um eixo único: o que decide não é a esperteza do modelo, é a sua capacidade de verificar o resultado.

O bônus é organizacional. Se verificação é o gargalo do Software 3.0, então investir em como você testa, valida e audita saídas de IA passa a ser mais estratégico do que trocar de modelo. A vantagem competitiva migra do acesso ao melhor modelo, que todo mundo terá, para a qualidade dos seus verificadores, que só você constrói para o seu problema. É um recado incômodo para quem sonhava terceirizar tudo, e libertador para quem entende o próprio sistema: a IA vai automatizar o que você souber verificar, então o trabalho de engenharia mais valioso da década pode ser construir bons testes.

Se você quer descobrir quais tarefas da sua operação são verificáveis o bastante para delegar à IA, e como construir os verificadores que sustentam isso, fale com a AI Boutique no WhatsApp. A gente ajuda a separar os picos dos vales antes de você apostar.