O método Karpathy: usar a IA 10× de forma mais eficaz

Andrej Karpathy – cofundador da OpenAI e antigo responsável de IA na Tesla – explica há já algum tempo, em palestras e entrevistas, porque é que a maioria das pessoas usa a IA de forma errada. Não por praticarem pouco, mas por perceberem mal a ferramenta. O seu método para trabalhar com IA de forma bastante mais rápida reduz-se a três camadas: spec, verificação e ambiente. Eis o que está realmente por trás disto – sem hype, mas para pôr em prática.

Porque é que a IA falha em perguntas simples

Karpathy dá um exemplo simples: „Quero ir à estação de lavagem, fica a 50 metros. Devo ir de carro ou a pé?“ Os modelos de topo atuais – Claude, Gemini, Grok, ChatGPT – respondem todos: a pé, é tão perto. Errado. Porque para lavar o carro precisa de ter o carro lá.

É este o âmago de tudo: a IA é brilhante em tudo o que se pode medir – e cega em tudo o que precisa de contexto. O seu objetivo, as suas condições, a sua intuição: sobre isso a IA não tem qualquer sinal. A tarefa não consiste, portanto, em „fazer melhores prompts“, mas em fechar essa lacuna entre a sua compreensão e a capacidade de cálculo da IA. É exatamente isso que as três camadas fazem.

Camada 1: o spec – a sua compreensão em forma utilizável

Um spec é a forma como entrega a sua compreensão à IA – num formato com que ela consiga trabalhar. O conhecido „modo de plano“ do Claude vai na direção certa, mas é superficial demais para Karpathy. O seu conselho: elaborar em conjunto com a ferramenta de IA um spec verdadeiramente detalhado. Consegue-se em três passos.

1. Descubra o objetivo verdadeiro

„Cria um relatório mensal“ é uma tarefa. O objetivo é a conclusão que vai retirar, a decisão que o relatório desencadeia. Qual é o objetivo, isso a IA nunca poderá determinar por si. Deixe-se antes entrevistar:

„Entrevista-me para identificar o objetivo deste projeto antes de começares.“

2. Trabalhe de forma ágil, não em cascata

A maioria das pessoas atira tudo de uma vez para a IA (cascata) e espera pelo resultado final. Melhor é o speccing ágil: âmbito restrito, checkpoint claro, verificar o resultado, corrigir, repetir. Assim nota cedo se a direção não é a certa.

„Tende para specs mais pequenos e mais delimitados, com resultados intermédios claros.“

3. Seja preciso – e pense junto

Quanto mais preciso for, menos a IA tem de presumir. E cada suposição é uma oportunidade de se afastar do resultado desejado. Quando a IA escreve um spec para si, leia-o de forma crítica – com a sua própria cabeça.

„Faz-me confirmar explicitamente as decisões centrais, para que nada passe ao lado.“

Três elementos, um resultado: um spec bem delimitado e pensado, adequado ao seu objetivo real. Karpathy chama-lhe modern engineering – uma postura de que no futuro vai precisar quem trabalhar a sério com IA.

Camada 2: o verificador – deixar a IA verificar o próprio trabalho

O mais frustrante na IA é verificar o resultado. Para perceber porquê, ajuda o modelo mental de Karpathy. Ele fala de „animais“ por oposição a „espíritos“: as pessoas são como animais – com motivos e emoções. Se disser a alguém „torna-te profissional de SEO em 14 dias ou estás despedido“, a pessoa arranja maneira. A IA funciona de outra forma.

Uma imagem mais clara: imagine a IA como um bibliotecário robô. Responde a perguntas apenas com base nos livros da sua biblioteca. Se faltar um livro, não consegue ajudar – e muitas vezes não dá por isso. Por isso brilha na matemática e tropeça no contexto: onde há respostas claras na biblioteca, é brilhante; onde não há, está confiantemente errada. Gritar, implorar ou dizer „faz isso melhor“ não ajuda. A única alavanca verdadeira é a verificação. Três pontos de partida:

• Definir antecipadamente os critérios de avaliação. Em vez de „faz um bom relatório“: „O relatório tem três secções, cada uma termina com uma recomendação.“ Quanto mais preciso antes, menos margem para erros.
• Um segundo modelo como crítico. Um segundo bibliotecário de outra biblioteca avalia o resultado do primeiro. No Claude Code pode usar-se, por exemplo, o plugin Codex: „Se isto for um build complexo, manda o Codex verificar o resultado final.“
• Integrar sinais externos. Ligue a IA ao sistema que conhece a verdade – por exemplo ao ambiente de deployment, para confirmar que houve mesmo entrega. Ou forneça relatórios antigos como formato de referência.

Boris Cherney, criador do Claude Code, resume-o assim: se o Claude tiver um ciclo de feedback, isso duplica ou triplica a qualidade do resultado final.

„Esboça os critérios de avaliação com que garantes um resultado final de qualidade. Sê preciso. Onde fizer sentido, recorre a um segundo modelo ou a dados externos para verificar.“

Camada 3: o ambiente – o chão da oficina sobre o qual tudo assenta

O spec e a verificação precisam de um sítio onde viver: o ambiente em que constrói. Pense numa oficina – o spec é a planta na parede, o verificador é o controlo de qualidade à porta, e o ambiente é a própria oficina. O problema: a maioria constrói tudo do zero de cada vez. Eis como montar, em alternativa, um posto de trabalho que melhora com o tempo:

• Um ficheiro CLAUDE.md bem arrumado. É carregado automaticamente com cada prompt – é a primeira coisa que o Claude lê. Exemplo: „Antes de construíres algo com vários passos, acrescenta um plano de verificação.“ Assim a verificação é obrigatória, não opcional.
• Uma base de conhecimento própria (LLM knowledge base). Um sistema de pastas com os seus próprios dados, fácil de pesquisar pela IA. Os seus dados são o seu fosso defensivo – é aqui que começa a sua propriedade intelectual.
• Skills reutilizáveis. Regra prática: aquilo que faz repetidamente torna-se um Skill – um manual para uma tarefa concreta. „A melhor maneira de encontrar uma fuga na mangueira é deixar correr água.“ Quanto mais usar os Skills, melhores eles ficam.
• Regras verdadeiras em vez de pedidos. Uma frase no CLAUDE.md („não inventes“) é um pedido que a IA pode ignorar. O que é crítico tem de ser imposto ao nível da ferramenta – p. ex. um hook de pre-tool-use que protege rigidamente determinados ficheiros.

Arrume as suas ações em três cestos: sempre permitido (corre em piloto automático), perguntar antes (verificar) e nunca (limites que não podem ser ultrapassados). Faça do ambiente o seu mundo – a IA vive dentro dele, não ao contrário.

A única coisa que conta

„Pode delegar o seu pensamento – mas não a sua compreensão.“
– Andrej Karpathy

As três camadas giram exatamente em torno disso: a sua compreensão do quadro geral. Tem de conhecer os seus objetivos e saber o que é preciso para orientar a IA na direção certa. As ferramentas ficam mais baratas – a compreensão continua escassa.

Conclusão

„Fazer melhores prompts“ é a pergunta errada. Quem quer mesmo ser mais rápido e melhor com IA constrói um sistema: um spec preciso, que parte do objetivo; uma verificação que impõe qualidade; e um ambiente que cresce a cada utilização. Não é magia nem hype – é trabalho limpo, em que mantém a cabeça no lugar. É também assim que aconselho: com honestidade, de forma mensurável, sem hype de IA. Se quiser montar isto na sua empresa, falemos sobre o assunto.

Para levar consigo

O método completo em documentos compactos – ideais para guardar e partilhar na equipa:

Fonte: „Stop Prompting Claude. Use Karpathy’s Method Instead.“ de Austin Marchese (YouTube). Resumido livremente e vertido para português.