{"id":2323,"date":"2026-06-09T13:25:00","date_gmt":"2026-06-09T11:25:00","guid":{"rendered":"https:\/\/pletzenauer.com\/?p=2323"},"modified":"2026-08-05T17:24:40","modified_gmt":"2026-08-05T15:24:40","slug":"metodo-karpathy-usar-ia-corretamente","status":"publish","type":"post","link":"https:\/\/pletzenauer.com\/pt-pt\/2026\/06\/09\/metodo-karpathy-usar-ia-corretamente\/","title":{"rendered":"O m\u00e9todo Karpathy: usar a IA 10\u00d7 de forma mais eficaz"},"content":{"rendered":"

<\/p>\n

Andrej Karpathy – cofundador da OpenAI e antigo respons\u00e1vel de IA na Tesla – explica h\u00e1 j\u00e1 algum tempo, em palestras e entrevistas, porque \u00e9 que a maioria das pessoas usa a IA de forma errada.<\/strong> N\u00e3o por praticarem pouco, mas por perceberem mal a ferramenta. O seu m\u00e9todo para trabalhar com IA de forma bastante mais r\u00e1pida reduz-se a tr\u00eas camadas: spec<\/em>, verifica\u00e7\u00e3o<\/em> e ambiente<\/em>. Eis o que est\u00e1 realmente por tr\u00e1s disto – sem hype, mas para p\u00f4r em pr\u00e1tica.<\/p>\n

\n

O essencial em resumo<\/p>\n

    \n
  • A IA \u00e9 brilhante no que \u00e9 mensur\u00e1vel e cega quanto ao contexto.<\/strong> N\u00e3o conhece o seu objetivo – isso tem de ser o utilizador a fornecer.<\/li>\n
  • Camada 1 – spec:<\/strong> primeiro clarificar o objetivo, depois trabalhar em pequenos passos (de forma \u00e1gil) e com precis\u00e3o.<\/li>\n
  • Camada 2 – verifica\u00e7\u00e3o:<\/strong> definir antecipadamente os crit\u00e9rios de avalia\u00e7\u00e3o, um segundo modelo como cr\u00edtico, integrar sinais externos.<\/li>\n
  • Camada 3 – ambiente:<\/strong> CLAUDE.md, base de conhecimento pr\u00f3pria, Skills reutiliz\u00e1veis e verdadeiros guardrails.<\/li>\n
  • O n\u00facleo:<\/strong> „Pode delegar o seu pensamento – mas n\u00e3o a sua compreens\u00e3o.“<\/li>\n<\/ul>\n<\/div>\n
    \n \"O
    As tr\u00eas camadas do m\u00e9todo Karpathy num relance.<\/figcaption><\/figure>\n

    Porque \u00e9 que a IA falha em perguntas simples<\/h2>\n

    Karpathy d\u00e1 um exemplo simples: „Quero ir \u00e0 esta\u00e7\u00e3o de lavagem, fica a 50 metros. Devo ir de carro ou a p\u00e9?“ Os modelos de topo atuais – Claude, Gemini, Grok, ChatGPT – respondem todos: a p\u00e9, \u00e9 t\u00e3o perto<\/em>. Errado. Porque para lavar o carro<\/strong> precisa de ter o carro l\u00e1.<\/p>\n

    \u00c9 este o \u00e2mago de tudo: a IA \u00e9 brilhante em tudo o que se pode medir – e cega em tudo o que precisa de contexto.<\/strong> O seu objetivo, as suas condi\u00e7\u00f5es, a sua intui\u00e7\u00e3o: sobre isso a IA n\u00e3o tem qualquer sinal. A tarefa n\u00e3o consiste, portanto, em „fazer melhores prompts“, mas em fechar essa lacuna entre a sua compreens\u00e3o e a capacidade de c\u00e1lculo da IA. \u00c9 exatamente isso que as tr\u00eas camadas fazem.<\/p>\n

    Camada 1: o spec – a sua compreens\u00e3o em forma utiliz\u00e1vel<\/h2>\n

    Um spec \u00e9 a forma como entrega a sua compreens\u00e3o \u00e0 IA – num formato com que ela consiga trabalhar. O conhecido „modo de plano“ do Claude vai na dire\u00e7\u00e3o certa, mas \u00e9 superficial demais para Karpathy. O seu conselho: elaborar em conjunto com a ferramenta de IA um spec verdadeiramente detalhado<\/strong>. Consegue-se em tr\u00eas passos.<\/p>\n

    1. Descubra o objetivo verdadeiro<\/h3>\n

    „Cria um relat\u00f3rio mensal“ \u00e9 uma tarefa<\/em>. O objetivo<\/em> \u00e9 a conclus\u00e3o que vai retirar, a decis\u00e3o que o relat\u00f3rio desencadeia. Qual \u00e9 o objetivo, isso a IA nunca poder\u00e1 determinar por si. Deixe-se antes entrevistar:<\/p>\n

    „Entrevista-me para identificar o objetivo deste projeto antes de come\u00e7ares.“<\/p><\/blockquote>\n

    2. Trabalhe de forma \u00e1gil, n\u00e3o em cascata<\/h3>\n

    A maioria das pessoas atira tudo de uma vez para a IA (cascata) e espera pelo resultado final. Melhor \u00e9 o speccing \u00e1gil<\/strong>: \u00e2mbito restrito, checkpoint claro, verificar o resultado, corrigir, repetir. Assim nota cedo se a dire\u00e7\u00e3o n\u00e3o \u00e9 a certa.<\/p>\n

    „Tende para specs mais pequenos e mais delimitados, com resultados interm\u00e9dios claros.“<\/p><\/blockquote>\n

    3. Seja preciso – e pense junto<\/h3>\n

    Quanto mais preciso for, menos a IA tem de presumir. E cada suposi\u00e7\u00e3o \u00e9 uma oportunidade de se afastar do resultado desejado. Quando a IA escreve um spec para si, leia-o de forma cr\u00edtica – com a sua pr\u00f3pria cabe\u00e7a.<\/p>\n

    „Faz-me confirmar explicitamente as decis\u00f5es centrais, para que nada passe ao lado.“<\/p><\/blockquote>\n

    Tr\u00eas elementos, um resultado: um spec bem delimitado e pensado, adequado ao seu objetivo real. Karpathy chama-lhe modern engineering<\/em> – uma postura de que no futuro vai precisar quem trabalhar a s\u00e9rio com IA.<\/p>\n

    Camada 2: o verificador – deixar a IA verificar o pr\u00f3prio trabalho<\/h2>\n

    O mais frustrante na IA \u00e9 verificar o resultado. Para perceber porqu\u00ea, ajuda o modelo mental de Karpathy. Ele fala de „animais“ por oposi\u00e7\u00e3o a „esp\u00edritos“: as pessoas s\u00e3o como animais – com motivos e emo\u00e7\u00f5es. Se disser a algu\u00e9m „torna-te profissional de SEO em 14 dias ou est\u00e1s despedido“, a pessoa arranja maneira. A IA funciona de outra forma.<\/p>\n

    Uma imagem mais clara: imagine a IA como um bibliotec\u00e1rio rob\u00f4<\/strong>. Responde a perguntas apenas com base nos livros da sua biblioteca. Se faltar um livro, n\u00e3o consegue ajudar – e muitas vezes n\u00e3o d\u00e1 por isso. Por isso brilha na matem\u00e1tica e trope\u00e7a no contexto: onde h\u00e1 respostas claras na biblioteca, \u00e9 brilhante; onde n\u00e3o h\u00e1, est\u00e1 confiantemente errada. Gritar, implorar ou dizer „faz isso melhor“ n\u00e3o ajuda. A \u00fanica alavanca verdadeira \u00e9 a verifica\u00e7\u00e3o<\/strong>. Tr\u00eas pontos de partida:<\/p>\n