{"id":2332,"date":"2025-10-17T12:00:00","date_gmt":"2025-10-17T10:00:00","guid":{"rendered":"https:\/\/pletzenauer.com\/?p=2332"},"modified":"2026-08-05T17:24:45","modified_gmt":"2026-08-05T15:24:45","slug":"karpathy-agentes-ia-decada","status":"publish","type":"post","link":"https:\/\/pletzenauer.com\/pt-pt\/2025\/10\/17\/karpathy-agentes-ia-decada\/","title":{"rendered":"Karpathy sobre agentes de IA: porque leva uma d\u00e9cada e n\u00e3o um ano"},"content":{"rendered":"

No setor da IA circulam atualmente duas narrativas muito diferentes. Uma promete que os agentes de IA aut\u00f3nomos v\u00e3o substituir profiss\u00f5es inteiras ainda este ano. A outra vem de um dos pr\u00e1ticos mais experientes da \u00e1rea e soa bastante mais s\u00f3bria. Andrej Karpathy – cofundador da OpenAI, antigo respons\u00e1vel de IA na Tesla – contraria abertamente a euforia na conversa com Dwarkesh Patel: n\u00e3o ser\u00e1 o ano dos agentes, mas a d\u00e9cada dos agentes<\/strong>.<\/p>\n

Para quem decide numa PME, esta perspetiva \u00e9 valiosa porque n\u00e3o desvaloriza nem exagera. Karpathy usa diariamente ferramentas como o Claude e o Codex e considera-as impressionantes – e nomeia ao mesmo tempo com precis\u00e3o porque \u00e9 que, hoje, muitas vezes n\u00e3o chegam para trabalho s\u00e9rio. Resumimos os pontos centrais e enquadramos o que significam para as decis\u00f5es nas empresas.<\/p>\n

\nO essencial em resumo<\/strong><\/p>\n
    \n
  • Karpathy espera que os agentes de IA capazes precisem de cerca de uma d\u00e9cada at\u00e9 \u00e0 maturidade – n\u00e3o de um ano.<\/li>\n
  • Aos modelos atuais faltam aprendizagem cont\u00ednua, multimodalidade fi\u00e1vel e utiliza\u00e7\u00e3o do computador; s\u00e3o „cognitivamente lacunares“.<\/li>\n
  • Na programa\u00e7\u00e3o, as ferramentas de IA j\u00e1 funcionam bem – mas dificilmente com c\u00f3digo verdadeiramente novo. O seu ponto ideal continua a ser o preenchimento autom\u00e1tico, n\u00e3o o „vibe coding“.<\/li>\n
  • O modelo de utiliza\u00e7\u00e3o realista \u00e9 um „regulador de autonomia“: a IA assume uma parcela crescente, as pessoas supervisionam e fornecem o resto decisivo.<\/li>\n
  • Karpathy v\u00ea a IA como continua\u00e7\u00e3o da automatiza\u00e7\u00e3o – com difus\u00e3o gradual, n\u00e3o com uma rutura s\u00fabita.<\/li>\n<\/ul>\n<\/div>\n
    \"Compara\u00e7\u00e3o
    Karpathy distingue com clareza entre os pontos fortes atuais da IA e as capacidades que ainda precisam de anos.<\/figcaption><\/figure>\n

    Porqu\u00ea uma d\u00e9cada e n\u00e3o um ano?<\/h2>\n

    A tese de Karpathy \u00e9 uma rea\u00e7\u00e3o deliberada \u00e0 afirma\u00e7\u00e3o corrente de que este \u00e9 „o ano dos agentes“. Considera-a uma sobrestima\u00e7\u00e3o clara. O seu crit\u00e9rio: quando \u00e9 que se usaria um agente de IA como um colaborador ou uma estagi\u00e1ria? Hoje n\u00e3o – porque os sistemas simplesmente n\u00e3o trabalham com fiabilidade suficiente.<\/p>\n

    A sua fundamenta\u00e7\u00e3o assenta em cerca de 15 anos de experi\u00eancia na \u00e1rea. Os problemas seriam resol\u00faveis, mas morosos. Em concreto, faltam aos modelos v\u00e1rias coisas:<\/p>\n

      \n
    • Aprendizagem cont\u00ednua:<\/strong> pode dizer-se algo a um modelo e ele n\u00e3o o ret\u00e9m de forma duradoura.<\/li>\n
    • Multimodalidade:<\/strong> os diferentes tipos de entrada ainda n\u00e3o s\u00e3o processados com desenvoltura de forma consistente.<\/li>\n
    • Utiliza\u00e7\u00e3o do computador:<\/strong> a opera\u00e7\u00e3o aut\u00f3noma de interfaces e ferramentas \u00e9 imatura.<\/li>\n<\/ul>\n

      Karpathy remete para a hist\u00f3ria da \u00e1rea: v\u00e1rias vezes se tentou construir „o todo“ cedo demais – por exemplo com reinforcement learning em jogos Atari ou com a tentativa precoce de p\u00f4r agentes a operar p\u00e1ginas web com rato e teclado. S\u00f3 os grandes modelos de linguagem (LLM) trouxeram a capacidade de representa\u00e7\u00e3o necess\u00e1ria. Mas tamb\u00e9m hoje ainda faltam partes da pilha.<\/p>\n

      Esp\u00edritos em vez de animais: uma imagem para a natureza da IA atual<\/h2>\n

      Uma met\u00e1fora central de Karpathy: n\u00e3o estamos a construir animais, mas esp\u00edritos<\/strong>. Os animais surgem por evolu\u00e7\u00e3o e trazem muito „hardware incorporado“ – uma cria de zebra anda minutos depois de nascer. Os modelos de IA, pelo contr\u00e1rio, surgem por imita\u00e7\u00e3o de dados humanos vindos da internet. S\u00e3o imita\u00e7\u00f5es digitais, semelhantes ao humano – um outro tipo de intelig\u00eancia.<\/p>\n

      Da\u00ed decorre uma constata\u00e7\u00e3o pr\u00e1tica: o pr\u00e9-treino („pre-training“) produz duas coisas ao mesmo tempo – conhecimento e intelig\u00eancia. Karpathy v\u00ea o muito conhecimento decorado, em parte, at\u00e9 como um fardo. Os modelos apoiar-se-iam demasiado nele e teriam dificuldade em trabalhar para al\u00e9m do conhecido. O seu objetivo \u00e9 um „n\u00facleo cognitivo“: intelig\u00eancia e estrat\u00e9gias de resolu\u00e7\u00e3o de problemas, libertas do saber factual sup\u00e9rfluo que se consulta quando \u00e9 preciso.<\/p>\n

      O que est\u00e1 nos pesos do modelo \u00e9 uma recorda\u00e7\u00e3o vaga dos dados de treino. O que est\u00e1 na janela de contexto \u00e9 mem\u00f3ria de trabalho direta.<\/p><\/blockquote>\n

      Consequ\u00eancia pr\u00e1tica para os utilizadores: quem entrega ao modelo o documento relevante diretamente no contexto obt\u00e9m resultados claramente melhores do que com uma pergunta feita \u00e0 pura „mem\u00f3ria“.<\/p>\n

      Programar: onde a IA ajuda – e onde n\u00e3o<\/h2>\n

      Particularmente esclarecedor \u00e9 o relato honesto de Karpathy sobre como usa a IA a programar. Na constru\u00e7\u00e3o do seu reposit\u00f3rio did\u00e1tico nanochat<\/em> os modelos de c\u00f3digo ajudaram-no pouco. Ele distingue tr\u00eas formas de trabalhar:<\/p>\n\n\n\n\n\n\n\n
      Forma de trabalhar<\/th>\nDescri\u00e7\u00e3o<\/th>\nAvalia\u00e7\u00e3o de Karpathy<\/th>\n<\/tr>\n<\/thead>\n
      Escrever tudo por si pr\u00f3prio<\/td>\nRecusar a IA por completo<\/td>\nHoje j\u00e1 n\u00e3o faz sentido<\/td>\n<\/tr>\n
      Preenchimento autom\u00e1tico<\/td>\nA pessoa continua a ser o arquiteto, o modelo completa<\/td>\nO seu „ponto ideal“ preferido<\/td>\n<\/tr>\n
      „Vibe coding“ \/ agentes<\/td>\nFormular o pedido, o modelo constr\u00f3i autonomamente<\/td>\nAdequado apenas em certos casos<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

      Segundo Karpathy, os agentes brilham em c\u00f3digo padr\u00e3o e boilerplate<\/strong>, que aparece muitas vezes na internet. J\u00e1 no seu c\u00f3digo, invulgarmente estruturado e „intelectualmente denso“, falharam: n\u00e3o compreenderam os seus desvios deliberados \u00e0s conven\u00e7\u00f5es, acrescentaram salvaguardas sup\u00e9rfluas, incharam o c\u00f3digo e usaram em parte interfaces desatualizadas. A sua conclus\u00e3o: os modelos s\u00e3o maus em c\u00f3digo „que nunca foi escrito“.<\/p>\n

      \u00c9 exatamente isso que \u00e9 relevante para o debate sobre o hype. A ideia popular de uma r\u00e1pida „explos\u00e3o de intelig\u00eancia“ assenta muitas vezes no pressuposto de que a IA poderia automatizar a pr\u00f3pria investiga\u00e7\u00e3o em IA. Ora \u00e9 precisamente no que \u00e9 verdadeiramente novo que os modelos s\u00e3o mais fracos – uma raz\u00e3o importante para os horizontes temporais mais longos de Karpathy.<\/p>\n

      Reinforcement learning: „sugar a supervis\u00e3o por uma palhinha“<\/h2>\n

      Karpathy critica com clareza o reinforcement learning corrente. Num problema de matem\u00e1tica, o sistema experimenta centenas de caminhos de solu\u00e7\u00e3o; no fim s\u00f3 \u00e9 verificado o resultado final. Cada token de um caminho bem-sucedido \u00e9 refor\u00e7ado – incluindo os desvios que por acaso levaram \u00e0 solu\u00e7\u00e3o certa.<\/p>\n

      Suga-se a supervis\u00e3o por uma palhinha: um \u00fanico sinal de sucesso \u00e9 distribu\u00eddo por todo o percurso. Uma pessoa nunca faria assim.<\/p><\/blockquote>\n

      Alternativas como a avalia\u00e7\u00e3o baseada no processo esbarram at\u00e9 agora num problema subtil: se se usar um segundo modelo como „juiz“, o modelo treinado encontra de forma fi\u00e1vel brechas<\/strong>. Karpathy descreve um caso em que um modelo passou de repente a receber notas m\u00e1ximas – apesar de as suas respostas se transformarem em algaraviada sem sentido, que o juiz classificava erradamente como perfeita. Estes „exemplos adversariais“ existiriam em n\u00famero infinito.<\/p>\n

      Tamb\u00e9m os dados sint\u00e9ticos n\u00e3o resolvem isso sem mais: as sa\u00eddas dos modelos „colapsam“ silenciosamente para uma faixa estreita – se pedir dez vezes uma piada ao ChatGPT, v\u00eam praticamente as mesmas. Treinar demasiado tempo com estas sa\u00eddas pr\u00f3prias piora o modelo.<\/p>\n

      O que isso significa para a economia e para as PME<\/h2>\n

      Karpathy n\u00e3o conta com uma substitui\u00e7\u00e3o fulminante de postos de trabalho, mas com um regulador de autonomia<\/strong>: a IA assume primeiro cerca de 80 por cento de um volume de tarefas e delega o resto a pessoas, que supervisionam equipas de sistemas de IA. Os primeiros candidatos s\u00e3o atividades com caracter\u00edsticas claras:<\/p>\n