🎙️Karpathy no No Priors: skill issue, não capability issue

Andrej Karpathy, ex-diretor de IA da Tesla e fundador da Eureka Labs, traçou uma linha clara entre expectativa e realidade no desenvolvimento de agentes autônomos durante sua participação no podcast No Priors. A tese central: quando sistemas de IA falham em executar tarefas complexas, o gargalo raramente está na capacidade do modelo — está na arquitetura e no operador.

O erro está na orquestração, não no modelo

Karpathy argumenta que desenvolvedores e engenheiros frequentemente atribuem falhas a limitações intrínsecas dos large language models (LLMs), quando na verdade o problema reside em três áreas operacionais: instruções imprecisas, gestão deficiente de memória de longo prazo e ausência de paralelização eficiente. A distinção entre "skill issue" e "capability issue" redefine como builders devem abordar a engenharia de sistemas baseados em IA.

A observação ganha peso vinda de Karpathy, que liderou o desenvolvimento do Autopilot da Tesla e contribuiu fundamentalmente para a arquitetura do GPT nos primórdios da OpenAI. Sua experiência sugere que estamos subutilizando modelos existentes por falta de sofisticação na camada de orquestração.

Macro ações e arquitetura multi-agente

A solução proposta envolve transicionar de interações síncronas e atômicas para "macro ações" distribuídas. Em vez de solicitar respostas imediatas e sequenciais, Karpathy defende a implementação de sistemas onde agentes especializados — um dedicado à pesquisa, outro à geração de código, um terceiro ao planejamento estratégico — executam tarefas de aproximadamente 20 minutos simultaneamente.

Essa abordagem exige repensar a arquitetura de agentes: context windows devem ser gerenciados ativamente, estados de memória persistentes precisam ser implementados fora do modelo base, e mecanismos de coordenação entre agentes devem substituir loops de prompt único. O paralelismo não é apenas uma otimização de performance, mas uma mudança de paradigma na interação humano-IA.

Implicações para o ecossistema brasileiro

Para desenvolvedores brasileiros trabalhando com infraestrutura limitada ou em startups com recursos enxutos, essa perspectiva é particularmente relevante. Antes de buscar modelos maiores ou APIs mais caras, a otimização reside em engenharia de prompts avançada, design de sistemas multi-agente e implementação de camadas de memória eficientes.

A mensagem é pragmática: o diferencial competitivo nos próximos meses não será acesso a modelos proprietários de última geração, mas a capacidade de arquitetar corretamente o que já está disponível. A maturidade técnica na orquestração de agentes separa protótipos funcionais de produtos robustos em produção.