Andrej Karpathy, ex-diretor de IA da Tesla e ex-pesquisador da OpenAI, afirmou: 'A indústria está fingindo que isso é incrível, mas não é' 🧵 Ele minimiza o entusiasmo por agentes de IA e chama atenção para a distância entre demos e sistemas robustos.

Imagem indisponível

O argumento central: demos impressionam, mas não provam confiabilidade. Karpathy destaca falhas comuns dos agentes — alucinações, decisões inconsistentes e fragilidade frente a mudanças no ambiente — problemas que não aparecem em apresentações controladas.

Razões técnicas citadas: lacunas na avaliação, métricas pobres para comportamento contínuo, overfitting de demos e falta de interpretabilidade. Traduzindo: modelos podem agir bem em laboratório e falhar em produção, com risco operacional real.

Imagem indisponível

Há também custo e sustentabilidade: agentes complexos exigem muita computação e dados, elevando consumo de energia e barreiras para equipes menores. Isso reforça a necessidade de soluções mais eficientes e acessíveis para democratizar a tecnologia.

Karpathy faz uma crítica implícita ao ecossistema empresarial: hype favorece empresas com mais recursos, criando concentração de poder. Argumento relevante para quem defende transparência, padrões abertos e supervisão pública na IA.

Imagem indisponível

O caminho proposto envolve mais engenharia e menos espetáculo: benchmarks realistas, testes em cenários adversos, modularidade e interpretabilidade. Em vez de só escalar, investir em robustez, segurança e documentação replicável.

Reflexão final: o fracasso destas promessas não é só técnico — afeta acesso, trabalho e confiança pública. Exigir evidência rigorosa e políticas que distribuam benefícios pode transformar o entusiasmo em progresso real para mais pessoas.

Imagem indisponível