Título original: What Karpathy Joining Anthropic Actually Means For Claude
Autor original: @nateherk
Tradução: Peggy, BlockBeats

Nota do editor: A entrada de Andrej Karpathy na Anthropic não é apenas uma notícia de contratação de um grande nome de IA para um laboratório de ponta. O que merece mais atenção é a mudança na direção do produto que essa movimentação indica.

No último ano, o foco da competição na indústria de IA permaneceu bastante concentrado nos próprios modelos: quem tem o benchmark mais alto, quem possui maior capacidade de raciocínio, quem lidera as classificações. Mas, à medida que produtos como Claude Code, Skills, MCP, memória de projetos, fluxo de trabalho de agentes e outros recursos evoluem, uma tendência mais clara começa a emergir: o modelo em si é apenas uma camada do produto, e o que realmente determina a eficiência da produção do usuário é o contexto, memória, fluxo de trabalho, habilidades, conectores, estrutura de arquivos, guias de estilo e ciclos de objetivo que envolvem o modelo.

A ênfase de Karpathy nos últimos meses na "engenharia de contexto" corresponde exatamente a essa mudança. O que realmente decide se a IA consegue gerar valor de forma consistente não é apenas a prompt que o usuário escreve, mas se o modelo consegue entender seus documentos, fluxo de trabalho, padrões de estilo, objetivos de negócio e sistemas de julgamento. Em outras palavras, a próxima fase da competição em IA pode não ser mais "quem tem o modelo mais forte", mas "quem consegue fazer o modelo se inserir melhor no cenário de trabalho real".

De LLM Wiki a AutoResearch, e até ciclos orientados por objetivos como /goal, a direção que Karpathy tem explorado publicamente sempre girou em torno de uma questão central: como transformar a IA de uma "janela de chat que responde perguntas" em um sistema de trabalho capaz de entender o contexto, executar tarefas de forma contínua e iterar em torno de objetivos. E o que a Anthropic vem fazendo recentemente com Claude Code, serviços empresariais, conectores ecológicos e capacidades de fluxo de trabalho também segue essa mesma trajetória.

Portanto, a entrada de Karpathy na Anthropic não é apenas uma movimentação de talentos, mas uma espécie de anotação na rota da estratégia de produto da Anthropic: as ferramentas de IA do futuro não estarão apenas nos parâmetros do modelo, mas também nos dados depositados pelos usuários, nos fluxos de trabalho, sistemas de memória e conhecimentos setoriais. Quem conseguir organizar esses contextos de forma eficiente poderá realmente impulsionar a IA do "ferramental" para a "infraestrutura".

A seguir, o texto original:

Há algumas horas, Andrej Karpathy anunciou em uma postagem que se juntaria à Anthropic.

A versão mais simples dessa história é: um grande nome de IA entrou em um laboratório de ponta na área.

Mas uma questão mais relevante é: por que a Anthropic? E por que agora?

Porque, ao revisitar os últimos meses de atividades públicas de Karpathy, e ao observar as funcionalidades que Claude Code vem lançando continuamente, fica claro que ambos parecem estar caminhando na mesma direção de produto.

Contexto

Karpathy é uma das figuras mais influentes no campo da IA moderna.

Ele foi um dos fundadores da OpenAI em 2015, trabalhou na Tesla por cinco anos liderando a área de IA; retornou à OpenAI em 2023, saiu após um ano; e fundou sua própria empresa de educação em IA, a Eureka Labs. Além disso, criou o curso gratuito LLM 101, que ensina como construir um modelo de linguagem do zero.

Ele também é o criador do conceito de "vibe coding": você descreve em inglês o que deseja, deixa a IA escrever o código, e então você sente, guia e itera continuamente. Além disso, propôs o conceito de "engenharia de contexto" (context engineering), que será fundamental na discussão a seguir.

Portanto, essa não é uma contratação comum. Significa que uma das vozes mais influentes na área de IA está se juntando a um dos laboratórios mais promissores atualmente.

Claude Code já é uma ferramenta preferida de muitos desenvolvedores para construir agentes, escrever código ou lidar com tarefas de conhecimento real. Há cerca de uma semana, a Ramp lançou seu índice de IA, e, segundo esses dados, a Anthropic superou a OpenAI na adoção empresarial pela primeira vez: 34,4% contra 32,3%.

Claro, de forma justa, esses números representam apenas a base de clientes da Ramp. A OpenAI ainda mantém uma forte marca de consumo e possui muitos contratos empresariais que não estão nesse levantamento. Não quero exagerar, mas esse sinal é difícil de ignorar.

No começo deste mês, a Anthropic anunciou a criação de uma nova empresa de serviços de IA para negócios. Uma joint venture com Blackstone, Hellman & Friedman e Goldman Sachs, com o objetivo de ajudar médias empresas a integrar Claude em seus processos centrais.

Repare na ação: eles estão desenvolvendo modelos, criando pontos de entrada de produto como Claude Code, Skills, MCP; construindo uma rede de parceiros; e agora adicionando uma camada de serviços para facilitar a implementação real pelos negócios.

Não é mais uma questão de "te dou um modelo, e você se vira".

Wrapper é o produto

Hoje, a maior parte das discussões sobre IA ainda trata o modelo como produto completo: qual modelo venceu em qual benchmark, Opus 4.7, GPT-5.5, Gemini, quem é mais forte, como evoluem as classificações.

Claro, o modelo é importante. Não estou dizendo que ele não seja. Mas, quanto mais tempo usamos essas ferramentas, mais fica evidente que o modelo é apenas uma camada do produto. O que realmente muda sua produtividade diária é a camada de wrapper que o envolve.

Por isso, duas pessoas usando o mesmo modelo podem obter resultados completamente diferentes.

O wrapper é tudo aquilo que decide como o modelo será utilizado.

→ Claude Code, Codex, Skills, Subagents, Hooks, conectores MCP.

→ Seu CLAUDE.md, sua memória, seus documentos, seus casos de uso.

→ Sua estrutura de arquivos, seu guia de estilo, sua definição de "bom resultado".

Esse é o ambiente do modelo.

Se você abre uma nova janela de chat, sem contexto algum, e pede para ele te ajudar com um problema de negócio, ele não sabe nada de você, só pode adivinhar. Você precisa explicar várias vezes o background que já contou antes.

Por outro lado, se você fornece seus documentos, casos, fluxo de trabalho, guias de estilo e critérios de sucesso, o mesmo modelo terá resultados bem diferentes.

É aí que Karpathy e Anthropic se encontram. A ideia de "engenharia de contexto" ao invés de apenas "prompt engineering" é justamente por isso. A habilidade real não é criar prompts perfeitos, mas construir um ambiente adequado para que o modelo funcione de verdade, lembrando e usando o contexto entre sessões.

A Anthropic vem construindo esse ambiente silenciosamente. Karpathy vem ensinando publicamente essa abordagem. Agora, essas duas linhas se fundem na mesma empresa.

Quando entendemos assim, tudo o que Karpathy vem fazendo nos últimos meses deixa de parecer aleatório e vira um roteiro.

LLM Wiki e sua barreira de conhecimento

Em abril, Karpathy lançou o LLM Wiki. O projeto rapidamente ganhou destaque no X.

A estrutura é bem simples. Para quem quiser entender, fiz um tutorial completo no YouTube.

→ Uma pasta raw/ com muitos arquivos markdown, que podem ser notas, fontes, transcrições, qualquer material.
→ Uma pasta wiki/ onde um agente organiza tudo, conecta os materiais e gera mapas mentais.
→ Um documento schema, similar ao CLAUDE.md ou AGENTS.md, que explica como o sistema funciona e como incorporar novos materiais.

Ele não é apenas uma busca por arquivos originais, nem uma consulta vetorial única. É uma construção de uma base de conhecimento viva, que lê, entende e relaciona as informações. Muitos já usam para criar seu "segundo cérebro".

Mais importante do que parece: quando se fala que "dados são a barreira de entrada", a maioria pensa em grandes bancos de dados corporativos. Mas, para o builder comum, a barreira real é menor e mais prática.

Pode ser suas notas de reunião, SOPs internos, registros de chamadas com clientes, transcrições, normas de nomenclatura, ou seu framework de trabalho.

Se Claude conseguir transformar esses conteúdos em contexto visível e utilizável, ele ficará mais inteligente e útil a cada semana.

Esse é o efeito de lock-in. Não que você não possa trocar de modelo, pode. Mas, ao construir contexto, fluxo e memória em uma ferramenta específica, fica cada vez mais difícil sair.

LLM Wiki não é só um projeto secundário. É uma pista. Não me surpreenderia se, no futuro, Claude Code ou a memória do projeto Claude tivessem versões mais nativas dessas funcionalidades. Você já pode ver alguns indícios no recurso auto-dream.

Claro, não precisa esperar. Neste fim de semana, você pode montar seu próprio sistema, fazendo o Claude Code ler seus documentos importantes e construir um wiki assim.

Se quer ser uma pessoa AI-first, seus dados só terão valor real se o agente souber onde encontrá-los e como usá-los corretamente.

AutoResearch e ciclos /goal

Em março, Karpathy lançou o projeto AutoResearch. É um ciclo de pesquisa automatizado. Se você conhece o Ralph Loop, vai perceber que há uma similaridade de conceito.

O fluxo é:

1. Receber um script de treinamento.

2. Propor uma modificação.

3. Executar uma rodada de treinamento curto.

4. Avaliar os resultados com métricas objetivas: sucesso ou falha.

5. Repetir até atingir o objetivo.

Confesso que não uso o AutoResearch com frequência pessoalmente. Não treino modelos nem construo aplicações que precisem desse ciclo. Mas sua forma é importante.

Definir o objetivo. Fazer o agente trabalhar. Voltar ao ponto de partida.

Olhe o que o ecossistema vem lançando: Codex tem /goal, Hermes tem /goal, Claude Code também tem seu próprio /goal nativo.

Não estou dizendo que Karpathy inventou essa funcionalidade. Não sei. E, na essência, AutoResearch e /goal não são exatamente a mesma coisa. Mas seus padrões claramente se relacionam.

Ambos estão nos levando de volta ao paradigma de "prompt e resposta".

Eles nos empurram para uma nova forma de interação: definir o resultado, deixar o agente decidir como fazer, e voltar quando estiver pronto.

Isso é uma evolução do vibe coding. Definir "o que" ao invés de "como", e esperar que ele execute.

Ao combinar esse padrão com a ideia de LLM Wiki, tudo deixa de parecer um chat e passa a parecer um funcionário de verdade: que entende seu negócio e trabalha de forma contínua até atingir o objetivo.

A linha da educação

Na mensagem de anúncio da entrada de Karpathy, há uma frase que merece destaque: "Continuo apaixonado por educação."

A Eureka Labs, sua última empresa, é essencialmente um projeto educacional. Não ensina apenas a clicar botões ou conectar nós, mas ajuda as pessoas a entenderem de verdade como os sistemas de IA funcionam por dentro.

Karpathy tem uma habilidade rara de explicar conceitos altamente técnicos de forma acessível, quase compreensível. Entender uma coisa é uma habilidade. Ensinar de modo que outros possam usar de fato é outra habilidade completamente diferente.

Isso é crucial para a Anthropic. Se a próxima fase da competição envolver contexto, fluxo de trabalho, Skills, memória e ciclos, o gargalo não será só técnico, mas também de educação.

Um estudo recente da IBM sobre adoção de IA e gestão de mudanças mostra claramente a grande lacuna entre "conseguir usar IA" e "usar bem IA" nas empresas. A maioria fica presa nesse ponto.

Trazer alguém que seja um expert em educação de IA para dentro da organização para ajudar a fechar essa lacuna não é uma ação pequena.

Minhas três previsões para Claude Code

São apenas previsões. Não tenho informações privilegiadas nem o roadmap da Anthropic. Mas, com base nos produtos recentes e no que Karpathy vem publicando, o caminho já está bem definido.

A Anthropic vai criar uma "loja de aplicações de contexto"

Eles já começaram. Plugins oficiais, Skills, componentes de mercado estão em formação.

Mas não estou falando do mercado de prompts.

Refiro-me a uma categoria de componentes: Skills, fluxos de trabalho, memória de projetos, contextos específicos de domínio, ciclos de avaliação, conectores a dados reais. E exemplos que ensinem o modelo a entender o que é "bom" em cada função.

Ao integrar esses componentes ao seu domínio, você consegue extrair mais valor do modelo, mesmo que ele já seja bastante inteligente.

Porque, para o usuário comum, o modelo em si deixa de ser o diferencial principal. A questão real é: quem consegue montar uma infraestrutura de dados e wrappers que gere ROI para a empresa.

LLM Wiki é uma forma de transformar informações dispersas em memória utilizável. /Goal é uma forma de transformar objetivos em ciclos automáticos. E a educação de Karpathy é uma forma de tornar conceitos complexos acessíveis.

Ele está empacotando uma abordagem comportamental. Se a Anthropic transformar essa abordagem em um ecossistema, Claude Code deixará de ser apenas uma ferramenta de programação e se tornará um mercado.

Mais comandos no estilo /goal no produto

/Goal provavelmente será apenas a primeira versão, não a forma final.

Imagino que, no futuro, surjam versões específicas: ciclos de pesquisa, ciclos de depuração, ciclos de encerramento. Ou comandos otimizados para setores específicos, onde o agente já saiba o que é "concluir".

Não sei exatamente quais nomes terão, e isso não é o mais importante.

O ponto principal é que a interface de interação vai mudar. Você não dirá mais "faça isso", mas "continue neste cenário até que tal condição seja atendida".

A Anthropic vai lançar uma camada de educação para ajudar os usuários a estruturar seus fluxos de trabalho

Essa é uma previsão bastante ousada. E, honestamente, a mais interessante.

Se a Anthropic quer criar um verdadeiro mercado de contexto, pessoas comuns também precisam poder contribuir, não apenas desenvolvedores e pesquisadores.

Ou seja, especialistas de diversas áreas devem poder participar.

→ Contadores que entendem de fechamento mensal.

→ Operadores imobiliários que conhecem cada passo do cadastro de imóveis.

→ YouTubers que sabem o que é uma boa embalagem e podem fazer brainstorms do zero.

Esses conhecimentos são valiosos. Mas, hoje, eles estão presos na cabeça das pessoas, dispersos em documentos, Slack, ClickUp, etc.

Já é possível ver sinais disso na prática. Muitos treinadores estão criando seus próprios "dublês de IA" e chatbots, cobrando por isso, para que os usuários possam dialogar com esses AIs. É uma versão manual. As pessoas querem extrair o conhecimento de especialistas e aplicar em seus negócios.

Se eu fosse montar um agente de publicidade, ficaria travado, pois não tenho esse conhecimento. Mas, se houvesse um mercado onde eu pudesse assinar o contexto de um especialista de alta qualidade, eu seria cliente na hora.

Essa é a camada que vou acompanhar de perto daqui para frente.

Conclusão

A verdadeira história está nesse próprio padrão de funcionamento.

O modelo é apenas uma camada. A camada de wrapper ao redor dele está se tornando o produto real. Seus dados e fluxos de trabalho estão se tornando o verdadeiro efeito de lock-in. Karpathy vem ensinando isso há meses, e a Anthropic também vem construindo essa visão.

Portanto, essa entrada não é só uma notícia, mas um roteiro. Tenho um vídeo completo explicando toda a lógica, com o link na primeira resposta.

[Link do original]

Clique para conhecer as vagas na BlockBeats

Participe do grupo oficial da BlockBeats no Telegram:
Telegram: https://t.me/theblockbeats
Telegram: https://t.me/BlockBeats_App
Twitter oficial: https://twitter.com/BlockBeatsAsia