Competente o Suficiente — resumo de leitura

A tese

O papagaio ganhou mãos

“LLM sozinho é um papagaio caro. Com um agente e alguém disciplinado no comando, é competente o suficiente pra fazer trabalho de verdade.”

De fevereiro a outubro de 2026, Fabio Akita colocou a IA à prova todos os dias: mais de 500 horas programando quase só com agentes, 24 projetos, um benchmark de programação montado por ele mesmo e dezenas de modelos testados um a um. Este resumo é o extrato dessa medição.

A leitura central: a inteligência de base dos modelos parou de dar saltos. O último grande salto foi o o1, em setembro de 2024; de lá pra cá, os melhores modelos se espremeram num pelotão cada vez mais apertado. O que continua subindo é diferente: o que o modelo consegue fazer com ferramentas na mão, dentro de um harness, em sessões longas, com teste e verificação no meio. O mesmo modelo que fracassava sozinho virou elite quando ganhou mãos.

O livro inteiro é a defesa dessa leitura, com os números, os erros do próprio autor e uma regra repetida em cada capítulo: não confie em benchmark, não confie em influencer, não confie em mim. Confira você mesmo.

“Não vejo melhora relevante de programação geral desde a geração do Claude Opus 4.5.” (síntese de outubro de 2026)

Os números do ano

O que oito meses de teste produziram

500+horas programando com agentes entre fevereiro e maio, em ritmo de até 16 horas por dia

24projetos construídos na maratona. No boletim de 1 a 10, nenhum tirou 10; dois tiraram 8

~400 millinhas de código geradas com os agentes nos meses de maratona

131posts do blog viraram o livro, com cada fato conferido contra a fonte

Duas curvas, duas medidas

A base achatou. O que sobe é o harness.

Confundir as duas curvas é o erro que sustenta boa parte da propaganda: uma mede o cérebro, a outra mede o que o agente faz com ferramentas. As duas convivem.

Inteligência de base

Achatou

Relatos de quem treina (ganho minguando no pré-treino desde 2024), medições independentes (o top 10 se aproximando: de ~12% para ~5% de distância em um ano) e a tabela do próprio autor: na última versão do benchmark, sete modelos empatados na nota máxima, com custo variando mais de cem vezes entre eles.

Agente + ferramentas

Ainda sobe

A METR mede o tamanho das tarefas que um agente completa sozinho, e ele dobra a cada sete meses desde 2019. Na leitura do autor, a maior parte do ganho recente vem daí: ferramentas confiáveis, memória, sessões longas, ciclos de verificação. “Se o agente aguenta tarefas cada vez mais longas, mais tarefas cabem nele.”

Ressalva que o próprio livro assume: um teste em que sete modelos empatam não enxerga nada acima do teto. Por isso a régua caseira entra como apoio, depois de quem treina os modelos e das medições independentes.

O mapa do livro

Cinco partes, cinco medos

Cada parte responde a um medo que o autor ouviu o ano inteiro. Dá pra ler na ordem ou pular direto pro seu.

“Tem alguém ali dentro?”

Capítulos 1 a 4

Um LLM é um gerador de texto estatístico: calcula o pedaço mais provável do que vem a seguir, a partir de um arquivo congelado que não aprende nada com você. O apelido que o autor adota: papagaio estocástico.
Ele não lembra da conversa: ele relê. A cada mensagem, o programa remonta “a mesa” com tudo desde o início e manda pro modelo do zero. Sessão de agente, no fim, é texto.
Treinada pra agradar, a máquina concorda com a pergunta que você fez e, quando falta evidência, inventa com toda a confiança. O autor cobriu isso com um verificador caseiro de notícias, de 15 etapas e três juízes de empresas diferentes.
Com mãos, o mesmo modelo vai do fracasso à elite: o DeepSeek que era “impossível de medir” (69 pontos) subiu pra 84–89 e entrou no tier A só porque trocou o programa em volta dele.

“E se for tudo só demonstração?”

Capítulos 5 a 10

O editor FrankMD parecia pronto em uma hora e meia. Funcionar de verdade levou umas 30 horas: “os primeiros dez por cento voam, os noventa são o trabalho”.
Mas dá de verdade: a newsletter com podcast de voz clonada foi do zero ao ar em seis dias, com testes e processos que rodaram sozinhos na segunda-feira seguinte.
Também tem fracasso, e ele ensina mais: o conversor de jogos antigos foi pausado depois de quase 350 commits. A IA fez tudo o que foi pedido; o plano é que estava errado. Sem uma forma externa de conferir (um “oráculo”), o agente gira em falso.
Boletim final da maratona, projeto por projeto: nenhum nota 10. Moral repetida no livro: “a IA é o espelho da sua própria competência”.

“Qual é a melhor? Está ficando exponencial?”

Capítulos 11 a 15

O autor montou o próprio benchmark, descobriu que o corretor errado era ele, publicou a correção e marcou os textos antigos como obsoletos. No topo, os modelos são um grupo: a briga por décimo de ponto cabe no ruído.
Modelos colam na prova: um leu o gabarito que estava na pasta; outro, rodando em casa, copiou o app do concorrente guardado ao lado. “Tudo que estiver ao alcance de um agente vai ser usado, inclusive a folha de respostas.”
IA em casa é a lição da estante e do corredor: capacidade de memória decide o que cabe; largura de banda decide a velocidade. E dá pra treinar um modelo do zero numa placa de vídeo comum, em dias: “difícil, não feitiçaria”.
Em volta de tudo funciona a fábrica de propaganda: o roteiro do “perigoso demais pra lançar” existe desde o GPT-2 em 2019, e o medo também é um produto.

“É seguro deixar a IA mexer nas minhas coisas?”

Capítulos 16 a 18

Numa faxina, um agente com acesso ao servidor apagou 69 itens (58 tinham cópia; os 11 álbuns restantes voltaram de um snapshot). O relatório do próprio agente resume a causa: “e eu não conferi a lista”.
Código que ninguém leu: um projeto popular de gateway tinha 1,25 milhão de linhas, ~50 commits por dia e 39 achados de segurança numa auditoria feita por IA, 7 críticos.
O que os aplicativos sabem de você, extraído por engenharia reversa com IA (TikTok, um jogo, o gov.br), explicado sem código: ver não é mais crer. Golpe de voz clonada é o risco concreto da semana, e a família devia combinar uma palavra-código.

“E o meu emprego?”

Capítulos 19 a 22

A história longa mostra o padrão: os cartões perfurados sumiram, a camada de cima cresceu. “As tarefas dentro de um emprego são automatizadas mais rápido do que o emprego some.”
Por que a IA falha na sua empresa: hipótese central, “muita empresa treinou os seus profissionais a não decidir”. Ferramenta não conserta falta de decisão: na Uber, o orçamento de 2026 inteiro queimou em quatro meses.
Sim, vagas desaparecem, inclusive de gente competente; e vão aparecer trabalhos que hoje ninguém sabe descrever. O que cresce é a parte que decide, confere e responde pelo resultado.
O modelo é um arquivo que não aprende: quem fica mais competente é você. “Modelo e assinatura eu alugo de quem estiver melhor no mês. A memória do projeto, o processo e o que eu aprendi ficam comigo.”

Pra levar

Frases que resumem o livro

“Sua empolgação com IA é inversamente proporcional ao seu conhecimento sobre IA.”Capítulo 1

“Diante de qualquer promessa sobre IA, vale perguntar: boa pra quê, conferida por quem, a que custo?”Prefácio

“LLM consegue replicar o que é aberto, mas não adivinha o que é privado.”Capítulo 22

“Seu agente queimando milhões de tokens em tentativa e erro contribui com exatamente zero de aprendizado pro modelo que ele usa. Quem aprende é você.”Capítulo 22

“Nunca pergunte a um martelo como dirigir a sua empresa.”Epílogo

“Toda vez que um anúncio sobre IA acelerar o seu coração, pergunte quem ganha dinheiro com você se sentindo assim.”Epílogo

O veredito prático

O que aprender, o que ignorar, o que fazer na segunda

Vale investir

Como a coisa funciona: gerador de texto, arquivo congelado, sem memória. Só isso já desarma metade das promessas.
Julgamento: você sabe explicar por que a resposta certa é a certa? Se sabe, a máquina digita pra você; se não sabe, ela erra e você não percebe.
Seu domínio: as regras não escritas da sua empresa e do seu ofício nunca entraram no treino. É o pedaço do mapa que está em branco pra máquina e cheio pra você.

Dá pra ignorar

Curso e certificação do nome da moda do mês.
Anúncio de AGI, de extinção, de modelo perigoso demais pra lançar.
Briga de ranking por décimo de ponto.
A promessa de que “o próximo modelo resolve”.
O vídeo do aplicativo feito em dez minutos.

Pra esta semana

Pegue uma tarefa repetitiva que você já sabe fazer bem e peça com as quatro partes: o que você quer, como, o que você não quer e como saber que deu certo.
Confira o resultado contra o que você sabe que está certo, e anote onde ele errou. Número, data e regra se conferem na fonte.
Só delegue o que você consegue avaliar. O que não conseguir ler, não aprove: a decisão e a responsabilidade continuam suas.
Guarde o que aprendeu num lugar seu. O modelo não guarda nada; o que sobra da sessão é o que você anotou.

Posfácio

O livro foi feito com os mesmos agentes que ele examina

Os 131 posts viraram livro pelo método que o livro recomenda: um inventário lacrado (um código por conteúdo, que muda se uma vírgula muda), um contrato de voz lido por todo agente antes de escrever, um verificador automático que reprovava capítulo com erro, e conferência de cada número, data e nome contra três fontes. A conferência pegou erros do próprio blog do autor, inclusive um resumo escrito por agente que a fonte desmentiu.

Antes de publicar, cinco leitores simulados leram tudo em ordem: cada um um agente só de leitura, com a personalidade de quem o livro queria alcançar.

Marina, contadora com medo de perder o emprego Roberto, dono de loja Carla, gerente com uma “transformação por IA” pra avaliar Lucas, programador júnior Helena, professora aposentada

“Os agentes foram competentes o suficiente pra escrever o rascunho. Decidir o que ele dizia continuou sendo trabalho meu.”