How to Understand the Next Wave of AI Before Everyone Else | Tibo Interview

O que foi dito

• Ele conta que no DeepMind trabalhava com infraestrutura de pesquisa e viu nascer o “LM chat” cerca de um ano antes do ChatGPT, produto que ficou interno porque o DeepMind não estava montado para lançar coisas que pudessem competir com o próprio Google, e diz que na OpenAI a cultura é oposta (bottom-up, pouca “stop energy”, viés de lançar e disposição de canibalizar o próprio negócio principal).
• Afirma que benchmarks não revelam tudo e que a equipe descobre capacidade brincando com o modelo depois de treiná-lo, citando o novo modo de voz, que agora usa ferramentas: ele mesmo passou a ditar as tarefas do dia pelo celular de manhã em vez de digitar prompt.
• Retoma o próprio tuíte de que “o Codex vai parecer primitivo em dois ou três meses” e lista o que ainda é tosco no harness: arquivos de skill difíceis de manter, memória que nem sempre lembra, subagentes que obrigam o usuário a administrar uma pequena rede e quebram a ilusão de um parceiro único que entende você, seus objetivos e seu time.
• Sustenta que o laptop foi projetado para os limites humanos (quanto se digita, quantos aplicativos se mantém abertos) e que modelos futuros vão exigir mais recursos do que ele oferece, o que empurra para agentes na nuvem.
• Sobre o modo “ultra fast” (14 vezes mais rápido que o modo rápido atual), diz que o gargalo migra para chamadas de ferramenta, rede e overhead do stack, e que o ganho real cai para 3x ou 4x quando a tarefa é cheia de tool calls, ficando perto do 14x só em geração pesada de código (protótipo de site, videogame).
• Matthew Berman relata que hoje dispara 10 a 15 agentes em paralelo e espera 30 a 45 minutos por tarefa, com alto custo de troca de contexto, e os dois concordam que velocidade alta devolve o desenvolvedor a três ou quatro frentes e ao estado de fluxo, com Tibo falando em “ser gentil com sua atenção” e fazer a tecnologia se adaptar ao usuário.
• Separa dois problemas: construir a AGI pessoal proativa, adaptada ao indivíduo, e a automação plena de processos complexos sem humano no circuito (otimizar performance lendo logs de produção, corrigir regressões, aplicar patch automático em vulnerabilidade achada por scanner, com aprovação humana só em ação de alto risco).
• Justifica a fusão de ChatGPT e Codex dizendo que os modelos futuros pedem isso e que rótulos como “engenheiro de software” ou “designer” são abstrações humanas, então o fim da linha é uma interface única, multimodal e voice first, que a mãe do entrevistador e um desenvolvedor usam igualmente, ajustando-se sozinha ao perfil de cada um.
• Comemora os 20 milhões de usuários do Codex, evita comparar com a Anthropic (“não costumo olhar para a concorrência”), e explica os resets de limite de uso como compensação por falhas do produto, decididos por ele sozinho, sem passar por marketing ou finanças, com direito a um botão físico.
• Sobre eficiência, cita a queda de 80% no preço do Luna e uma queda também no Terra, diz que o serviço ficou cerca de 60% mais rápido em três meses e credita isso a usar os modelos de fronteira (o Soul) para reengenheirar o próprio stack, kernels CUDA e camada de inferência, o que chama de auto-melhoria recursiva de infraestrutura; menciona ainda a pausa no treino da fronteira de RL anunciada por Sam Altman, atribuída ao time de segurança, que fixou princípios claros antes de retomar.
• Fecha dizendo aos apreensivos que inteligência de fronteira barateia rápido (o Luna, hoje pequeno e baratíssimo, estaria na fronteira seis meses atrás) e que o uso mais imediato é pessoal, citando os modos de saúde e finanças que ele usa para chegar mais informado ao médico.