Garry Tan abriu sua palestra no YC Startup School 2026 com a história de um filósofo excomungado. Baruch Spinoza. Banido em Amsterdã em 1656, aos 23 anos, pela maldição mais severa que sua comunidade já havia produzido. O crime era expressar opiniões proibidas. O banimento não tem cláusula de arrependimento até hoje.
Antes da excomunhão, a comunidade tentou comprar o silêncio de Spinoza. Mil florins por ano, dinheiro sério na época. Tudo que precisaria fazer era aparecer na sinagoga de vez em quando e ficar quieto. Ele recusou. Nem por dez mil, disse. Queria a verdade, não o conforto.
Três dias antes do banimento, um fanático veio com uma faca. A lâmina rasgou o manto e errou. Spinoza guardou o manto, costura aberta, pelo resto da vida. Para lembrar o que ideias custam.
Jensen Huang, Jeff Dean e Alexandr Wang subiram ao mesmo palco no mês seguinte, com trajetórias completamente diferentes. Nenhum roteiro combinado entre eles.
Mesmo assim, todos chegaram ao mesmo ponto. Quando a IA resolve a execução, o que escasseia não é capacidade técnica. É gosto. É visão. É a inteligência que você constrói e, principalmente, a que você possui.
A regra do 1%
Jeff Dean, que co-construiu grande parte da infraestrutura do Google nos últimos 25 anos e foi um dos criadores do TPU, deu ao evento o conselho mais contra-intuitivo. Quando perguntado onde uma equipe pequena ainda pode vencer frente aos modelos de propósito geral: procure problemas onde o modelo acerta 0 a 1% das vezes, não 20%.
A lógica é precisa. Vinte por cento de acerto sinaliza que a capacidade está emergindo no modelo. Com mais dados e escala, ela vai aparecer. Zero a um por cento indica que o problema ainda está genuinamente fora de distribuição, e ali há espaço para construir algo duradouro.
Depois disso, quando a plateia quis saber o que de fato fica escasso quando os agentes resolvem a execução, Dean foi direto: a habilidade mais rara passou a ser ter um gosto muito bom sobre o que pedir aos agentes que trabalhem. Não código. Não operação. Julgamento sobre o que vale a pena construir.
O que é escasso não é mais inteligência
Alexandr Wang passou uma década convencendo investidores de que dados de treinamento seriam o ativo mais crítico da era de IA. No Chase Center, em San Francisco, ele chegou com uma leitura parecida mas com outra escala.
Na visão de Wang, a inteligência vai se tornar abundante. A agência também. O que vai escassear é visão e ambição. A pergunta que vai separar quem aproveita essa janela de quem passa por ela sem entrar: você tem uma visão clara de como quer que o mundo seja daqui a cinco ou dez anos?
O argumento que ele fez foi simples. Mesmo que os modelos não melhorem a partir de hoje, ainda haveria décadas de transformação econômica pela simples difusão do que já existe. O gargalo não é mais o avanço tecnológico. É a absorção pelo resto do mundo.
A consequência prática: quem desenvolve convicção em crenças que ninguém ainda compartilha, antes que elas se tornem consenso, tem uma vantagem estrutural. Foi assim com a Scale AI, disse Wang. Os investidores que passaram na época e depois escreveram sobre "dados como o petróleo da IA" não tinham desenvolvido essa convicção antecipada. Tinham seguido o consenso quando ele já estava formado.
A pergunta de Spinoza
Spinoza foi embora. Poliu lentes de óptica de dia e escreveu, de noite, o livro mais perigoso da Europa, aquele que só poderia ser publicado após sua morte. Quando morreu, aos 44 anos, com os pulmões cheios de pó de vidro, o manuscrito estava trancado em sua escrivaninha. A instrução de última hora: mandem o móvel de barco ao editor em Amsterdã.
Garry Tan contou essa história para seis mil fundadores. O paralelo que traçou é cirúrgico.
Na era dos agentes, um arquivo de skill é um pedaço da cognição de quem o criou. É o jeito de fazer uma coisa, extraído da cabeça e escrito de forma executável. E a mesma operação produz dois futuros completamente diferentes dependendo de uma variável: quem controla o arquivo.
O exemplo que Tan usou na palestra: uma engenheira de suporte que ao longo de dois anos ensinou quarenta skills ao seu agente. Como triar um incidente crítico às duas da manhã. Como redigir um post-mortem que realmente previne o próximo problema. Quarenta arquivos. O julgamento construído em dois anos, exteriorizado.
Se esses arquivos ficam no repositório dela, ela muda de emprego e leva tudo. No primeiro dia no novo lugar, ela já opera com dois anos de julgamento composto disponível. Se ficam no repositório da empresa, ela vai embora com nada, e a empresa fica rodando o julgamento dela para sempre, sem nem o nome dela no histórico de commits.
Mesmos arquivos. Mesma profissional. Uma variável.
A distinção que Tan fez entre "personal AGI" e "AGI corporativo" é mais fundamental do que parece. O corporativo melhora só quando a empresa lança algo. O pessoal melhora todo dia que você usa, porque todo dia ele conhece mais do seu contexto. Um é produto que você consome. O outro é ativo que você constrói.
"The weights are everyone's. The library is yours." Os pesos do modelo são os mesmos para todos. A biblioteca é sua.
A oferta de mil florins não desapareceu. Ela foi rebatizada. Todo arranjo confortável onde o seu julgamento compõe dentro do repositório de outro alguém é exatamente isso.
O que permanece
Jensen Huang, que abriu o evento, contrariou a narrativa de que habilidades técnicas se tornam obsoletas na era da IA. O argumento foi o oposto.
Quanto mais as tarefas de baixo nível são automatizadas, mais valioso se torna raciocinar sobre sistemas inteiros. Onde está o gargalo? Onde a informação entra e sai? Quais são as restrições? Esse modo de pensar não sai de moda porque é exatamente o trabalho que os agentes ainda precisam que alguém faça.
Sobre o que acontece com empregos, Huang citou dois casos concretos. A tarefa de ler exames de radiologia foi amplamente automatizada. O número de radiologistas cresceu 20%. A demanda represada era tão alta que, com a automação, os hospitais puderam atender muito mais gente, e atender mais gente exigiu contratar mais profissionais. Com engenheiros de software a lógica se repetiu: a automatização do código não reduziu os postos, porque o backlog de ambição cresceu junto.
A IA elimina tarefas. O trabalho persiste.
E quando perguntado o que um jovem deve aprender, Huang respondeu com a mesma lógica que usou em 1995, quando a NVIDIA descobriu que o algoritmo fundador da empresa estava errado. Ele foi a uma loja, comprou três livros técnicos e trouxe para a equipe. A tecnologia é sempre provisória. A capacidade de aprender é permanente. A atitude que ele resumiu como "how hard can it be?" não é ingenuidade. É a escolha deliberada de não deixar a magnitude do problema paralisar a ação antes de começar.
Quatro falas, um ponto
É difícil para mim ignorar quando perspectivas tão distintas convergem num ponto sem moderador alinhando os roteiros.
Dean disse que o escasso é gosto. Wang disse que é visão e ambição. Tan disse que é a inteligência que você possui. Huang disse que é a capacidade de raciocinar sobre sistemas.
São versões da mesma observação: a execução está sendo automatizada. O que sobra escasso é julgamento, intenção e perspectiva própria.
A pergunta prática que fica: a inteligência que você está construindo com os agentes que usa, com os arquivos que escreve, com o contexto que acumula, é de fato sua? Ou está compondo no repositório de outro alguém?
Spinoza guardou o manto rasgado para lembrar o que ideias custam. O que você guarda é sua escolha.
Referências
- Jeff Dean – The 1% Rule for Building in AI (YC Startup School 2026, 30/07/2026)
- Alexandr Wang – This is a Once-in-a-Civilization Opportunity (YC Startup School 2026, 29/07/2026)
- Garry Tan – Own Your Intelligence (YC Startup School 2026, 06/08/2026)
- Jensen Huang – The Mindset That Built NVIDIA (YC Startup School 2026, 26/07/2026)