O áudio e o vídeo estão em espanhol. Estas notas são uma tradução.
Hoje entrevistei Adolfo Valdivieso, cofundador e CTO da Turbo AI, uma fábrica de software AI native que trabalha com startups e pequenas e médias empresas nos Estados Unidos.
Adolfo é físico, trabalha com machine learning desde 2008 e, durante o mestrado em Stanford, acabou virando o CTO as a service dos colegas de turma. Foi daí que nasceu a Turbo.
A leitura dele sobre o mercado vai na contramão do que se ouve no Vale do Silício. As ações da Globant e da Accenture caíram mais de 50%, e para ele isso não significa que o outsourcing vai morrer, e sim que um modelo de negócio expirou: o cliente pagava sete salários e cinco já não se justificam.
A aposta dele se apoia num paradoxo que ele diz viver empiricamente: à medida que os agentes melhoram, você precisa de humanos mais sofisticados, não de menos.
Estrutura e Principais Destaques
O Inventor
- Ganhou um Nintendo e o desmontou em vez de jogar. Não compraram outro
- Pior ainda: aos quatro ou cinco anos, um microscópio de Natal terminou com os dedos cortados porque ele queria ver o próprio sangue, e com as plantas da avó cortadas
- O que o fisgou ao abrir o Super Nintendo procurando onde estava o Mario: por dentro ele era igual a um computador
Por que Stanford
- Estudou física na UNI e, antes mesmo de se formar, já sabia que queria chegar ao Vale do Silício
- O que ele buscava: densidade de gente capaz e, sobretudo, gente motivada a construir
- Em Lima, por volta de 2010 e 2011, o objetivo predominante era entrar num banco ou numa mineradora, e criar algo próprio não era uma opção
- Foi primeiro para a Singularity University, como primeira porta de entrada
- Escolheu o MBA e não um programa técnico, porque queria conhecer pessoas diferentes dele, com habilidades complementares
- Já tinha feito aulas técnicas por conta própria, incluindo o curso original de machine learning de Andrew Ng no Coursera em 2011
Como Nasceu a Turbo
- Chegaram a Stanford em setembro de 2022 e o ChatGPT saiu em novembro. Ele se define como parte da turma mais sortuda
- Os colegas conheciam setores e problemas que ele não conhecia, mas travavam nas decisões técnicas
- O que lhe pareceu inacreditável: no coração do Vale do Silício, com inteligência, rede e habilidades, as ideias morriam antes de chegar ao mercado
- Na aula Startup Garage eles construíam coding agents, quando o conceito ainda nem existia como categoria
- A descoberta que abriu o espaço: gerar código tinha ficado barato para quem não é técnico, mas a barreira de entrada continuava enorme
A Intuição de 2014
- Um amigo em comum, Andrés Benavides, lembra que já em 2014 ele falava de programadores que não programariam
- Ele vinha usando machine learning desde 2008 como um toolkit para problemas que não sabia programar
- O que o impressionava: não ter ideia de por que funcionava, e mesmo assim funcionar
- Fez geração de poesia com previsão do próximo caractere, aprendendo pontuação letra por letra
- A conclusão dele na época: a ideia importa mais do que o código, e o modelo vai levar você até ela
Onde a Turbo Fica no Mapa
- Ele distingue as ferramentas que amplificam um indivíduo, como Cursor ou Claude Code, daquilo que ele constrói
- A tese dele: a mudança intrínseca é como se colabora quando parte do trabalho é executada por agentes
- Três coisas que ele diz construir: algo que assuma a responsabilidade pelas decisões e suas consequências, algo que entenda de verdade a intenção humana, e o sistema que permite operar esse tipo de organização
- Sobre a intenção: nós, humanos, comunicamos mal o que queremos, e se o agente não consegue interpretar, preenche as lacunas com ruído
- Por que um cliente paga: não pela ferramenta, e sim pelo trabalho feito, com a confiança de um progresso constante
O Paradoxo e os Dois Estudos que o Sustentam
- À medida que os agentes melhoram, são necessários humanos melhores para detectar e corrigir o que eles geram
- Se todos têm as mesmas ferramentas, o campo se nivela e o recurso escasso passa a ser o top 1% das pessoas
- O estudo do METR mede a duração das tarefas que um agente completa com 50% de sucesso: 12 a 16 horas
- O dado-chave: ao exigir 80% de sucesso, essa duração cai para 2 ou 3 horas
- O estudo de Princeton sobre confiabilidade de agentes mostra uma curva plana em dois anos, de 0,7 a 0,8, enquanto os demais benchmarks ficam saturados
- A conclusão dele: sobra uma margem de 20% em que o agente pode fazer algo perigoso, e não adianta nada completar uma feature se ele apagou o banco de dados
- A explicação dele para a estagnação: o post-training premia o resultado final e não o processo, e o mercado compete pelo número mais alto em benchmarks artificiais
- A versão dele do bom, bonito e barato: em agentes você escolhe dois entre propósito geral, autonomia e mission critical
O que o Cliente Está Comprando
- Sobre a fatura: ele diz que 100% é pela responsabilidade, não pelo código
- O paralelo: você não contrata um engenheiro para que ele faça 100 commits por dia
- Sobre objeções do tipo “isso eu faço com o Claude Code”: o que muda o tempo todo são as expectativas
- Seis meses atrás um protótipo era incrível, e hoje completar uma feature em um dia parece normal
- O trabalho pessoal dele é antecipar qual é a próxima barreira antes que a expectativa se mova
Por que o Mercado Castiga a Globant e a Accenture
- O modelo antigo alocava um time de sete: um ou dois seniores mais frontend, backend, QA, mobile e devops
- O cliente pagava sete salários, e hoje cinco não se justificam
- O problema dessas empresas: passar de cobrar 7x para entregar 10x por 20 ou 30% da receita, sendo organizações grandes e lentas cujos processos sustentam empregos
- Mas o mercado cresce: US$ 650 bilhões hoje, com projeção de passar de US$ 1 trilhão até 2030
- O motivo: muito mais coisas estão virando software
O Novo Cliente: O Vibe Coder Graduado
- Pequenas e médias empresas que antes compravam SaaS especializado e pagavam centenas de milhares em licenças
- O raciocínio do cliente: pago por algo em que uso 5% das features e que me obriga a me ajustar ao processo dele
- O que mudou: eles entram no Claude Code ou no Lovable, fazem um protótipo e se convencem de que conseguem construir
- A virada estratégica: o SaaS os padronizava com o mercado deles, e o software próprio eles veem como forma de vencer a concorrência
- Essas empresas nunca antes teriam contratado uma consultoria ou uma fábrica de software
América Latina e o Outsourcing
- A tese dele sobre a vantagem regional: quando o custo da execução cai, o crítico passa a ser a coordenação e o alignment
- Aí o fuso horário e o estilo de trabalho se tornam fundamentais
- O dia é dedicado a coordenar e, durante a noite, se executa, em vez de ter uma ou duas horas de sobreposição
- Ele não acredita numa onda de desemprego, e sim numa transformação rumo a um mercado mais competitivo
- Isso já está acontecendo com os fornecedores de dados de treinamento que estão indo para esses países
Como Funciona um Projeto
- Os clientes chegam querendo contratar um engenheiro ou um PM, normalmente com um projeto atrasado um ou dois meses
- Eles começam absorvendo o máximo de contexto do codebase e detectando os gaps
- O time são três: um senior engineer, um senior PM e o GIO, um agente disponível no canal compartilhado do Slack para status, brainstorming e protótipos
- Não há designer: eles têm uma ferramenta interna que gera os protótipos
- Os agentes fazem a implementação, os testes e o QA, e eles vão decidindo onde colocar os human decision gates
- Os sete papéis do modelo antigo colapsaram em dois: o engenheiro decide a qualidade técnica e verifica, o PM traduz o negócio em especificações
Como se Industrializa o Critério
- A sequência dele: primeiro improvisação, depois padronização, depois automação
- A camada de agentes vira a forma de compartilhar conhecimento entre projetos
- Os agentes aprendem com decisões passadas, incluindo as propostas que fracassaram
- A diferença em relação a implementar o Claude Code dentro de uma empresa: os agentes deles são públicos por padrão e compartilham contexto entre si
Modelos e Custos
- Passaram pela fase de buscar o modelo perfeito para cada processo, e pela de fazer fine-tuning, que abandonaram porque leva meses e fica obsoleto
- Depois otimizaram por qualidade pura, e o Opus foi o auge dessa decisão
- Agora, com agentes rodando o dia inteiro e agentes pessoais para cada funcionário, estão reavaliando pelo custo
- Exploram orquestração com subagentes em diferentes tiers e modelos
- Há modelos comparáveis ao Opus por 15 ou 20% do custo
- Ele chama isso de paradoxo de Jevons: quando fica mais barato você faz mais, e volta a ficar caro
Contratar o Top 1%
- O que ele busca não mudou: curiosidade genuína, paixão e entender as coisas a fundo
- A pergunta dele na entrevista: o que você aprendeu nos últimos 6 meses que eu deveria aprender. Se ele sai sabendo duas ou três coisas novas, contrata
- O sinal de um time que usa IA de verdade: eles se impõem metas ridiculamente ambiciosas e as alcançam
- O contraste: antes, contratar a pessoa certa levava dois ou três meses mais o onboarding, um prazo de seis meses. Agora um fim de semana pode gerar valor
- Muitos dos engenheiros dele trabalharam com ele há dez anos e hoje não escrevem uma linha de código, mas o comportamento é o mesmo
O que Ele Faria Diferente aos 22
- Viria para o Vale do Silício antes, sem a barreira mental de ter que entrar via Stanford ou Singularity
- O pai dele dizia que comprava a passagem e pronto
- Por que o lugar lhe parece especial: ele reseta os seus padrões
- Levou tempo para se convencer de que era bom em escala global, e não só em comparação com o Peru ou a região
- A palestra de Paul Graham que ele cita: você é o peixe grande do lago pequeno e nunca vai saber o quão grande é se não for
Glossário do Vale do Silício
| Termo | O que significa | Contexto no episódio |
|---|---|---|
| AI native | Empresa construída do zero assumindo agentes no fluxo de trabalho | Como ele define a Turbo em relação a uma fábrica de software tradicional |
| Coding agent | Agente que planeja e escreve código de forma autônoma | Eles os construíam em Stanford em 2023, antes de o termo existir |
| Software 2.0 | Termo de Andrej Karpathy: criar dados para que o modelo produza o que não sabemos programar | A visão que ele já tinha desde 2014, e que hoje considera coisa do passado |
| Mission critical | Processos em que um erro tem consequências graves | Por que 50% de sucesso não é opção para uma empresa |
| Human decision gate | Ponto do processo em que um humano decide antes de continuar | O que a Turbo vai reposicionando conforme o projeto |
| Alignment | Consenso claro sobre o que precisa ser alcançado | O que ele considera a parte mais cara e difícil do trabalho |
| SOP | Procedimento operacional padronizado | O passo intermediário entre improvisar e automatizar |
| Post-training | Treinamento posterior que ajusta o comportamento do modelo | A explicação dele para a confiabilidade não melhorar |
| Forward deployed engineer | Engenheiro alocado no cliente para capturar o contexto dele | O sinal de que o Vale do Silício mudou de perspectiva sobre o papel humano |
| Paradoxo de Jevons | Baratear um recurso aumenta o seu consumo total | Como ele descreve o ciclo de custos com os modelos |
| Innovator’s dilemma | Quando o modelo que fez você crescer impede você de se adaptar | A leitura dele de por que as grandes consultorias vão se mover devagar |
| Elasticidade do output | Poder multiplicar o trabalho entregue sem renegociar o time | O diferencial do modelo de cobrança deles |
Pessoas, Empresas e Referências
Pessoas Mencionadas
- Adolfo Valdivieso: cofundador e CTO da Turbo AI, físico formado pela UNI
- Sua esposa: CEO e empreendedora de tecnologia, a quem ele se refere como a pessoa que mais admira
- Seu tio de Cajamarca: o engenheiro da família, que o ensinou a programar e lhe deu o microscópio
- Andrés Benavides: amigo em comum que lembra das ideias dele sobre IA desde 2014
- Andrew Ng: o curso dele no Coursera de 2011
- Andrej Karpathy: pelo conceito de Software 2.0
- Paul Graham: pela palestra sobre o peixe grande e o lago pequeno
- Dario Amodei: citado como o maior doomer de dois anos atrás
- Enzo Cavalie: host do podcast
Empresas e Organizações
- Turbo AI: fábrica de software AI native para startups e pequenas e médias empresas nos Estados Unidos
- Stanford: onde ele fez o MBA e onde nasceu a ideia
- Singularity University: sua primeira porta de entrada no Vale do Silício
- UNI: onde estudou física, em Lima
- Globant e Accenture: as ações que caíram mais de 50%
- Cursor, Claude Code, Codex: ferramentas que amplificam o indivíduo
- Devin, Factory: os que se posicionam como o próprio desenvolvedor
- Lovable: a porta de entrada dos clientes que depois precisam de software de verdade
- Scale AI: mencionada ao falar de especialização
- GIO: o agente da Turbo que vive no Slack compartilhado com o cliente
Estudos e Dados
- METR: o gráfico da duração das tarefas completadas por agentes, e o salto ao exigir 80% de sucesso
- Princeton: o framework de confiabilidade de agentes, plano de 0,7 a 0,8 em dois anos
- US$ 650 bilhões: tamanho do mercado de outsourcing de software, com projeção de passar de US$ 1 trilhão até 2030
- 7 salários: o time que se contratava antes, dos quais 5 já não se justificam