Karpathy calculou quem será substituído por redes neurais 🤖

Andrey Karpathy lançou mais um projeto interessante — US Job Market Visualizer. É um mapa interativo do mercado de trabalho dos EUA (143 milhões de empregos, 342 profissões), onde cada especialidade é avaliada pelo nível de "AI Exposure" (vulnerabilidade à IA).

E quanto aos programadores?
Software Developers têm nota 9/10. Estamos na zona vermelha profunda.

Isso significa que é hora de aprender a colocar azulejos? De jeito nenhum. Karpathy indica que alta vulnerabilidade não é igual ao desaparecimento da profissão. Escrever código, depurar e automatizar testes é o caso de uso ideal para LLMs. A produtividade de um engenheiro dispara.

A demanda por desenvolvedores pode até aumentar, mas pagarão por design de arquitetura, comunicação com stakeholders e resolução de problemas de negócios. Já os codificadores lineares, executores cegos de tickets e testadores manuais, minhas condolências — esse segmento será reestruturado primeiro.

O que mais é interessante:
▫️ Apenas 4,4% dos empregos têm risco mínimo (telhadores, carregadores, zeladores). O trabalho físico ainda está fora do jogo.
▫️ Quanto maior o salário e a educação, mais você está na mira da IA. Profissões com renda acima de $100k têm pontuação média de vulnerabilidade de 6,7.
▫️ Na zona de alto risco (7 pontos ou mais), são gerados $3,7 trilhões em salários anuais.

Como funciona por baixo dos panos
Para um desenvolvedor Python, este repositório é uma referência ideal e cristalina de como construir pipelines de processamento de dados com LLM atualmente. Nada de lixo supercomplicado, tudo com ferramentas padrão:

1️⃣ scrape.py — Playwright sem headless (BLS bloqueia bots) para extrair HTML bruto.
2️⃣ parse_detail.py e process.py — clássico BeautifulSoup4 para limpar o layout e converter para Markdown limpo. Sem mágica, apenas preparação de contexto.
3️⃣ score.py — a parte mais importante. O script alimenta descrições Markdown das profissões para o Gemini 3 Flash via OpenRouter. No prompt do sistema, os critérios de avaliação são rigidamente definidos (de 0 a 10) e a exigência de retornar apenas JSON no formato {"exposure": int, "rationale": "string"}.
4️⃣ build_site_data.py — monta o JSON final para o frontend em HTML/JS vanilla.

Se você há muito tempo quer acoplar LLM à análise de seus próprios dados chatos (avaliações, logs, currículos) — faça um fork do projeto. Jogue fora o prompt de Karpathy sobre "AI Exposure", escreva o seu (por exemplo, "Avalie a probabilidade de automação deste trabalho por robôs humanoides" ou "Avalie o risco de terceirização"), execute o script e obtenha análises prontas.

🔗Código-fonte no GitHub