Álvaro H. Beckerig

Existe um exercício mental que eu gosto de fazer de vez em quando: pegar um conselho que soa óbvio e empurrar ele até o ponto em que ele para de ser óbvio.

“Use IA no seu trabalho.” Ok. Mas quanto? Em quê? Com que grau de confiança? Quando ela está te ajudando e quando está inventando coisas com a confiança de um estagiário de terceiro dia?

Ethan Mollick - professor da Wharton, autor de Co-Intelligence: Living and Working with AI e provavelmente o acadêmico que mais leva a sério a tarefa de desmistificar IA para pessoas que não passam o dia em fóruns técnicos - tem quatro princípios para isso. Li a análise dele no Big Think e resolvi destrinchar aqui, com o meu habitual excesso de opinião infundada.

Princípio 1: use IA em tudo que for legalmente e eticamente possível

Parece óbvio. Não é.

A maioria das pessoas usa IA da mesma forma que usa uma academia de ginástica nos primeiros dias de janeiro: com entusiasmo declarado e frequência decepcionante. Vai lá, pede um e-mail, acha o resultado médio, e volta para o jeito antigo. Fim.

O ponto de Mollick é mais radical do que parece: a única maneira de entender o que IA consegue fazer é usá-la com volume suficiente para descobrir os casos de uso que não são óbvios. E os mais valiosos, por definição, não são os óbvios.

Ninguém sabe exatamente o que esses modelos são capazes - incluindo as pessoas que os constroem.

(O que deveria ser uma informação perturbadora para quem toma decisões estratégicas baseadas em “IA vai automatizar tudo” ou “IA não faz nada de útil”.)

A conclusão pragmática aqui é simples: se você está esperando um manual de casos de uso aprovados antes de começar, você já perdeu a janela de aprendizado que vai importar.

Princípio 2: trate a IA como uma pessoa, mas lembre que ela não é

Esse é o princípio que mais tem nuance e, consequentemente, o que mais é mal-interpretado.

A instrução técnica é razoável: dar contexto, definir um papel (“atue como um estrategista sênior de marketing”), ser específico sobre o que você quer. Funciona. IA responde melhor às instruções detalhadas do que a perguntas vagas - tal como (alguns) humanos, aliás.

O perigo, como Mollick mesmo aponta, é o que ele chama de pecado capital dos usuários de IA: fingir que computador é humano. IA não raciocina. Ela não tem modelo interno do mundo. Ela é extraordinariamente boa em identificar o que você quer ouvir e te entregar exatamente isso, o que é simultaneamente útil e perigoso.

Em outras palavras: é o melhor sim-senhor que o dinheiro pode comprar (inicia em USD 20 / mensais, inclusive). E assim como qualquer bajulador, vai te levar a lugares errados se você não mantiver o ceticismo ativo.

(Nassim Taleb teria uma opinião violenta sobre confiar em sistemas que otimizam para aprovação em vez de verdade. Ele não está errado.)

Princípio 3: explore o modelo centauro - ou o modelo ciborgue

Esse é o princípio que mais tem potencial de mudar a forma como você trabalha na prática.

Mollick usa duas metáforas para descrever como integrar IA no trabalho:

Centauro: você divide as tarefas de forma clara. “Isso aqui é meu, isso aqui é da IA.” A IA faz o draft, você revisa e decide. A IA analisa os dados, você interpreta e age. Separação nítida entre as funções.

Ciborgue: a fronteira desaparece. Você pensa junto com a ferramenta, em tempo real, de forma tão integrada que é difícil saber onde termina um e começa o outro.

Nenhum dos dois é superior em abstrato - depende da tarefa, do seu nível de domínio no assunto e de quanto erro você pode tolerar. O que importa é que você esteja consciente de qual modelo está usando, e não vagando entre os dois sem perceber.

O perigo real está em usar o modelo ciborgue em domínios onde você tem pouco conhecimento. Porque aí você não consegue avaliar quando a ferramenta está te ajudando e quando está inventando um caminho de forma muito convincente para um penhasco.

Princípio 4: assuma que essa é a pior IA que você vai usar

Esse é o que incomoda, e é exatamente por isso que é o mais importante.

A trajetória de evolução dos modelos nos últimos três anos foi tão agressiva que assumir que o atual é o teto é, para usar um eufemismo gentil, otimismo mal calibrado. O GPT-4 (ou Claude Opus 4.6 - você não, Opus 4.7) parecia impossível em 2022. O que estamos usando hoje pareceria ficção científica em 2020.

Mollick é direto: não sabemos até onde vai. Não controlamos a velocidade. O que controlamos é como decidimos usar e aplicar essas ferramentas agora, e essa escolha define quem vai estar bem posicionado quando os próximos saltos acontecerem.

A implicação prática para líderes é desconfortável: não dá para “esperar estabilizar” para tomar decisões sobre IA. A janela de aprendizado que você está perdendo agora é a experiência que vai fazer diferença quando os sistemas ficarem ainda mais capazes.

É como entrar na academia quando você ainda está fraco. Esperar ficar forte para começar é inverter completamente a lógica do processo.

(Estou falando tanto de academia que até bateu saudades. Passou já.) 🏋🏾‍♂️

Os quatro juntos

Se você juntar os quatro princípios, o que Mollick descreve não é uma estratégia de adoção de tecnologia; é uma postura epistêmica. (Sim, estava inspirado quando escrevi “epistêmica”.)

Use muito. Mantenha o ceticismo. Saiba quando você está no controle e quando não está. E trate o estado atual como ponto de partida, não como destino.

É a diferença entre as pessoas que vão navegar essa transição com alguma elegância e os que vão acordar daqui a três anos perguntando onde foi que erraram.

(Vou fingir que não escrevi esse post para mim mesmo enquanto usava IA para escrever sobre como usar IA com mais inteligência.)

Referência original: Ethan Mollick’s 4 guiding principles for leading with AI - Big Think

Livro do Mollick: Co-Intelligence: Living and Working with AI