Só escrever prompts já não basta: a IA agora aprende vendo você trabalhar
A próxima evolução da IA pode estar menos em escrever prompts melhores e mais em mostrar aos sistemas como o trabalho realmente é feito
Há algumas semanas, OpenAI e Anthropic anunciaram recursos que permitem que seus sistemas de IA aprendam uma tarefa observando alguém executá-la uma única vez, em vez de receber instruções sobre como fazê-la em um prompt.
Em junho, a OpenAI lançou o Record & Replay, um recurso que permite aos usuários do ChatGPT e do Codex demonstrar um fluxo de trabalho e transformá-lo em uma habilidade reutilizável.
Semanas depois, a Anthropic apresentou o Record a Skill dentro do Claude Cowork: você grava a tela enquanto executa uma tarefa, explica seu raciocínio e o Claude transforma tudo em uma habilidade que ele pode executar novamente.
Duas concorrentes convergindo para a mesma solução em questão de semanas. Para mim, isso é uma admissão de que o prompting, sozinho, nunca levaria a IA aonde ela precisa chegar.
Tenho pensado e trabalhado em cima disso desde minha época na Apple, onde trabalhei por 12 anos, dedicando meus anos de formação à construção da versão chinesa da Siri.
Como engenheiro fundador, fiquei empolgado ao ver a Siri abrir novos caminhos como assistente ativada por voz, permitindo que as pessoas usassem linguagem natural em vez de navegar por menus.
O desafio seguinte foi desenvolver consciência de contexto: criar um sistema capaz de concluir corretamente o primeiro pedido e também levar esse entendimento para o comando seguinte.
A lacuna nunca foi linguística. O problema era que o sistema precisava preservar a memória das preferências ou dos hábitos de uma pessoa entre diferentes interações.
Por exemplo, diga a um assistente de voz para programar um alarme para as seis horas todos os dias e não fica claro se o horário é de manhã ou à noite. A maioria das pessoas não considera isso ambíguo porque conhece a própria rotina e espera que quem está ouvindo também a conheça.
Essa desconexão entre o que as pessoas dizem e o que realmente querem dizer é a mesma que OpenAI e Anthropic estão tentando eliminar agora.
MOSTRE, NÃO DIGA
A maneira como alguém trabalha é mais particular do que aquilo que o software pressupõe. Mesmo que duas pessoas tenham o mesmo cargo e as mesmas responsabilidades, elas vão usar ferramentas diferentes, seguir sequências diferentes e depender de muito contexto não verbalizado.
Pesquisadores chamam isso de conhecimento tácito: aquilo que as pessoas sabem, mas não conseguem articular completamente. O termo foi cunhado em 1966 pelo filósofo Michael Polanyi. Um estudo estimou que 40% do conhecimento valioso de uma empresa está na cabeça de seus funcionários, sem nunca ser registrado em lugar nenhum.
Percebemos essa limitação muitas vezes ao usar prompts de IA. Se você pedir a alguém que descreva como faz um relatório de despesas, essa pessoa dirá que envia um recibo, classifica a despesa e depois envia o relatório.
os maiores avanços virão de sistemas que aprendem como as pessoas realmente trabalham.
Mas ela provavelmente deixará de mencionar que pede ao gerente para revisar refeições acima de US$ 75 ou que classifica jantares com clientes de maneira diferente de almoços com a equipe.
Esse é o desafio que a IA baseada em prompts não consegue resolver, porque ela não consegue chegar, por tentativa e erro, a um contexto que nunca foi explicitado.
Por outro lado, quando você demonstra a mesma tarefa a um sistema de IA, ele captura a sequência, os pontos de decisão e os pequenos julgamentos que fazem parte da maneira como alguém realiza o trabalho. Uma demonstração observa todas as nuances de um fluxo de trabalho, porque contexto e ação caminham juntos desde o início.
CRIE UMA BIBLIOTECA DE DEMONSTRAÇÕES
Record & Replay e Record a Skill representam um avanço real na compreensão e na reprodução da maneira como trabalhamos. Quando combinado com uma tarefa programada, um skill gravado não precisa ser reaberto, porque pode ser executado de forma autônoma e em segundo plano enquanto o usuário trabalha.
À medida que mais pessoas usam demonstrações para automatizar seus fluxos de trabalho, os próximos obstáculos serão fazer com que elas reconheçam o que podem delegar e tornar esse processo mais intuitivo.
Um estudo da empresa de IA Glean descobriu que os funcionários passam cerca de 6,4 horas por semana supervisionando ferramentas de IA, corrigindo seus resultados e explicando novamente coisas que a ferramenta já deveria saber.
Imagine quanto desse tempo desperdiçado poderia ser recuperado quando as pessoas adquirissem o hábito de gravar o que fazem, permitindo que um sistema aprenda o fluxo de trabalho uma única vez e depois assuma a tarefa.
Também está surgindo uma oportunidade para a mineração de fluxos de trabalho, permitindo que a tecnologia observe como o trabalho é feito e extraia dele conhecimento reutilizável.
Os dados de fluxos de trabalho se tornarão inestimáveis não apenas porque automatizam tarefas de múltiplas etapas de ponta a ponta, mas também porque podem criar uma biblioteca de fluxos que as pessoas podem selecionar e personalizar.
Alguém pode criar um fluxo para fechar relatórios de despesas, enquanto outra pessoa o adapta à sua própria cadeia de aprovação. Como resultado, a biblioteca fica mais precisa a cada versão adicionada, da mesma forma que o código de código aberto melhora à medida que mais desenvolvedores trabalham sobre ele.
O VERDADEIRO TESTE
O lançamento de recursos de demonstração pela OpenAI e pela Anthropic em questão de semanas é um sinal claro de que os maiores avanços virão de sistemas que aprendem como as pessoas realmente trabalham.
A maioria ainda recorre aos prompts por padrão porque nos acostumamos a isso, mas uma única demonstração poupará toda a troca de mensagens e as iterações necessárias a cada vez.
Leia mais: Inovação de verdade é aprimorar os fluxos de trabalho, e não cortar empregos
Passamos anos ensinando a IA a entender o que dizemos. Agora podemos tratar uma demonstração como trataríamos o treinamento de um novo funcionário: algo que fazemos uma vez, com cuidado, para não precisarmos explicar novamente.
Avalie essas ferramentas menos pelo que elas já conseguem fazer e mais por saber se você mostrou a elas como trabalha.
