Há uma etapa do trabalho com IA pela qual quase todo mundo passa. Você descobre que um modelo pode produzir um primeiro rascunho útil, responder a uma pergunta melhor do que um buscador ou resumir um documento em segundos. Você o integra ao seu fluxo de trabalho. Você ganha velocidade. Funciona.
Nós também passamos por essa etapa — e logo esbarramos em algo para o qual essa etapa não prepara.
O problema do conteúdo
O canal do YouTube produzia conteúdo Agile. Um vídeo por dia. E conteúdo Agile tem uma dificuldade específica: quase toda IA foi treinada com um corpus que entende Agile de forma profundamente errada.
O problema não é que os modelos sejam incompetentes. O problema são os dados de treinamento. Durante décadas, foram escritos livros, blogs e guias de certificação sobre “metodologias Agile” — uma expressão que é em si uma contradição, já que Agile é uma mentalidade, não uma metodologia. Esses textos são detalhados, abundantes e confiantemente errados sobre o que Agile de fato é. E os modelos absorveram tudo isso.
Usar IA para escrever conteúdo Agile significava, portanto, nadar constantemente contra a corrente de tudo o que os modelos haviam sido treinados para dizer. Peça um rascunho sobre os valores Agile e você receberá algo estruturado, fluente e sutilmente fora do lugar — apresentando Agile como um conjunto de práticas a adotar, e não como um modo de pensar o trabalho complexo.
Cada resultado exigia curadoria. Cada rascunho precisava ser lido à luz da tese real: que a mentalidade Agile é o que importa, e que as práticas existem para sustentá-la — não o contrário.
O que a curadoria revelou
Foi aí que o padrão de copiar e colar começou a mostrar seus limites reais.
A IA de copiar e colar é uma corrida de revezamento em que você é sempre o bastão. Você pega a saída de um modelo, avalia, ajusta, passa para o próximo, e recomeça. Para tarefas simples, o revezamento é rápido e os resultados são adequados. Para tarefas complexas — aquelas em que a resposta não é óbvia, em que o enquadramento importa, em que as premissas embutidas do modelo precisam ser ativamente corrigidas — o revezamento vira o trabalho.
A carga de curadoria crescia à medida que o conteúdo ficava mais preciso. Explicar a distinção entre Agile-como-mentalidade e Agile-como-prescrição exige sustentar uma posição clara diante de um peso contrário muito grande nos dados de treinamento. Exigia contestar os padrões que o modelo assumia com segurança, explicar por que o enquadramento habitual estava errado e então conduzir a saída para algo mais exato.
Com o tempo, aconteceu algo interessante. Os modelos aprendiam — dentro de uma conversa, depois que a posição era explicada e a contestação era levada a sério, o modelo conseguia mudar. Claude conseguia sustentar a distinção assim que entendia por que ela importava. O ChatGPT conseguia reformular assim que entendia o argumento.
E às vezes os modelos contestavam, o que também era útil. Uma objeção bem fundamentada do modelo forçava uma articulação mais clara da posição. O contraponto refinava o pensamento.
O limite da abordagem
O limite não era a capacidade. O limite era a estrutura.
Cada percepção que surgia em uma conversa precisava ser levada à mão para a seguinte. Cada correção dos padrões do modelo precisava ser restabelecida todas as vezes. O entendimento compartilhado que se formava ao longo de uma boa sessão não persistia — precisava ser reconstruído.
E o revezamento entre os modelos — que produzia resultados comprovadamente melhores do que qualquer um deles sozinho — passava por uma única pessoa. Cada mensagem intermediada à mão. Cada síntese acontecendo dentro de uma só cabeça.
Foi esse o momento em que o modelo de copiar e colar deixou de ser suficiente. Não porque parou de funcionar, mas porque o que estávamos tentando fazer havia crescido além do que ele podia sustentar. A pergunta começou a surgir: como é a estrutura quando o revezamento não é mais manual?
Comentários 0