Construindo um Local de Trabalho Nativo em IA: Lições da Linha de Frente

O que você faria se estivesse correndo uma corrida de 10K, lutando para subir uma colina difícil, e de repente as regras da corrida mudassem? E se os motoristas começassem a pegar corredores em carros e então correrem uns contra os outros até a linha de chegada? Você continuaria correndo, sabendo muito bem que vai ficar no final do pelotão? Ou entraria no carro, aceleraria e competiria pelo grande prêmio?

Hoje em dia, nos negócios, a IA é aquele carro que está perturbando a forma como as empresas funcionam. As empresas ainda podem escolher seguir em frente do jeito que sempre fizeram – desenvolvendo planos de longo prazo, seguindo processos, empurrando os funcionários para trabalhar mais do que nunca para ter sucesso em ambientes cada vez mais competitivos. Mas a IA está mudando a natureza da corrida. Está dando às empresas um novo veículo para se mover mais rápido e dar aos trabalhadores novas rotas para contornar problemas. Qualquer empresa que não pegue o volante e instale o poder da IA em sua força de trabalho será deixada para trás naquela longa e íngreme colina.

Abracando o Futuro ao se Tornar um Gerente de IA

Aqui na Cockroach Labs, aprendemos muito rapidamente que a IA de geração pode nos ajudar a fazer coisas que nunca pensamos ser possíveis. Nós a usamos em toda a empresa para busca de IA de geração, sistemas de recomendação e busca semântica.

Um dos melhores exemplos de como a IA pode transformar um processo de força de trabalho é o que está acontecendo em nosso departamento de educação. Nossa equipe está usando a IA para acelerar o desenvolvimento de currículos que ajudam os clientes, parceiros e nossa própria força de trabalho a se tornarem especialistas na operação de nossa linha de produtos de banco de dados.

Nós recentemente criamos um curso que apresentou 21 exercícios práticos e 20 conjuntos de slides com notas detalhadas para os alunos. Antes de começar o projeto, estimamos que, usando nosso processo de desenvolvimento normal – considerando as estimativas padrão da indústria para o tempo que os desenvolvedores levam para produzir uma hora de conteúdo – isso levaria de três a cinco meses para ser concluído.

Então, o que aconteceu? Incorporando a IA de geração em nossos processos existentes, conseguimos terminar a tarefa em cinco semanas.

Nesse processo, aprendemos uma série de lições.

• Nós somos todos gerentes de IA. Cada um de nós tem a oportunidade de pensar de forma muito diferente usando a IA. Cada um de nós deve agir como gerentes, independentemente de termos relatórios diretos ou não, porque gerenciamos uma capacidade de inteligência virtualmente ilimitada que podemos colocar para trabalhar em projetos desafiadores. Quanto você pode automatizar? Quão criativo você pode ser? Quão eficazmente você pode solicitar seu recurso de IA, desafiá-lo e implantar o novo modelo que ele gera? Você pode controlá-lo. Você pode gerenciá-lo. Você pode fazer essencialmente tanto quanto sua própria capacidade permitir que você faça.
• Não espere que a IA faça tudo. Há tarefas para as quais ela simplesmente não é adequada. Mas você pode atribuir a ela tarefas que os trabalhadores não devem mais estar fazendo – empregos que são consumidores de tempo, mas ainda exigem um grau de inteligência.
• Não aceite cegamente os resultados que ela produz. Verifique, verifique e verifique novamente. Confie na tecnologia, mas sempre verifique – porque a precisão transforma suposições em realizações.

O Processo Passo a Passo de Implantação da IA para Gerenciamento de Tarefas

Aqui está um resumo rápido de algumas das maneiras pelas quais a IA nos ajudou a subir a colina, até a linha de chegada, muito mais rápido do que esperávamos.

• Modelos diferentes: Modelos diferentes têm forças diferentes. Assim como os fabricantes usam componentes de melhor qualidade quando constroem uma solução, sinta-se à vontade para trocar de modelos quando isso fizer sentido para aproveitar essas forças. Usamos Claude Sonnet 3.5 para criar o primeiro rascunho do exercício porque ele era excelente em criar prosa e instruções atraentes. Usamos modelos de raciocínio ChatGPT 4o&”o como revisores técnicos para refinar comandos e garantir a precisão técnica no segundo rascunho.
• Resultados reproduzíveis: Ao realizar tarefas altamente técnicas, queríamos ser capazes de impor restrições técnicas claras e produzir saídas estruturadas que apoiassem resultados reproduzíveis. Para fazer isso, fornecemos requisitos de estrutura explícitos e exemplos de formato.
• Solicitações para tarefas altamente técnicas: Seja muito específico sobre o que você pede à IA para fazer –

caso contrário, ela pode fazer coisas loucas. Especifique claramente quaisquer suposições sobre as entradas ou condições ambientais e peça ao modelo que lide com casos inesperados.

• Solicitações refinadas: É importante encorajar as ferramentas de IA a fazer perguntas esclarecedoras. As primeiras solicitações não serão perfeitas, então espere várias rodadas. Incorporar qualquer melhoria ou etapa que o modelo sugira de volta à sua solicitação de base e iterar com a IA e sua equipe.
• Testes, testes, testes: Verificações de consistência são críticas. Uma maneira de medir a eficácia de sua solicitação é garantir uma saída consistente. Então, testamos frequentemente para garantir que estávamos inserindo a mesma entrada e que a saída permanecia a mesma.

Expertise Humana no Comando: O Papel Essencial da Supervisão da IA

Enquanto a IA remove tarefas que consomem tempo dos dias dos trabalhadores, não as remove completamente dos fluxos de trabalho. Os seres humanos ainda desempenham papéis críticos em nosso desenvolvimento de currículos e precisam ser integrados em processos impulsionados por IA para garantir que os processos sejam bem-sucedidos.

Um bom exemplo é como nossa equipe de educação conduz a engenharia de solicitações. Os seres humanos são responsáveis por criar a solicitação inicial, incluindo contexto de fontes relevantes. Então, após a ferramenta de IA de geração executar a solicitação, o ser humano revisa a saída da ferramenta. É essencial que essa pessoa seja um especialista em matéria que possa capturar erros precocemente no processo. Os colegas de equipe continuam a colaborar com a ferramenta e iterar até que a equipe esteja satisfeita de que a solicitação esteja pronta para ser publicada.

Embora essa colaboração humana/IA tenha se provado eficaz, ela requer que um ser humano gerencie o contexto e as transições entre modelos.

Sem seres humanos no loop, as equipes estariam à mercê de ferramentas de IA que podem ser notoriamente imprevisíveis. Quando começamos nosso projeto de currículo, as ferramentas fizeram bem em resumir ou explicar conceitos, dado o contexto correto. No entanto, elas frequentemente “alucinavam”. Hoje, os modelos são melhores em raciocínio, mas um ser humano ainda precisa gerenciar o processo. Agora, os seres humanos podem se concentrar em revisão e criatividade e não apenas em gerenciamento de processos.

No futuro, os agentes de IA desempenharão um papel maior no processo. Em vez de os seres humanos coletarem manualmente o contexto de fontes, criarem solicitações com contexto, moverem o trabalho entre modelos de IA e revisarem e refinarem as saídas, estamos desenvolvendo agentes que podem realizar muitas dessas tarefas – com um pouco de ajuda. O agente pode coletar e processar materiais de fonte como contexto de forma autônoma, gerar taxonomias de habilidades e esboços de cursos, executar nossos fluxos de trabalho estabelecidos e apresentar apenas pontos de decisão importantes para especialistas humanos.

Conclusão

Enquanto corridas rápidas são ótimas para manter a forma, os carros transformaram a capacidade dos seres humanos de chegar aonde precisam ir há muito tempo. A IA está proporcionando os mesmos benefícios no local de trabalho – ajudando as empresas a melhorar os processos e gerar melhores resultados. Aqueles que a abraçam e aproveitam os ganhos de eficiência composta deixarão os concorrentes para trás.