O R1 da DeepSeek: Um Lembrete Útil

Como educador universitário e ex-veterano da indústria de TI, acho que o hype em torno do modelo R1 da DeepSeek da China é um lembrete útil de três coisas.

A primeira é que a IA geradora não é mais apenas sobre processar vastas quantidades de conteúdo para gerar respostas relevantes a prompts; é também sobre raciocínio cognitivo (o “R” em R1).

A promessa dos modelos de linguagem grande (LLM’s) é que a capacidade de recuperação de conhecimento e processamento cognitivo em massa – antes exclusiva de gênios com supercomputadores – agora está nas mãos de quase todos. Graças a uma nova geração de avanços em técnicas de aumento de eficiência, existem modelos pequenos o suficiente para serem executados em um laptop convencional que podem suportar vários agentes inteligentes que podem realizar tarefas complexas e interativas de forma autônoma.

Em segundo lugar, a revolução da IA geradora é, antes de mais nada, sobre inovação e criatividade – não é apenas uma corrida armamentista para o hardware mais poderoso, o tamanho dos conjuntos de dados de treinamento ou o número de parâmetros do modelo. A adoção bem-sucedida dessas tecnologias não será determinada pelas grandes empresas de tecnologia com supercomputadores que consomem muita energia e treinam modelos de bilhões de dólares – mas por países e organizações que investem em capital humano para prepará-los para essa nova onda.

Em terceiro lugar, e construindo sobre esse último ponto, a América não parece muito bem posicionada para as mudanças dramáticas que estão vindo para nossa economia e sociedade. Vou citar dois exemplos: educação superior e América corporativa.

Educação Superior

Na maioria das instituições de ensino superior, a primeira grande decisão de um estudante de graduação é decidir se irá cursar um Bacharelado em Artes (BA), que está associado a uma educação mais ampla e interdisciplinar, ou um Bacharelado em Ciências (BS), que é mais focado no desenvolvimento de habilidades e experiência prática em campos específicos.

Na era da IA, essa é uma dicotomia obsoleta, pois ambas as disciplinas estão se tornando essenciais no local de trabalho.

Na verdade, a maioria dos estudantes de primeiro ano não tem nem perto do conhecimento ou da percepção do que é trabalhar em diferentes tipos de empregos, ou mesmo das relativas forças e fraquezas de suas próprias habilidades, talentos, habilidades e aptidões. E, no entanto, a maioria dos estudantes de primeiro ano é obrigada a declarar uma especialização, o que será uma decisão fácil apenas para aquele pequeno percentual que (para melhor ou para pior) sabe (ou pelo menos acha que sabe) em que campo deseja se especializar: engenharia, ciência, medicina, direito, etc.

Precisamos de uma abordagem completamente diferente, mais ampla e interdisciplinar, para a educação superior, que reconheça que o primeiro emprego em tempo integral de um formado em faculdade pode não ter nada a ver com o diploma que ele obteve ou sua especialização; que a experiência universitária representará apenas a primeira etapa de uma jornada de aprendizado contínuo ao longo da vida – aprimoramento, credenciamento, reinvenção, mudança de carreira – para papéis que não podemos nem imaginar agora.

Além disso, como educadores, precisamos desenvolver novas estratégias para lidar com a plagiarismo da IA e navegar os perigos dos chatbots se tornarem atalhos intelectuais, ou “descarga cognitiva” – a tendência de confiar em ferramentas externas em vez de desenvolver capacidades internas.

Em uma época em que o conhecimento está separado da compreensão, há apenas muita tentação de simplesmente solicitar à IA uma resposta ou solução imediata em vez de lutar para entender um conceito ou resolver um problema.

TI Corporativa

A maioria das corporações também não parece perceber as implicações organizacionais dessas novas tecnologias.

Os papéis e estruturas atuais de TI refletem os requisitos organizacionais da revolução digital anterior. Essas funções surgiram da especialização necessária para que seres humanos usassem e interagissem com computadores – programação, engenharia de dados, arquitetura de computador, administração de rede, segurança de informação, etc.

Em contraste, a IA geradora (e todo o campo de Processamento de Linguagem Natural que a precedeu) é sobre projetar e treinar computadores para interagir com seres humanos.

Como resultado, os funcionários comuns estão inventando maneiras brilhantes (e às vezes perigosas) de usar essas tecnologias. As organizações estão lutando para criar políticas, procedimentos e controles viáveis para maximizar os benefícios de produtividade e minimizar os riscos.

Um problema-chave é que, na maioria das corporações, a expertise em ciência de dados tende a ser concentrada em departamentos de TI, a maioria dos quais ainda opera como guildas secretas com sua própria linguagem misteriosa e práticas que são organizacionalmente e funcionalmente isoladas das unidades de negócios principais. Acredito que a Revolução da Produtividade que está por vir exige novos tipos de papéis e estruturas organizacionais, nos quais a expertise em dados não é sequestrada em uma função especializada, mas interconectada com quase todos os aspectos da operação.

E também há o desafio dos dados. Na maioria das organizações, adotar IA é sobre personalizar LLM’s para executar casos de uso especializados usando dados proprietários. Enquanto os usuários dos dados nas linhas de negócios desejam dados completamente precisos, limpos e bem gerenciados, os proprietários individuais dos dados em TI não têm o orçamento, o incentivo financeiro ou a autoridade organizacional para garantir esse nível de qualidade e transparência.

Como resultado, os conjuntos de dados internos não são descobertos/gerenciados bem em toda a empresa. Normalmente, diferentes tipos de dados são armazenados em diferentes lugares. Em resposta a solicitações de usuários de negócios, a TI fornece diferentes visualizações dos dados, faz diferentes cópias (e cópias de cópias) dos dados e cria exposições e abstrações dos dados por vários motivos diferentes… Neste ponto, ninguém sabe quais versões estão desatualizadas, incompletas, duplicadas, imprecisas ou em que contexto.

Conclusão

A IA geradora tem o potencial de transformar todas as formas de trabalho do conhecimento. Em seu núcleo, essa tecnologia é sobre a democratização da especialização (para o bem e para o mal) – desintermediando especialistas como codificadores, videografistas, ilustradores, escritores, editores e quase qualquer tipo de trabalhador do conhecimento ou “especialista”. Nunca antes os seres humanos lidaram com uma tecnologia que rivalizava suas próprias capacidades de processamento e raciocínio cognitivo – apenas sua força física, resistência, precisão de destreza e capacidade de processar vastos volumes de dados.

Essa emocionante nova revolução da produtividade exige novos conjuntos de habilidades, capacidades e estruturas organizacionais, nos quais a expertise em dados é integral a quase todos os tipos de processos de negócios.

A ironia é que, à medida que as máquinas alcançam maiores poderes analíticos, o status e o valor de um funcionário em uma hierarquia organizacional podem se tornar menos uma função de especialização, experiência e credenciais, e mais de suas habilidades criativas, multidisciplinares e interpessoais.

O tempo de desenvolver e investir nesses recursos é agora.