Não se trata do que a IA pode fazer por nós, mas do que nós podemos fazer pela IA

A maioria vê a inteligência artificial (IA) através de uma lente unilateral. A tecnologia existe apenas para servir aos humanos e alcançar novos níveis de eficiência, precisão e produtividade. Mas e se estivermos perdendo metade da equação? E se, ao fazer isso, estivermos apenas amplificando as falhas da tecnologia?

A IA está em seus estágios iniciais e ainda enfrenta limitações significativas em termos de raciocínio, qualidade de dados e compreensão de conceitos como confiança, valor e incentivos. A lacuna entre as capacidades atuais e a verdadeira "inteligência" é substancial. A boa notícia? Podemos mudar isso nos tornando colaboradores ativos em vez de consumidores passivos de IA.

Os humanos detêm a chave para a evolução inteligente, fornecendo melhores estruturas de raciocínio, alimentando dados de qualidade e reduzindo a lacuna de confiança. Como resultado, o homem e a máquina podem trabalhar lado a lado em prol de uma situação vantajosa para todos – com melhor colaboração, gerando melhores dados e melhores resultados.

Vamos considerar como seria um relacionamento mais simbiótico e como, como parceiros, uma colaboração significativa pode beneficiar ambos os lados da equação da IA.

A relação necessária entre o homem e a máquina

A IA é, sem dúvida, excelente na análise de vastos conjuntos de dados e na automação de tarefas complexas. No entanto, a tecnologia permanece fundamentalmente limitada em pensar como nós. Primeiro, esses modelos e plataformas têm dificuldade em raciocinar além dos seus dados de treinamento. O reconhecimento de padrões e a previsão estatística não representam problema, mas o julgamento contextual e as estruturas lógicas que tomamos como certas são mais difíceis de replicar. Essa lacuna de raciocínio significa que a IA frequentemente vacila diante de cenários complexos ou de julgamentos éticos.

Em segundo lugar, há a qualidade dos dados do tipo "lixo que entra, lixo que sai". Os modelos atuais são treinados com base em vastos acervos de informações, com e sem consentimento. Informações não verificadas ou tendenciosas são usadas independentemente da devida atribuição ou autorização, resultando em IA não verificada ou tendenciosa. O "dieta de dados” de modelos é, portanto, questionável na melhor das hipóteses e disperso na pior. É útil pensar nesse impacto em termos nutricionais. Se os humanos só comem junk food, somos lentos e indolentes. Se os agentes consomem apenas material protegido por direitos autorais e de segunda mão, seu desempenho é igualmente prejudicado por resultados imprecisos, pouco confiáveis ​​e genéricos, em vez de específicos. Isso ainda está longe a tomada de decisão autônoma e proativa prometida na próxima onda de agentes.

Fundamentalmente, a IA ainda é cega em relação a quem e com o que está interagindo. Ela não consegue distinguir entre usuários alinhados e desalinhados, tem dificuldade em verificar relacionamentos e não consegue compreender conceitos como confiança, troca de valor e incentivos das partes interessadas – elementos essenciais que regem as interações humanas.

Problemas de IA com soluções humanas

Precisamos pensar em plataformas, ferramentas e agentes de IA menos como servos e mais como assistentes que podemos ajudar a treinar. Para começar, vamos analisar o raciocínio. Podemos introduzir novas estruturas lógicas, diretrizes éticas e pensamento estratégico que os sistemas de IA não conseguem desenvolver sozinhos. Por meio de estímulos ponderados e supervisão cuidadosa, podemos complementar os pontos fortes estatísticos da IA ​​com a sabedoria humana – ensinando-os a reconhecer padrões e a compreender os contextos que os tornam significativos.

Da mesma forma, em vez de permitir que a IA treine com qualquer informação que consiga extrair da internet, os humanos podem selecionar conjuntos de dados de maior qualidade que sejam verificados, diversos e de origem ética.

Isso significa desenvolver melhores sistemas de atribuição, onde os criadores de conteúdo sejam reconhecidos e recompensados ​​por suas contribuições ao treinamento.

Estruturas emergentes tornam isso possível. Por unindo identidades online sob uma única bandeira e decidindo se e o que se sentem confortáveis ​​em compartilhar, os usuários podem equipar modelos com informações de terceiros que respeitam a privacidade, o consentimento e as regulamentações. Melhor ainda, ao rastrear essas informações no blockchain, usuários e criadores de modelos podem ver de onde vêm as informações e compensar adequadamente os criadores por fornecê-las.novo óleo.” É assim que reconhecemos os usuários por seus dados e os incluímos na revolução da informação.

Por fim, preencher a lacuna de confiança significa equipar modelos com valores e atitudes humanas. Isso significa projetar mecanismos que reconheçam as partes interessadas, verifiquem relacionamentos e diferenciem entre usuários alinhados e desalinhados. Como resultado, ajudamos a IA a entender seu contexto operacional – quem se beneficia de suas ações, o que contribui para seu desenvolvimento e como o valor flui pelos sistemas dos quais participa.

Por exemplo, agentes apoiados por infraestrutura de blockchain são muito bons nisso. Eles podem reconhecer e priorizar usuários com comprovada adesão ao ecossistema por meio de reputação, influência social ou propriedade de tokens. Isso permite que a IA alinhe incentivos, dando mais peso às partes interessadas com participação ativa, criando sistemas de governança onde apoiadores verificados participam da tomada de decisões com base em seu nível de engajamento. Como resultado, a IA compreende melhor seu ecossistema e pode tomar decisões embasadas em relacionamentos genuínos com as partes interessadas.

Não perca de vista o elemento humano na IA

Muito se tem falado sobre a ascensão dessa tecnologia e como ela ameaça reformular indústrias e eliminar empregos. No entanto, a consolidação de barreiras pode garantir que a IA aprimore, em vez de anular, a experiência humana. Por exemplo, as implementações de IA mais bem-sucedidas não substituem os humanos, mas ampliam o que podemos realizar juntos. Quando a IA lida com análises de rotina e os humanos fornecem direção criativa e supervisão ética, ambos os lados contribuem com seus pontos fortes únicos.

Quando bem feita, a IA promete melhorar a qualidade e a eficiência de inúmeros processos humanos. Mas, quando mal feita, é limitada por fontes de dados questionáveis ​​e apenas imita a inteligência, em vez de exibi-la de fato. Cabe a nós, o lado humano da equação, tornar esses modelos mais inteligentes e garantir que nossos valores, julgamento e ética permaneçam em seu cerne.

A confiança é inegociável para que essa tecnologia se torne popular. Quando os usuários podem verificar para onde seus dados vão, ver como são usados ​​e participar do valor que eles criam, eles se tornam parceiros dispostos, em vez de sujeitos relutantes. Da mesma forma, quando os sistemas de IA conseguem alavancar stakeholders alinhados e pipelines de dados transparentes, eles se tornam mais confiáveis. Por sua vez, têm maior probabilidade de obter acesso aos nossos espaços privados e profissionais mais importantes, criando um mecanismo de melhor acesso aos dados e melhores resultados.

Portanto, entrando nesta próxima fase da IA, vamos nos concentrar em conectar homem e máquina com relacionamentos verificáveis, fontes de dados de qualidade e sistemas precisos. Devemos nos perguntar não o que a IA pode fazer por nós, mas o que nós podemos fazer pela IA.