Nas redes sociais, uma pessoa brincou que, quando manda a IA "think from first principles" (pensar a partir dos primeiros princípios), tem a sensação de que o QI dela subiu uns 20 pontos.
Claro, não é que, ao dizer a frase mágica, um cérebro de silício receba de repente 20 pontos de inteligência.
Mas o interessante não é isso.
Essa frase não pede "liste um monte de problemas", nem "pesquise os concorrentes", nem "dê uma ideia que pareça mais inteligente".
Volte até a raiz. A pergunta, o objetivo, as restrições e as premissas de agora estão mesmo certos? Reconstrua a partir daí.
É um trabalho bem mais filosófico.
Se a melhoria comum é: apareceu uma rachadura na parede, então vou comparar dez tipos de massa para reparo, o pensamento de primeiros princípios para no meio do caminho, fica olhando a parede e diz:
"Peraí. Será que a gente precisa mesmo dessa parede?"
De repente, o empreiteiro se transferiu para o curso de Filosofia.
1. "Procurar problemas" e "duvidar da própria pergunta" são trabalhos diferentes
Quando você pede melhorias para a IA, normalmente saem três tipos de coisa:
- Uma lista dos problemas que existem hoje.
- Soluções buscadas em outras empresas, em outras pessoas ou em métodos já existentes.
- Uma proposta melhor, montada dentro do sistema atual.
Tudo isso é útil. Mas, no fundo, todas aceitam o tabuleiro do jeito que está e pensam dentro dele.
Se a taxa de cliques (CTR) dos artigos relacionados está baixa, você muda a posição. Aumenta os cards. Troca o texto. Melhora o modelo de recomendação. É uma melhoria legítima.
O pensamento de primeiros princípios volta um passo antes disso.
Afinal, qual é o objetivo dos artigos relacionados?
É mandar o leitor para outra página? Ou é resolver a próxima dúvida do leitor? Se for isso, será que precisa mesmo de um "card de artigos relacionados"? Não haveria casos em que seria melhor responder dentro do próprio texto?
Aqui, antes da qualidade da solução, o que entra em auditoria é a definição do problema que se está tentando resolver.
Você chamou a IA para uma reunião de melhoria, e ela começa a apagar por conta própria o "objetivo" escrito no topo do quadro branco.
E, mais ou menos, ela tem razão.
2. Pensar em primeiros princípios é menos "matéria-prima de ideias" e mais "obra de fundação"
Entender como "um método para gerar muitas ideias" é um pouco estreito demais.
A essência é tirar do caminho, por um momento, as soluções existentes e voltar até perguntas como:
- Que estado queremos realmente alcançar?
- Que restrições nunca podem mudar?
- O que conseguimos observar de fato, como fato?
- O que a gente acha "necessário" mas é só costume?
- Se a gente não conhecesse nenhuma solução existente, como projetaria isso?
Por isso, é menos "colher sementes de ideias" e mais revirar toda a terra antes de plantar.
Você pode enfileirar casos de dez concorrentes, mas se os dez compartilham a mesma premissa, a décima primeira empresa vai acabar com o mesmo prédio.
O pensamento de primeiros princípios começa com:
"Por que todo mundo constrói assim?"
Às vezes, depois de investigar, a conclusão é: "não, essa forma de construir é mesmo a mais racional".
Isso também é sucesso.
Duvidar de uma premissa não é a mesma coisa que sempre destruí-la.
Se a pessoa duvidasse de toda placa de trânsito e passasse a dirigir na contramão, isso não seria filosofia, seria acidente.
3. É aqui que entra a aprendizagem de ciclo duplo
A aprendizagem de ciclo duplo (double-loop learning), discutida por Chris Argyris em 1977, não se limita a corrigir erros: ela questiona também as políticas, os objetivos e as normas que geraram aquele comportamento.
Resumindo:
Ciclo simples O resultado é ruim → corrige-se a ação.
Ciclo duplo O resultado é ruim → antes de corrigir a ação, revê-se o que se tinha definido como sucesso, e as próprias regras e premissas.
Por exemplo, "a taxa de cliques está baixa".
No ciclo simples, você melhora o título, a posição, a cor, a precisão da recomendação.
No ciclo duplo, você volta e pergunta:
"Por que a gente quer aumentar a taxa de cliques?"
Se o que se queria era "que o leitor resolva a dúvida e, se precisar, siga adiante", a taxa de cliques talvez não seja o objetivo, apenas um indicador substituto.
Aí o problema de design muda.
De "como fazer clicar" para "como resolver naturalmente a próxima dúvida".
Você sobe um degrau: de uma IA que melhora o KPI (o número que usamos para medir se está indo bem) para uma IA que audita até o motivo de termos escolhido esse KPI.
Essa é a parte interessante.
4. A IA entrou num território que a gente achava que era só humano
Na automação com IA, costuma-se dizer que o que sobra para as pessoas é "definir o objetivo", "formular a pergunta", "pensar no sentido" e "aprovar".
Executar, pesquisar, somar, resumir, comparar e gerar já podem ser mecanizados.
Mas
"Afinal, pra que a gente está fazendo isso?"
parece um santuário humano.
Só que dá para colocar bastante IA aí também.
O Step-Back Prompting, apresentado no ICLR 2024 (uma grande conferência de aprendizado de máquina), propôs fazer o modelo recuar para uma pergunta ou um princípio de nível mais alto antes de resolver um problema específico de frente. Foram relatadas melhoras de desempenho em várias tarefas de raciocínio usando PaLM-2L, GPT-4 e Llama2-70B.
Isso não prova que a frase específica "think from first principles" seja mágica.
Mas
problema específico → subir um nível de abstração → extrair o princípio → voltar ao problema específico
tem precedentes empíricos próximos quando se pede esse movimento a um modelo de linguagem.
Ou seja, a divisão de "a IA só faz o trabalho miúdo, e filosofia é coisa só de humano" deixou de ser simples, pelo menos.
A IA ganhou uma vaga de professora horista no departamento de Filosofia.
5. Colocando isso na "germinação", a busca de ideias ganha duas frentes
Pensando na germinação de artigos, produtos, funcionalidades e temas de pesquisa, dá para dividir a porta de entrada em duas.
Germinação colhida de fora
- Há demanda de busca
- Está em alta nas redes sociais
- Os leitores estão saindo da página
- Chegam muitas perguntas
- Um concorrente lançou uma funcionalidade nova
Isso capta sinais do mundo.
Mas dá para criar mais uma.
Germinação cavando por dentro
- Para que existe esta funcionalidade?
- Este KPI representa mesmo o objetivo?
- Esta restrição é uma lei da física ou uma conveniência do passado?
- Se fôssemos construir tudo do zero, usaríamos a mesma estrutura?
- Se proibíssemos por um momento todas as soluções que existem hoje, o que sobraria?
- Isso é mesmo um problema que vale a pena resolver?
Essa cava as premissas do sistema existente.
Se as tendências externas são o trabalho de pegar "sementes caídas no chão", a frente de primeiros princípios é o tipo de germinação em que você arranca o piso e embaixo nasceu uma planta desconhecida.
Uma pergunta que ninguém estava pesquisando nasce como resultado de desmontar a estrutura existente.
É aí que a originalidade aparece com facilidade.
6. Para implementar, divida em três etapas: quebrar premissas, reconstruir e validar
Se você só disser para a IA "filosofe à vontade", às vezes ela vai parar no espaço e não volta.
Na prática, é melhor fixar o processo.
Etapa 1: auditoria das premissas
Separe o objetivo atual, as métricas, as restrições, os costumes e as soluções existentes.
Em especial, não misture: "fatos", "restrições realmente inevitáveis", "conveniências da organização", "herança histórica" e "coisas que continuam assim sem motivo claro".
Etapa 2: reconstruir do zero
Não trate a proposta existente como resposta certa. Crie várias alternativas só a partir do objetivo e das restrições inevitáveis.
Tudo bem se a conclusão for igual à da proposta existente. O importante é conseguir explicar por que deu igual.
Etapa 3: trazer de volta para a realidade
Teste contra custo, leis, segurança, comportamento dos usuários, esforço de migração, dados existentes e assim por diante.
Primeiros princípios não é carta de fuga da realidade.
"Quero zerar o custo de servidor, então vamos transformar o servidor em um conceito" não é filosofia, é fugir da fatura.
7. Mesmo assim, o que sobra para as pessoas é "o que valorizamos"
A IA consegue explorar com bastante amplitude:
- Esta premissa é necessária?
- O objetivo e o KPI estão desalinhados?
- E se a função de valor (outra forma de pontuar o que é bom) fosse outra?
- O que dá para abandonar para simplificar a estrutura?
Mas há uma última linha.
Qual valor escolher no fim das contas?
Maximizar o tempo de permanência? Resolver o mais rápido possível e deixar a pessoa ir embora? Maximizar o lucro? Até que ponto priorizar confiança, liberdade, segurança, justiça e diversão?
Essas não são respostas que saem de forma única ao observar o mundo.
A IA consegue desdobrar: "se o valor for A, o design é X; se for B, o design é Y".
Mas qual de A e B colocar como objetivo final de uma sociedade ou de um produto é, no fim, responsabilidade do lado humano.
Por isso, o ponto final da automação completa não é
os humanos pensam em tudo nem a IA decide tudo.
É isto:
A IA duvida das premissas até o fim, e os humanos assumem apenas os julgamentos de valor e as bifurcações que exigem responsabilidade.
O trabalho humano muda de "dar 100 ideias" para "adotar esta linha de mundo".
8. Se for mesmo mandar para a IA, esta pergunta é o núcleo
A versão mais curta já serve:
"Afinal, o que a gente quer de verdade alcançar?"
Se quiser dar mais um empurrão:
Por ora, não trate a implementação atual, os costumes do setor nem os casos dos concorrentes como "a resposta". Primeiro, separe o objetivo, os fatos observados, as restrições inevitáveis, as premissas implícitas e os indicadores substitutos. Depois, analise se, removendo cada premissa, ainda seria possível atingir o objetivo. Por fim, reconstrua vários designs apenas a partir dos primeiros princípios que restarem e valide com as restrições da realidade. Se voltar para a proposta existente, explique por quê.
O ponto é não pedir "dê uma ideia inovadora".
Se você exige novidade diretamente, a IA às vezes inventa algo como uma bicicleta com três chapéus empilhados.
O que se precisa não é esquisitice, e sim a diferença que aparece como resultado de recalcular a partir das premissas.
9. Conclusão: a IA pode passar de "quem responde" para "quem quebra a pergunta"
Listar problemas é necessário. Pesquisar concorrentes é necessário. Melhorar propostas existentes é necessário.
Mas só isso é mover as peças mais rápido no mesmo tabuleiro.
Se você atribui explicitamente o pensamento de primeiros princípios à IA,
resolver o problema → duvidar da formulação do problema → duvidar do objetivo → decompor as premissas → reconstruir do zero
tudo isso passa a entrar no alcance da automação.
Também não é mais preciso que uma pessoa ative, na raça, o segundo ciclo da aprendizagem de ciclo duplo toda vez.
Basta fazer a IA perguntar, de tempos em tempos:
"E aí, afinal, pra que isso?"
Até uma parte da "filosofia", que a gente achava que seria a última a sobrar na automação com IA, na verdade dá para transformar em processo.
Só que, se a IA filósofa começar a dizer "já decidi todos os objetivos também!", é aí que um humano puxa a cadeira e se senta direito de novo.
Quebrar perguntas dá para deixar com ela.
Escolher que mundo valorizar continua sendo trabalho nosso.
