Quando comecei a usar o Slack profissionalmente, reparei em quanto do meu dia ia para decidir o que ignorar.
A comunicação tinha-se tornado um processo a tempo inteiro a correr em segundo plano. Mensagens no Slack, threads, reações, email, documentos partilhados e reuniões no Zoom tornaram mais fácil chegar às pessoas. Também criaram mais sítios para verificar, mais conversas para acompanhar e mais decisões a chegar ao longo do dia.
Às vezes parecia que trabalhava num escritório onde, de dez em dez minutos, alguém se levantava e gritava qualquer coisa para todos os outros. Cada interrupção podia ser útil para alguém. Todos os outros tinham, mesmo assim, de gastar um bocadinho de atenção a decidir se aquilo lhes dizia respeito.
A IA generativa não criou esse ruído. Industrializou-o.
Nos últimos dois anos, o custo de produzir uma mensagem, um documento, uma apresentação ou um bocado de código plausível caiu a pique. Agora juntem-se agentes capazes de processar informação e gerar novos artefactos sem ninguém a ver. Cada pessoa consegue produzir mais, cada equipa consegue pedir mais e cada sistema consegue reportar mais.
A nossa capacidade de prestar atenção não mudou nada. Herbert Simon viu os contornos disto em 1971: a riqueza de informação cria pobreza de atenção.
Do sinal-ruído ao ruído-valor#
Costumamos descrever isto como um problema de sinal-ruído. Isso deixa de fora uma coisa importante.
Uma mensagem pode ser relevante, bem escrita, dirigida a mim, e mesmo assim não ter valor nenhum. Um documento pode ser rigoroso e bem acabado sem mudar uma única decisão. O código pode funcionar e ser, ainda assim, a coisa errada para acrescentar a um produto.
Sinal é o que parece relevante. Valor é o que muda aquilo que eu percebo, decido ou faço.
Os dois costumavam andar mais próximos. Escrever um documento ponderado levava tempo, por isso o esforço por trás dele era pelo menos algum indício de que importava. Esse filtro nunca foi perfeito, mas existia. Hoje, produzir uma coisa bem acabada pode levar um prompt. Pode ter valor a sério, ou nenhum. A aparência de esforço já não me diz grande coisa sobre o valor que está por baixo.
Por isso, a medida que me interessa é um rácio ruído-valor: quanto é que uma pessoa tem de atravessar por cada coisa que muda o que percebe, decide ou faz. A IA aumenta o primeiro número de graça. O segundo depende do critério humano, que não ficou mais rápido.
O gargalo passou da produção para o consumo. Conseguimos gerar mais do que alguém consegue rever de forma responsável.
Duas formas de baixar o rácio#
Uma resposta é abrandar. Nenhuma equipa que queira manter-se competitiva o vai fazer.
A outra é trabalhar nos dois lados do rácio: ficar melhor a encontrar o valor naquilo que me chega, e ser intencional quanto ao que acrescento para todos os outros.
As duas coisas importam sobretudo onde as pessoas decidem em conjunto o que construir, como abordar o problema e porquê. Essas decisões assentam em coisas que um modelo não tem. Nunca se irritou com uma UI. Se essa conversa se enche de material gerado, as vozes humanas lá dentro ficam mais difíceis de ouvir, e são elas a razão de a conversa existir.
O razoável é mais difícil de filtrar do que o mau#
O material difícil não está obviamente estragado. O spam é fácil de rejeitar. Um mau documento denuncia-se a si próprio. Muito do que agora se produz é razoável: coerente, relevante q.b. e com formatação profissional.
O trabalho razoável continua a consumir atenção. Alguém tem de ler o documento, rever o pull request, verificar o resumo ou decidir se a recomendação importa. O custo de produção desapareceu, mas o custo de revisão passou para outra pessoa. Investigadores que escreveram na Harvard Business Review deram um nome a isto, workslop: trabalho gerado por IA que parece acabado e deixa o esforço a sério para quem o recebe.
Vejo o mesmo efeito com os meus próprios agentes. Um ponto de situação pode estar correto e mesmo assim não me dizer nada que eu precise de saber. Uma tarefa concluída pode criar mais um documento para rever. Uma notificação pensada para provar que houve trabalho útil pode tornar-se, ela própria, mais trabalho.
A falha habitual é mais discreta do que afogar-se: ler tudo na diagonal, mudar de contexto constantemente e não dar a nada a atenção que merece.
Enquanto leitor: proteger a atenção e depois deixar a IA ordená-la#
Começo por uma coisa que não tem nada a ver com IA. Reservo tempo para deep work. Tudo o que exige compreensão, invenção ou uma decisão difícil precisa de espaço, sem uma transmissão em direto a correr ao lado.
As mensagens continuam a acumular-se, e eu processo-as em lotes. Ler vinte atualizações de uma vez custa muito menos do que ser interrompido vinte vezes, apesar de o volume ser idêntico. Um estudo sobre trabalho interrompido concluiu que as pessoas compensam trabalhando mais depressa, e pagam-no em stress e frustração.
A IA é parte da causa, mas é também a única forma prática que encontrei de processar parte do volume que daí resulta.
No trabalho, a IA pode ajudar a identificar as mensagens que talvez exijam ação. Leio essas primeiro. Continuo a passar os olhos por tudo o resto, porque estar a par é mais do que uma lista de tarefas. O contexto, os sinais fracos e aquela coisa que o filtro de vez em quando percebe mal continuam a importar.
Estou a usar a IA para ordenar a minha atenção, não para a entregar. O filtro aprende o que costuma importar, mas o responsável pelo que me escapa continuo a ser eu.
No trabalho repetível, não me importo de ir mais longe. Se uma coisa funciona como um relógio, automatiza-se. Se o processo é conhecido, os inputs são claros e os erros são baratos de detetar ou de reverter, delegar por completo pode chegar.
Tudo o que fica fora dessa categoria precisa de critério.
Enquanto produtor: trabalho ponderado em vez de produção descartável#
O outro lado do rácio é aquilo que eu lhe acrescento. Usar IA em trabalho que precisa de critério não é pedir uma resposta e aceitá-la.
Quando a uso para escrever um documento com substância, começo por decidir o que estou a tentar dizer. Defino a estrutura, dou o contexto relevante e explico o objetivo. Depois gero uma secção, edito-a eu, ponho-a em causa, acrescento o contexto que falta e repito.
O mesmo vale para o código. Um agente consegue produzir uma implementação depressa, mas continuo a ter de decidir se a funcionalidade deve existir, se a abordagem tem lugar no sistema e se o resultado é fácil de manter. Testes a passar só respondem a parte disso.
Saber se foi uma IA ou uma pessoa a escrever uma coisa diz-me pouco. O que importa é se é produção descartável ou trabalho ponderado, e é da produção descartável que vem a maior parte do ruído.
A IA pode participar em trabalho ponderado. Consegue questionar, rascunhar, comparar e rever a uma velocidade que eu não acompanho. Mas o valor vem do ciclo: estrutura, contexto, geração, revisão, edições à mão e mais uma passagem. A minha cabeça vai para as partes que não funcionam como um relógio.
Enviar menos às pessoas#
Há uma armadilha óbvia em usar IA para resumir todo o material que a IA nos ajudou a criar. Filtrar melhor pode tornar o volume suportável sem nunca se questionar porque é que o volume existe.
A produção total pode continuar a crescer. O que tem de encolher é a parte dela que é apontada a pessoas. Nem todas as atualizações precisam de ser enviadas. Nem todas as ideias precisam de um documento. Nem todo o código que funciona precisa de se tornar uma funcionalidade. Antes de pedir à IA para resumir um artefacto, vale a pena perguntar se o artefacto precisava de existir.
Quem produz deve suportar parte do custo de quem consome. Tudo o que é entregue a outra pessoa, por uma pessoa ou por um agente, deve dizer o que mudou, porque é que importa e que decisão é precisa. Se não consigo responder a essas três perguntas, o artefacto provavelmente não está pronto para ser enviado, e talvez nem precise de existir. Os meus agentes trabalham agora com a mesma regra: a monitorização de rotina fica calada quando não há nada sobre o qual agir. Às vezes a atualização certa é o silêncio.
As equipas adotaram as ferramentas e mantiveram o processo#
A maior parte da forma como as equipas de produto trabalham foi desenhada quando produzir coisas era caro. Uma spec levava uma semana a escrever, por isso chegavam poucas specs para rever. Um protótipo levava um sprint, por isso primeiro discutia-se se valia a pena construí-lo. O custo funcionava como um limite de débito, e o processo dependia dele.
Esse limite desapareceu. Toda a gente consegue gerar um documento e toda a gente consegue gerar código, mas a reunião de revisão, a cadeia de aprovação e o número de pessoas que podem tomar a decisão são os mesmos de antes. Adotámos as ferramentas e mantivemos a organização.
Não tenho a nova estrutura resolvida. Acho que começa por tratar a atenção de quem decide como o orçamento à volta do qual se planeia tudo o resto: menos artefactos apontados a pessoas, grupos mais pequenos a tomar decisões e uma resposta clara sobre quem precisa de ver o quê.
A atenção é agora o limite a sério. As equipas que se vão sair bem são as que protegerem critério suficiente para encontrar o valor dentro do volume.
Nada disto é um argumento a favor ou contra a IA. Uso-a todos os dias para pensar, criar e atravessar o ruído. Mas as decisões que importam continuam a ser tomadas por pessoas a falar umas com as outras, com atenção finita e um critério que leva tempo. Quero que estas ferramentas abram espaço para essa conversa, para estarmos presentes nas partes que importam.
