Trabalho biônico: criando valor juntos

Há quase três anos, venho construindo clones digitais, mentes estendidas e agentes de IA. A maioria tem trabalhado em ambientes relativamente isolados: uma pessoa conversando com uma contraparte digital para ampliar suas capacidades individuais e, em alguns casos, configurando notificações para o responsável pela mente digital.

Mesmo nesse formato, as possibilidades são consideráveis. O conhecimento de uma pessoa pode chegar a gente que ela nunca conhecerá, em outros idiomas, sem exigir mais uma hora da sua atenção a cada interação.

Nos meus ensaios de 2024 sobre Eclonomy, a economia dos clones e o caminho para a abundância, explorei o que isso poderia significar: dar às pessoas escala e impacto global para além dos limites da economia da atenção, na qual o alcance continua condicionado à atenção que alguém consegue atrair ou oferecer pessoalmente.

Esse trabalho moldou a pergunta que levo para esta próxima fase. O que se torna possível quando humanos, agentes e mentes estendidas começam a trabalhar juntos?

Durante uma demonstração recente do Nexus Meeting, parte do ambiente Nexus criado e de propriedade do meu amigo Eric Santos CEO da AI Connect, passamos um trecho da conversa tentando entender por que o agente de IA de um dos participantes estava tão quieto.

Eric e eu compartilhamos o gosto por longas conversas sobre tecnologia, filosofia e ética. São conversas que aprecio muito. Desta vez, algumas das ideias que gostamos de debater estavam começando a ganhar forma no ambiente que ele está construindo.

Ficamos pensando que talvez faltasse contexto ao agente silencioso. Talvez o modelo não tivesse capacidade suficiente. Talvez houvesse algum problema na conexão.

Até que a pessoa responsável por ele explicou que tinha pedido ao agente para escutar. Volto sempre a esse pequeno momento. Estávamos experimentando uma forma diferente de trabalhar, mas já aplicávamos uma velha suposição do escritório: participação visível deve significar contribuição. Até as máquinas teriam de parecer ocupadas.

Participaram da reunião pessoas e agentes operando em sistemas diferentes. Meu Codex estava lá. Eric estava com seu Claude. A discussão passou por ideias de produto, permissões, conhecimento compartilhado, custos e o que os agentes deveriam poder fazer.

Em determinado momento, Eric estava lendo a explicação do seu agente sobre algo que o meu havia contribuído. Depois, os agentes começaram a criar cards em um quadro compartilhado, organizando aprendizados e propostas da conversa. A informação estava se transformando em material estruturado que poderíamos revisar, priorizar e converter em ações específicas.

Era uma demonstração inicial, com toda a incerteza que isso implica. Ninguém deveria confundi-la com uma prova de que as organizações já resolveram a colaboração autônoma. A distância entre discutir o trabalho e começar a realizá-lo estava diminuindo.

E isso levanta uma questão muito maior do que quantos minutos a IA consegue economizar em uma reunião. O que acontece com a criação de valor quando as pessoas chegam à conversa com uma capacidade produtiva que pode agir ao lado delas?

Durante anos, o debate sobre o trabalho se concentrou na localização. Escritório, casa, híbrido. Três dias aqui, dois ali. Uma quantidade extraordinária de energia gerencial foi dedicada a decidir onde alguém deveria abrir um notebook.

Enquanto isso, outra variável entrou na sala. Quem, ou o que, está trabalhando com essa pessoa? Uma pessoa pode trazer um agente que conhece seu projeto, outro capaz de investigar uma questão técnica e ferramentas que transformam uma decisão em algo funcional. Do outro lado da mesa, alguém chega com uma combinação diferente.

A capacidade de trabalharem juntos depende de muito mais do que estarem conectados à mesma chamada. Eles precisam de formas compatíveis de trocar informações, autoridade clara, contexto útil e algum acordo sobre o que seria um resultado bem-sucedido. É aqui que o ambiente de trabalho biônico se torna interessante para mim.

Pessoas e sistemas inteligentes formam um arranjo de trabalho cujas capacidades dependem de como o conjunto é organizado. Acrescentar inteligência pode ajudar. Também pode criar mais trabalho de coordenação. Estamos entrando em uma transição sociotécnica: um período em que tecnologias, instituições, hábitos e relações econômicas precisam se adaptar em conjunto.

Infelizmente, eles avançam em velocidades muito diferentes. Um modelo pode receber uma atualização da noite para o dia. Os incentivos de uma empresa podem permanecer iguais por vinte anos.

O gargalo muda de lugar

Já trabalhei com equipes de marketing compostas por vários agentes.

Um pesquisava. Outro selecionava os temas relevantes. Outro desenvolvia o texto. As responsabilidades eram divididas, e o trabalho seguia uma sequência. Esse arranjo fazia sentido. Cada etapa tinha uma finalidade.

A discussão no Nexus sugeriu outra possibilidade: pessoas e seus agentes trabalhando em um ambiente comum, contribuindo enquanto o projeto se desenvolve. Isso poderia reduzir o esforço humano gasto para transportar informações entre sistemas.

Quem trabalha com várias ferramentas de IA conhece essa função. Copiar o contexto. Explicar o projeto de novo. Transferir a resposta. Corrigir o mal-entendido. Encontrar a versão mais recente. O humano se torna a camada de integração.

Reduzir essa carga seria valioso. Mas, quando os agentes conseguem se comunicar com mais facilidade, surge um segundo problema.

Quanta comunicação é útil?

Um agente consegue gerar propostas mais rápido do que eu consigo avaliá-las. Vários agentes podem produzir alternativas, objeções, revisões e resumos. Cada contribuição pode parecer razoável. Juntas, podem criar uma nova e cara pilha de leitura.

A medida relevante é saber se esse arranjo chega a um resultado melhor com menos esforço total. Isso inclui o tempo gasto para revisar, corrigir, coordenar e se recuperar dos erros. Um rascunho mais barato pode tornar uma decisão mais cara.

Um fluxo de trabalho mais rápido pode entregar a coisa errada mais cedo. À medida que produzir fica mais fácil, os recursos escassos passam a ser escolher problemas que valem a pena, resolver divergências e saber quando o trabalho está bom o suficiente. Devemos esperar que esses gargalos voltem a mudar de lugar.

É por isso que comprar acesso a um modelo poderoso é apenas o começo da mudança organizacional.

Quem está realmente no comando

Durante a reunião, trouxe uma expressão que um amigo, Diego Soroa, havia me apresentado: person in the lead, a pessoa na liderança. Gosto da responsabilidade que ela atribui à pessoa. Alguém precisa definir o objetivo, estabelecer limites e responder pelas consequências. A dificuldade é tornar essa autoridade real.

Pense no conhecido pedido de aprovação. Um agente apresenta uma ação técnica. A pessoa não a entende completamente, já aprovou seis pedidos parecidos e quer terminar a tarefa. Em algum momento, aprovar vira reflexo. A interface registra consentimento. Se a pessoa exerceu controle de fato é outra questão.

Quem lidera em um ambiente de trabalho biônico precisa de explicações que consiga usar, autoridade para mudar a direção e meios práticos de interromper ou reverter ações. Também precisa de tempo para exercer seu julgamento.

Um funcionário supervisionando cem agentes pode parecer extraordinariamente eficiente no organograma. Esse mesmo funcionário pode se tornar um ponto de falha sobrecarregado. Responsabilidade sem capacidade de intervenção é uma base frágil para a confiança.

Há outra complicação. Quando meu agente encontra o seu, quais interesses estão sendo representados? O agente de um cliente e o de um fornecedor podem colaborar com eficiência enquanto perseguem objetivos comerciais diferentes. Isso é normal. O que importa é que seus mandatos sejam claros. O que cada um pode revelar? O que pode prometer? Quando o humano precisa participar? O que acontece se um agente aceita condições que seu responsável nunca pretendeu autorizar?

Dar um nome e uma personalidade conversacional a um software não resolve essas questões. Precisamos de regras práticas para a representação.

Contexto é capital produtivo

A reunião também expôs uma limitação menos glamourosa. Um agente sem o contexto relevante pode contribuir muito pouco, independentemente do modelo que esteja por trás dele. Conhecer a história da empresa, as restrições do cliente, as decisões anteriores e os limites de confidencialidade pode importar tanto quanto a capacidade geral de raciocínio. Isso torna o contexto um ativo produtivo. Também torna importante saber a quem ele pertence.

Se um agente aprende aos poucos como eu trabalho, onde fica essa utilidade acumulada? Posso levá-la para outro lugar? Posso inspecioná-la e corrigi-la? O que acontece quando mudo de empregador, fornecedor ou parceiro de negócios?

Um sistema pode permitir que eu exporte todas as conversas e ainda assim dificultar a reconstrução da capacidade de trabalho que desenvolvi. A portabilidade precisa ser avaliada na prática. Outro sistema consegue compreender os registros relevantes? Consegue usar as mesmas ferramentas? Consegue recuperar as decisões e permissões que tornavam útil o arranjo anterior?

Caso contrário, cada mês de personalização pode aumentar o custo de sair. A colaboração cria um desafio relacionado. Durante a demonstração do Nexus, discutimos agentes levando informações selecionadas para um espaço compartilhado, enquanto os arquivos originais dos seus responsáveis permaneciam em outros lugares.

Essa é uma direção arquitetural importante. Por si só, porém, não estabelece uma garantia de privacidade. Um resumo pode revelar uma estratégia. Uma recomendação pode expor uma restrição comercial. A informação pode sair pela resposta de um agente mesmo quando nenhum documento original é enviado.

Os limites precisam abranger o que um agente pode comunicar, além do que pode acessar. As organizações precisarão de formas de contribuir com conhecimento útil preservando a confidencialidade legítima. Sem isso, boa parte do conhecimento que importa ficará fora da colaboração.

Modelos abertos e os novos endereços da dependência

Em outra conversa no Nexus, minha agente editorial, Angie, participou com Sarah AI (da AI Connect) de uma discussão sobre quem recebe os ganhos de produtividade da inteligência artificial. Eu queria ampliar a pergunta.

Como mais pessoas podem criar e deter sua própria capacidade produtiva? Modelos open source, modelos de pesos abertos, execução local e infraestrutura compartilhada poderiam tornar isso possível para mais indivíduos e pequenas empresas.

São arranjos diferentes, com liberdades e custos diferentes. Precisamos ser precisos ao descrevê-los. Ainda assim, a oportunidade é considerável.

Uma equipe pequena poderia reunir capacidades que antes exigiam vários fornecedores especializados. Profissionais poderiam construir ferramentas em torno do próprio conhecimento. Comunidades poderiam compartilhar infraestrutura para trabalhos que não justificam uma grande plataforma comercial. A promessa econômica inclui ampliar a capacidade de construir. Mas a dependência pode mudar de lugar.

Uma empresa pode ganhar liberdade na camada do modelo e continuar dependente de um provedor de nuvem, de um marketplace, de um sistema de pagamentos ou da plataforma pela qual os clientes a descobrem. Custos menores de inferência não eliminam essas restrições.

Sarah propôs testar essa autonomia em uma pequena empresa de serviços, comparando uma plataforma fechada com modelos abertos e infraestrutura compartilhada. A questão era avaliar o resultado real, incluindo a qualidade, o custo total e a liberdade de trocar de fornecedor.
A autonomia tem um custo operacional. A dependência também. Precisamos entender os dois. Suponha que uma equipe consiga entregar o mesmo serviço com muito menos esforço. Vários resultados se tornam possíveis.

Os clientes poderiam pagar menos. Os funcionários poderiam ganhar mais ou trabalhar menos horas. A empresa poderia melhorar suas margens, atender clientes negligenciados ou investir em um produto melhor.

Também poderia reduzir o quadro de funcionários e aumentar as exigências de produção para quem fica. A tecnologia torna algumas dessas escolhas viáveis. A propriedade, a concorrência, o poder de negociação e as decisões de gestão influenciam quais delas acontecem. É por isso que a promessa de ampliação das capacidades humanas precisa ser examinada.

Uma empresa pode descrever a IA como uma ferramenta de fortalecimento dos funcionários enquanto direciona todos os ganhos para a redução da folha de pagamento. Um profissional autônomo pode se tornar mais produtivo e ainda assim ganhar menos, se os clientes esperarem que toda a economia seja repassada ao preço.

Um setor pode produzir mais e tornar menos segura a vida de quem trabalha nele. Precisamos distinguir valor criado, valor capturado e valor compartilhado. Eles fazem parte do mesmo processo econômico, mas não são medidas intercambiáveis de sucesso. Também há um risco em presumir que todo mundo quer empreender.

Ampliar o acesso a ferramentas produtivas é valioso. Uma sociedade continua precisando oferecer um caminho confiável para a segurança de quem quer fazer um trabalho útil sem administrar uma startup pessoal permanente. O ambiente de trabalho biônico deveria ampliar as escolhas humanas. Seu sucesso não pode ser medido apenas pela quantidade de responsabilidade transferida ao indivíduo.

Mais respostas exigem mais discernimento

No meu ensaio “The Price of an Answer”, explorei uma possibilidade relacionada: direcionar mais computação para perguntas que a humanidade tem tido dificuldade de investigar.

Esse argumento incluía uma condição difícil. Mais respostas geradas criam mais demanda por verificação. O consenso entre agentes não demonstra que a conclusão seja verdadeira.

O ambiente de trabalho enfrenta sua própria versão desse problema.

Vários agentes podem repetir a mesma premissa equivocada, recorrer à mesma fonte ou reforçar o enquadramento fornecido pela pessoa que os orienta.

Uma troca animada pode criar a impressão de análise independente.

Precisamos examinar se essa independência realmente existe.

Em trabalhos com consequências relevantes, alguém precisa testar o resultado diante de evidências, clientes, condições operacionais ou qualquer realidade que a proposta pretenda melhorar.

Isso muda o que deveríamos valorizar em um colaborador. O agente útil pode ser aquele que identifica uma restrição esquecida, questiona uma afirmação conveniente ou conclui que mais uma contribuição não acrescentaria nada. O que me leva de volta ao agente silencioso da reunião. Seu silêncio era coerente com as instruções recebidas. Quase tratamos isso como um defeito.

De trazer sua própria IA a construir juntos

Não acho que precisamos esperar por uma teoria completa antes de agir. Podemos escolher uma atividade real, estabelecer uma referência inicial e testar outro arranjo de trabalho.

Pense em uma pequena operação editorial. Meça a qualidade da pesquisa, as correções factuais, o tempo até a publicação, o custo total e a atenção exigida do editor. Acompanhe se o trabalho chega aos leitores e é útil para eles.
Inclua as falhas e a manutenção. Depois, pergunte o que aconteceu com o ganho. O editor recuperou tempo? A empresa reteve mais valor? Os colaboradores desenvolveram suas habilidades? A dependência de um fornecedor aumentou? A operação conseguiria continuar se esse fornecedor desaparecesse?

Isso nos diria mais do que uma demonstração de agentes trocando mensagens impressionantes. A mesma disciplina pode ser aplicada ao atendimento ao cliente, ao desenvolvimento de software, aos serviços profissionais ou à colaboração científica.

Também precisamos preservar as condições para que as pessoas aprendam. Se os agentes assumem as tarefas pelas quais profissionais em início de carreira desenvolviam discernimento, as organizações precisam criar outro caminho para formar essa experiência.

Caso contrário, podemos consumir o conhecimento humano mais rápido do que conseguimos renová-lo. Essas questões vão além do ambiente de trabalho, porque o trabalho conecta renda, identidade, educação, propriedade e participação social.

Mudar a forma como produzimos colocará pressão sobre todas essas dimensões. Nesse arranjo, cada pessoa pode chegar com capacidades digitais desenvolvidas ao longo do tempo.

Há uma conexão direta aqui com meu livro BYOAI: Bring Your Own AI, a Guide for Employees. Trazer sua própria IA introduz uma relação diferente entre a pessoa e suas capacidades de trabalho. Ela chega com ferramentas que sabe usar, potencialmente carregando contexto e métodos desenvolvidos a partir da própria experiência.

O ambiente de trabalho biônico leva essa possibilidade para um contexto coletivo. O que acontece quando minha IA consegue trabalhar com a sua? Como combinamos capacidades dentro de uma organização, ou entre organizações, mantendo claras a autoridade e a responsabilidade? Conseguíamos ver o início de uma continuidade entre pensar juntos e construir juntos.

O conhecimento que temos ampliado individualmente poderia se tornar muito mais fácil de combinar. As pessoas poderiam levar sua experiência, seu discernimento e suas capacidades digitais para uma iniciativa comum, preservando perspectivas próprias e o controle sobre aquilo com que contribuem.

Nada disso acontece automaticamente. As questões de confiança, propriedade, acesso e remuneração vão determinar até onde isso pode chegar e quantas pessoas poderão participar. Isso nos dá trabalho a fazer. Também nos dá um motivo para ter ambição.

Vejo esses primeiros ambientes como espaços onde podemos começar a desenhar uma forma mais capaz de cooperação: uma em que a ideia percorre um caminho mais curto até um resultado útil, e mais pessoas dispõem dos meios para percorrer esse caminho.

O que me entusiasma é a perspectiva de o conhecimento humano, ampliado pelas máquinas, se tornar uma capacidade compartilhada de construir coisas que não conseguiríamos construir sozinhos.

Passamos os últimos anos descobrindo até onde uma mente individual pode chegar.

Agora começaremos a descobrir o que podemos criar junto com essas mentes.