#FLAGvox | Porque prompt não é estratégia

Saber escrever bons prompts é útil, mas não é uma estratégia de IA. O prompt engineering melhora a forma como trabalhamos com modelos generativos. Obriga-nos a explicitar objetivos, fornecer contexto, definir critérios e pensar melhor sobre aquilo que estamos a pedir. É uma competência que vale a pena desenvolver e que continuará a ser relevante.

Mas convém perceber até onde ela nos leva. Uma empresa pode formar centenas de pessoas em prompt engineering e continuar a trabalhar praticamente da mesma maneira. Os emails ficam melhores. As pesquisas demoram menos. As apresentações aparecem mais depressa. Os documentos começam com uma primeira versão mais aceitável.

Tudo isto tem valor e produz ganhos reais de produtividade. No entanto, produtividade e transformação não são sinónimos.

Se um processo tem sete etapas desnecessárias, usar IA em três delas não resolve o problema.

Se produzimos um relatório que ninguém usa, passar de três horas para vinte minutos a produzi-lo é uma melhoria bastante relativa.

Se uma decisão continua dependente de informação dispersa, validações sucessivas e critérios pouco claros, talvez não seja o prompt que precise de ser melhorado. Talvez seja o workflow.

É esta discussão que me interessa mais na adoção de IA nas empresas. Estamos muito focados em ensinar pessoas a utilizar novas ferramentas e ainda pouco focados em questionar a forma como o trabalho está desenhado.

Num departamento de marketing, por exemplo, gerar dez versões de copy com IA é um caso de uso óbvio. Mas há perguntas mais interessantes. Como fazemos pesquisa antes de uma campanha? Como construímos um briefing? Que informação usamos para segmentar? Como confrontamos diferentes fontes? Como testamos uma proposta de valor? O que deve ser produzido por uma pessoa, o que pode ser feito com IA e onde é indispensável validação humana?

Responder a estas perguntas exige muito mais do que saber escrever uma boa instrução. Exige conhecer o negócio e a função. Saber formular problemas. Perceber onde está o desperdício. Distinguir uma resposta plausível de uma resposta sólida. Saber o que deve ser delegado à máquina e aquilo que não deve ser delegado.

E exige, acima de tudo, uma coisa ainda mais básica, saber o que queremos.

A IA consegue produzir muito por nós. Mas alguém continua a ter de saber o que pretende obter e porquê.

Podemos pedir-lhe uma estratégia, uma análise de mercado, um plano comercial ou uma proposta de campanha. E, em poucos segundos, teremos algo com aspeto convincente. Mas se não soubermos reconhecer uma boa estratégia, avaliar uma análise ou perceber o que torna uma campanha relevante, aumentámos sobretudo a nossa capacidade de produzir mediocridade a grande velocidade.

A IA amplifica e acelera aquilo que lhe damos. Isso é extraordinário quando existem conhecimento, contexto e critérios. E bastante menos extraordinário quando tal não se verifica.

Um profissional competente, com contexto e bons critérios, consegue fazer mais e melhor. Alguém que não domina o problema consegue certamente produzir mais, mas não é garantido que produza melhor.

É também por isso que o prompt engineering deve ser tratado como parte de uma competência profissional mais ampla. Não como um conjunto de truques para obter respostas melhores, mas como uma forma mais estruturada de trabalhar com IA dentro de um processo que continua a exigir conhecimento, decisão e julgamento.

À medida que os modelos interpretam melhor linguagem natural, decorar fórmulas de prompting será menos diferenciador. Saber dar contexto, fazer boas perguntas, decompor um problema, testar respostas e avaliar o resultado, isso, sim, continuará a sê-lo.

Fazer as mesmas tarefas mais depressa tem o seu valor. Porém, é também indicativo de que ainda há muito trabalho por fazer.

Artigo de Opinião em: +M  | Texto de: Gabriel Augusto