- Reação - Tendências da IA - 6 min read
O que aconteceu
Em Andrej Karpathy - antigo diretor da Tesla AI e cofundador da OpenAI - publicou pesquisa automática no GitHub, uma estrutura de código aberto que permite que os agentes de IA executem autonomamente experiências de aprendizagem automática durante a noite numa única GPU. A ideia central: dar ao agente uma configuração de treino, adormecer e acordar com 100 experiências concluídas - cada uma modificando o código, treinando durante cinco minutos, verificando se o resultado melhorou e repetindo. Nenhum humano no ciclo. O agente nunca pára até que o interrompa manualmente. O repositório ultrapassou as 8.000 estrelas nos dias seguintes ao lançamento.
O que isto significa na realidade - Para além da moda
Vamos ser precisos sobre o que é e o que não é a investigação automática. Não se trata de uma IA de uso geral que substitui os cientistas de dados. É um ciclo de âmbito restrito: um agente, um ficheiro que pode modificar (train.py), uma janela de avaliação fixa de 5 minutos, uma métrica a otimizar. O que o torna significativo não é o âmbito - é a decisão de arquitetura por detrás dele: um agente totalmente autónomo que realiza uma experiência, lê o resultado, decide o que tentar a seguir e repete - com uma instrução explícita no código para nunca parar e nunca pedir permissão ao humano para continuar.
Essa filosofia de conceção - iteração autónoma, auto-dirigida e orientada por métricas - é o modelo para o qual a IA empresarial está a evoluir rapidamente. Não apenas na investigação de ML, mas em qualquer domínio em que exista um objetivo claro, um resultado mensurável e um espaço de pesquisa suficientemente grande para que a iteração ao ritmo humano seja o estrangulamento. O que descreve uma parte significativa do que as equipas de BI e de análise das empresas fazem todos os dias.
Três implicações concretas para as equipas das empresas
1. "Agêntico" já não é um conceito de investigação - é um padrão de produção. A contribuição de Karpathy aqui não é a ideia de agentes de IA; é mostrar que uma implementação limpa, mínima e de arquivo único pode executar 100 experimentos significativos durante a noite em hardware de commodity. A barreira à implementação de loops de IA autónomos em contextos empresariais - automatização de relatórios, otimização de pipelines de dados, processamento de documentos - acabou de cair significativamente. As equipas que têm estado à espera que isto "amadureça" devem recalibrar as suas linhas de tempo.
2. O papel humano passa da ação para a revisão. O ciclo de investigação automática não pede aprovação entre experiências. Gera, testa, mantém o que funciona, deita fora o que não funciona e segue em frente. Em termos empresariais, isto é diretamente relacionado com sistemas de IA que redigem relatórios, executam análises de cenários ou processam pedidos recebidos de forma autónoma - e apresentam apenas os resultados que necessitam de avaliação humana. Isto não é uma ameaça para os analistas qualificados; é uma redistribuição do seu tempo. Menos geração, mais avaliação.
3. A qualidade dos dados e a definição de métricas claras de sucesso tornam-se inegociáveis. A pesquisa automática funciona porque tem uma métrica inequívoca: bits de validação por byte. Menos é melhor. Cada experiência é objetivamente comparável. Em ambientes empresariais, a pergunta equivalente é: qual é o "val_bpb" da sua organização? Se não for possível definir um critério de sucesso único e mensurável para um fluxo de trabalho automatizado, os agentes autónomos não podem otimizar nesse sentido. Os projectos que mais beneficiarão da IA agêntica são aqueles que já fizeram o trabalho de definir o que significa "melhor" em termos concretos e mensuráveis.
A perspetiva da LeapLytics
Há vários anos que criamos sistemas de IA para fluxos de trabalho empresariais. processamento de documentos, relatórios automatizados, automatização do suporte. O padrão que Karpathy está a demonstrar na camada de investigação de ML é o mesmo padrão que aplicamos na camada de processos empresariais: identificar o ciclo repetitivo, definir o critério de sucesso, deixar o agente funcionar e revelar as excepções para análise humana.
O que a auto-investigação torna visceralmente claro é a diferencial de velocidade. 100 experiências em 8 horas. Em termos empresariais: 100 rascunhos de documentos revistos, 100 anomalias de dados assinaladas, 100 pedidos de assistência categorizados - enquanto a sua equipa dorme. As organizações que tratam isto como uma curiosidade descobrirão que as que o tratam como infraestrutura já avançaram significativamente quando reconsiderarem. Já escrevemos anteriormente sobre esta dinâmica no contexto de a nossa própria mudança para o apoio assistido por IA - a vantagem da automatização não é visível até o ser.
O que as organizações devem fazer agora
- Identificar um fluxo de trabalho repetitivo e mensurável esta semana. Não um vago "devemos automatizar os relatórios". Um ciclo específico: este tipo de documento, processado desta forma, avaliado em função deste critério. A pesquisa automática é um modelo mental útil - se não conseguir descrever o seu fluxo de trabalho da forma como Karpathy descreve o seu ciclo de formação, ainda não está pronto para a automatização de agentes.
- Investir na qualidade dos dados antes da implantação do agente. Os agentes autónomos amplificam tudo aquilo com que trabalham. Dados de entrada limpos e consistentemente estruturados produzem resultados autónomos úteis. Dados confusos e inconsistentes produzem resultados autónomos confiantemente errados - a uma velocidade 100 vezes superior à de um humano que comete o mesmo erro. A governação dos dados é agora uma questão de preparação para a IA, e não apenas uma questão de manutenção.
- Reformular a "estratégia de IA" como "quais os ciclos que automatizamos primeiro". A maioria das estratégias de IA das empresas ainda está organizada em torno de ferramentas e fornecedores. O quadro mais útil, pós-investigação automática, é: qual dos nossos fluxos de trabalho é um ciclo com um resultado mensurável? Classifique-os por volume e impacto. Comece com o loop de maior volume e com a métrica mais clara. Essa é a sua primeira implantação de agente.
O que vem a seguir
O Autoresearch é deliberadamente mínimo - uma GPU, um ficheiro, uma métrica. O próximo passo imediato, já visível nos forks da comunidade que emergem do repositório, são as variantes multi-agente: um agente que gera hipóteses, outro que executa experiências, um terceiro que avalia e sintetiza resultados. Em termos empresariais, isso mapeia a automatização total do fluxo de trabalho: entrada, processamento, verificação de qualidade e encaminhamento de resultados tratados por uma cadeia de agentes coordenados com revisão humana apenas em pontos de exceção definidos.
A mudança mais importante é cultural. O enquadramento de Karpathy - que a investigação de ponta em IA "costumava ser feita por computadores de carne entre comer, dormir e divertir-se" - é deliberadamente provocador. Mas a questão subjacente é séria: a vantagem competitiva no trabalho adjacente à IA está a passar da velocidade de execução humana para a qualidade dos loops que se concebem e para a clareza das métricas que se optimizam. Isto é verdade na investigação de ML. É igualmente verdade na análise empresarial, nos relatórios de risco e nos fluxos de trabalho com uso intensivo de documentos. A questão já não é se devemos construir esses loops. É a rapidez.
