📙 IA ou não IA, eis a questão

Resumo comentado de “Regras sem ruído”, capítulo 10 de “Ruído: Porque tomamos más decisões e como podemos evitá-lo”.

A necessidade do poder é óbvia, porque a vida não pode ser vivida sem ordem; mas a atribuição do poder é arbitrária porque todos os homens são iguais, ou quase.
— Simone Weil

No capítulo passado, vimos que uma planilha básica, com pesos arbitrários, costuma prever o desempenho de uma pessoa melhor do que um especialista que estudou anos para fazer aquele julgamento. O capítulo 10 pega essa visão e dobra a meta. Se a média ponderada já bate o doutor, o que mais bate o doutor? E o que acontece quando a gente, em vez de simplificar, complica o modelo até o limite do que o computador aguenta?

Antes de seguir, vale destrinchar uma palavra que vamos usar muito hoje. Algoritmo, fora das redes sociais, não é essa entidade mística que amamos odiar, só quer dizer “receita”, uma sequência de passos para resolver uma tarefa. Bater claras em neve até o ponto firme é algoritmo. “Se o molho ficar ralo demais, dissolva uma colher de maizena em água fria e devolva à panela” também é, com direito a condicional if, then e tudo. Uma fórmula de regressão linear é um algoritmo. Uma regra prática do tipo “se vai sair de casa e o céu está fechado, leva guarda-chuva” é algoritmo. E o monstro de um trilhão de parâmetros que escreve textos respondendo a um prompt também.

Vale ter essa variedade em mente, porque de alguns anos para cá, “IA” virou um nome informal para uma parte muito específica desses algoritmos — as LLMs, esses geradores de texto e código (e, esticando, de imagem e vídeo). IA, em sentido próprio, é qualquer sistema que aprenda padrões a partir de dados. O detector de spam do seu e-mail é IA. O modelo que recomenda séries e filmes na Netflix é IA, assim como o algoritmo que prevê risco de fuga sob fiança, que o capítulo vai dissecar em breve. IA não é só o Claude — e mesmo dentro desse grupo há diferenças entre o “modelo” (GPT, Gemini, etc.) e a interface (ChatGPT, Claude Code, etc.)

Sendo assim, o capítulo monta um espectro. De um lado, simplicidade extrema. Regras tão bobas que dá vergonha de cobrar consultoria por elas. Do outro, complexidade extrema. Modelos de aprendizado de máquina que consomem milhões de tokens e detectam padrões que nenhum humano consegue enxergar. No meio, a média ponderada que já tínhamos visto no capítulo 9. A tese do trio de autores é que todo esse espectro, do mais simples ao mais sofisticado, costuma ser melhor do que o julgamento humano. Por motivos diferentes em cada extremo, mas com um motivo compartilhado pelos dois, de que nenhum algoritmo tem ruído.