Todas as sextas-feiras à tarde, alguém da sua equipa prepara o relatório semanal de reembolsos. Tira os números dos mesmos sistemas, verifica-os pela mesma ordem e envia-os às mesmas pessoas. Ninguém diria que é difícil. É uma competência, aprendida uma vez e repetida, e todas as semanas afasta uma pessoa capaz de trabalho melhor. Todas as equipas têm uma dúzia de tarefas assim: a reconciliação de fim de mês, as contas de acesso para um novo colaborador, as mesmas três verificações antes de cada lançamento.
A sua IA pode ajudar, mas começa do zero todas as vezes. Lê as instruções, raciocina passo a passo e é paga a cada chamada, e na sexta-feira seguinte faz tudo outra vez. Consegue fazer a tarefa. Nunca a aprende.
O Duplex adquire competências próprias. Aprende uma tarefa fazendo-a, experimentando só os passos que permite, mesmo com a sua IA desligada, e ninguém tem de escrever esses passos. Testa cada competência antes de a usar, executa-a numa fração de milissegundo a partir daí, sem chamada ao modelo, e desfaz-se dela no momento em que pedir.
Sozinho, o Duplex experimenta os passos que permite, com a sua IA desligada.
Aprende com o modelo desligado.
As pessoas aprendem competências praticando-as. Um recém-contratado experimenta os passos, erra alguns, encontra a ordem que funciona e, ao fim de umas semanas, faz o trabalho sem pensar nisso. Um modelo não consegue aprender assim, porque o seu trabalho não o muda. Traz um conhecimento vasto para cada tarefa e volta a deduzir os passos de raiz, chamada após chamada.
Hoje há boas formas de fazer uma tarefa, e cada uma tem um preço. Um script ou um fluxo de trabalho é fiável e barato de correr depois de alguém o escrever, e só faz aquilo para que foi escrito. Um modelo de fronteira a deduzir a tarefa em contexto é flexível e não precisa de configuração, e paga essa flexibilidade em cada execução. A tentativa e erro aprende fazendo, como as pessoas, e precisa de muitíssimas tentativas para lá chegar.
O Duplex também aprende fazendo, e a sua IA pode ficar desligada o tempo todo. Experimenta os passos que permite, dentro de limites que traça tão apertados quanto o trabalho exigir, e encontra um caminho que chega ao objetivo. Aprender fazendo só é seguro quando o fazer tem limites, por isso tudo o que é inseguro é recusado antes de correr. Em quatro conjuntos de testes ao longo de dez execuções, cada um pontuado pela sua pior execução, o Duplex concluiu todas as tarefas com o modelo desligado, com 2.8× menos tentativas do que a tentativa e erro. Pelo caminho, recusou 627 ações inseguras em cada execução, e mesmo assim aprendeu o caminho seguro.
A diferença nota-se ao longo de uma execução. Um modelo de fronteira a resolver a mesma tarefa em contexto fez cerca de 507 chamadas ao modelo por execução, deduzindo a tarefa de novo de cada vez. O Duplex aprendeu-a com o modelo desligado e não fez chamada nenhuma ao modelo. Para uma tarefa que volta todas as semanas, é a diferença entre uma fatura do modelo que nunca acaba e fatura nenhuma. O Duplex aprende a tarefa uma vez, e a sua IA fica livre para o trabalho que precisa de raciocínio.
Um modelo de fronteira a deduzir a tarefa em contexto faz uma chamada ao modelo em cada tentativa.
Testa uma competência antes de a usar, e remove-a quando pedir.
Um sistema que aprende sozinho só é útil se puder confiar no que aprende. A preocupação é legítima: um atalho que funcionou uma vez e depois passa a ser usado em todo o lado, ou um hábito que ninguém pediu e que não se pode desfazer. Num modelo treinado, o que aprendeu está espalhado por todo ele, por isso nenhuma lição pode ser retirada sozinha, e corrigir uma obriga a treinar outra vez.
O Duplex testa uma competência nova antes de a usar. Uma competência que encontrou só entra em uso depois de passar nas verificações, e até lá o trabalho continua como antes. Um atalho que por acaso funcionou uma vez não chega. O que chega aos seus sistemas e aos seus clientes é uma competência que já mostrou que funciona.
Depois de passar, uma competência quase não custa nada a voltar a usar. O Duplex repetiu uma competência aprendida em 0.26 ms, sem chamadas ao modelo, enquanto um modelo a trabalhar em contexto paga para raciocinar cada passo sempre que a tarefa volta. Como tudo o que o Duplex aprende, a competência é sua, e qualquer agente que autorize a pode usar. Trabalho como o relatório semanal deixa de ser algo que a sua IA deduz e passa a ser algo que o Duplex faz.
E pode retirar qualquer competência. Os processos mudam, os sistemas são desativados, e um passo que estava bem no trimestre passado pode já não estar. Peça que uma competência saia, e o Duplex remove-a e deixa tudo o resto que aprendeu como estava. Nos testes, cada competência aprendida foi removida a pedido e verificada bit a bit, por isso não ficou nada dela para trás.
É isso que é preciso para deixar um sistema aprender sozinho: limites que define antes de ele começar, verificações antes de qualquer coisa nova ser usada, e o poder de retirar qualquer parte disso. Com os três, o trabalho que a sua equipa repete todas as semanas pode tornar-se competências que o Duplex encontra, testa e executa numa fração de milissegundo. A sua IA fica com os problemas que precisam de raciocínio, os seus colaboradores tomam as decisões que pedem discernimento, e a sua equipa recupera as sextas-feiras.
Uma competência nova que o Duplex encontrou fica retida até passar nas suas verificações.