Eu ainda não tinha anunciado isso aqui: estou escrevendo um livro sobre o Contexte.

A capa do livro que está sendo escrito.

Contexte é o método que venho construindo para permitir a um humano e a uma IA trabalhar de forma duradoura em torno de uma missão, sem recomeçar do zero a cada conversa, mantendo ao mesmo tempo:

• as fontes;
• o conhecimento produzido;
• as decisões;
• o estado do trabalho e o que vai permitir retomá-lo mais tarde.

O livro está agora quase pronto.

Nesse ponto, eu poderia ter continuado relendo, corrigindo algumas formulações, completando os exemplos e preparando a publicação.

Em vez disso, fiz a mim mesmo uma pergunta bem desagradável:

o que foi que eu realmente inventei aí dentro?

Não "inventei" no sentido de ter que reivindicar cada ideia.

A pergunta era muito mais simples:

será que estou apresentando como método novo alguma coisa que já existe e que eu simplesmente reinventei sem saber?

Isso é antes de tudo uma questão de cultura científica da dúvida.

Quando você constrói alguma coisa durante meses, é muito fácil procurar inconscientemente tudo o que confirma que a sua ideia é boa, diferente ou original.

Tentei fazer o contrário.

Procurar metodicamente tudo o que pudesse desmontar essa convicção.

Em tudo o que apresento como o método Contexte: - o que já existia? - o que peguei emprestado conscientemente? - o que adaptei? - o que redescobri sem saber? - o que já tinha sido montado em outro lugar? - e o que sobra eventualmente como próprio da maneira como reuni tudo isso?

No começo, eu achava que ia simplesmente fazer uma busca de anterioridade.

Na prática, o que mais aprendi foi a desmontar aos poucos minhas próprias certezas.

Eu já sabia que não tinha partido do nada

Algumas influências eram evidentes.

O bounded context do Domain-Driven Design é uma inspiração assumida.

As notas atômicas me levaram inevitavelmente até Zettelkasten.

PARA e o Second Brain influenciaram minha maneira de pensar os espaços de conhecimento.

Na parte mais técnica, eu também tinha retomado conscientemente intuições vindas do Git — principalmente em torno da separação, da cópia e do merge — além do padrão Observer para certas relações entre Contextes.

Então a pergunta não era:

"Será que todas as minhas ideias são novas?"

Eu já sabia que não.

O que me interessava era mais a montagem.

Um Contexte, no livro, é um espaço delimitado por uma missão. Ele contém fontes, conhecimento produzido a partir dessas fontes, um estado corrente, uma história, decisões, contradições, ações, entregáveis. Ele precisa poder ser interrompido e depois retomado. Ele precisa acumular conhecimento à medida que o trabalho avança. E vários Contextes precisam poder trocar informação sem perder sua autonomia.

Então eu pensava: os blocos devem vir de algum outro lugar.

Mas talvez a combinação deles seja particular.

Foi essa hipótese que comecei a tentar derrubar.

Primeiro erro: procurar com as minhas próprias palavras

O primeiro problema aparece na hora em que você vai procurar a anterioridade de um método.

Ninguém é obrigado a ter usado o seu vocabulário.

Procurar "Contexte" + IA + memória quase não diz nada sobre a existência de um mecanismo parecido.

Uma equipe médica pode estar fazendo há cinquenta anos algo que se parece com o seu handoff, sem nunca ter usado essa palavra.

Um sistema de arquivística pode ter formalizado proveniência, fonte e interpretação sem falar em knowledge management.

Um software dos anos 1990 pode ter resolvido um problema de cópia e de dependência que você acha ter encontrado com agentes de IA em 2026.

Então era preciso parar de procurar Contexte.

Comecei desmontando o livro.

Com o ChatGPT, extraímos 24 conceitos e 12 relações estruturantes.

A ideia era transformar o livro em objetos simples o bastante para permitir fazer perguntas.

Não apenas:

Alguém já imaginou um espaço de trabalho persistente?

Mas também:

Alguém já separou a fonte bruta do conhecimento derivado?

Existe um sistema que distingue o presente do diário histórico?

Existe uma tradição em que o trabalho sobre um problema enriquece uma base reutilizável para os problemas seguintes?

O que acontece quando um conhecimento é copiado de um espaço autônomo para outro?

Isso muda completamente a busca.

Primeira surpresa: quase todos os blocos já estavam lá

Uma vez o sistema desmontado, os antecedentes começaram a aparecer em todo lugar.

Alguns exemplos:

• a proveniência tinha evidentemente toda uma literatura por trás, chegando até padrões como W3C PROV; W3C — PROV-O: The PROV Ontology
• o Event Sourcing traz uma maneira de reconstruir um estado corrente a partir da história dos eventos;
• os Architecture Decision Records guardam uma decisão, seu contexto e sua razão, inclusive quando ela é substituída depois; Michael Nygard — Documenting Architecture Decisions
• os Truth Maintenance Systems já trabalhavam nos anos 1980 com vários conjuntos de hipóteses potencialmente incompatíveis. Johan de Kleer — An assumption-based TMS

Nesse ponto, nada disso me surpreendeu de verdade.

Um método complexo raramente é composto de mecanismos surgidos do nada.

A primeira conclusão parecia bem confortável:

os blocos não são novos, mas a montagem talvez seja.

Era uma conclusão razoável.

Ela não durou muito tempo.

Segunda iteração: procurar a função, não o conceito

Mudamos de método.

Em vez de procurar os conceitos do livro, começamos a procurar os problemas que eles resolvem.

• Como você retoma um trabalho depois de uma interrupção?
• Como transmitir um dossiê bem o bastante para que outra pessoa consiga continuar?
• Como transformar milhares de pedaços de informação em provas, e depois em hipóteses?
• Como guardar várias explicações concorrentes sem escolher uma delas artificialmente?
• Como um espaço de trabalho mantém ao mesmo tempo seu estado operacional e um conhecimento reutilizável?

Dessa vez, a busca saiu muito rápido do software.

Ela nos levou até: - a inteligência; - o direito; - a medicina; - a gestão de incidentes; - as ciências cognitivas; - a arquivística; - a pesquisa científica.

O modelo de sensemaking de Peter Pirolli e Stuart Card, por exemplo, descreve um processo em que o analista parte de fontes externas, seleciona as informações relevantes, constitui elementos de prova, constrói esquemas e hipóteses e depois produz o resultado da sua análise. Pirolli & Card — The sensemaking process and leverage points for analyst technology

Isso evidentemente não é Contexte.

Mas a proximidade do mecanismo era interessante.

A mesma coisa com o Activity-Based Computing de Jakob Bardram.

Em 2005, Bardram descreve uma infraestrutura em que a unidade central não é mais o aplicativo, e sim a atividade humana, com as tarefas e os recursos computacionais associados. A arquitetura é pensada principalmente para permitir a mobilidade, a colaboração e a continuidade da atividade entre ambientes. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

Em outras palavras, a ideia de que é preciso guardar algo mais rico do que um documento para permitir a continuidade do trabalho evidentemente não esperou os agentes de IA.

A medicina, os centros de comando e a gestão de incidentes também têm seus próprios mecanismos de handoff.

Ali, o território já começava a encolher.

A retomada não era particular.

O handoff também não.

Até mesmo a cadeia:

fonte → interpretação → raciocínio → produção

tinha antecedentes bem sólidos.

Então, nova hipótese:

talvez a particularidade esteja na junção entre o dossiê vivo e o patrimônio de conhecimento.

Em outras palavras: trabalhar em um problema enquanto se constrói algo que vai sobreviver ao problema.

Essa hipótese durou ainda menos tempo.

O desvio que mais mudou a busca: sair do inglês

Até ali, mesmo mudando de disciplina, continuávamos em grande parte presos a um corpus ocidental e anglófono.

Então lançamos buscas em japonês, chinês, russo e árabe.

Foi aí que a busca ficou realmente interessante.

No Japão, encontrei o KJ法, ou método KJ, de Jirō Kawakita.

Kawakita descreve um método bottom-up em que você parte de dados de campo, registra eles em cartas livremente manipuláveis, e depois aproxima e combina essas cartas aos poucos em função do seu sentido, para fazer emergir uma estrutura. J-STAGE — Emergence and Essence of the KJ Method, entrevista com Jirō Kawakita

E aí tive um momento bem divertido.

Alguns meses antes, sem conhecer o KJ法, eu mesmo tinha começado a trabalhar com o que chamo de cartas-pilar.

Falei disso recentemente aqui: Cartas-pilar: cuidar da própria memória para continuar pensando

Não é o mesmo método.

O KJ法 serve principalmente para partir de um material disperso e fazer emergir aos poucos uma estrutura por agrupamentos e recombinações.

Minhas cartas-pilar têm mais a função de manter vivas algumas ideias estruturantes, revisitar elas e continuar confrontando elas com o que leio e experimento.

Mas mesmo assim existe um ar de família que me interessou muito:

• tirar da cabeça as unidades de pensamento;
• torná-las manipuláveis;
• mantê-las como objetos relativamente autônomos;
• aproximá-las e recombiná-las;
• usar essas aproximações para continuar pensando.

E principalmente: descobri o KJ法 bem depois de ter colocado essa prática em funcionamento.

É exatamente o tipo de coisa que eu queria encontrar com essa busca.

Não para poder dizer: "eu tive a mesma ideia".

Pelo contrário.

Para constatar que dá para construir sinceramente alguma coisa do seu lado e descobrir depois que outra tradição explora um mecanismo vizinho há décadas.

Também encontramos Tadao Umesao, que descreve já em 1969 um sistema de cartas independentes destinadas a serem recombinadas, sendo que o novo conhecimento produzido por essa recombinação pode ele mesmo entrar no sistema.

Em outras palavras:

patrimônio existente → recombinação → novo conhecimento → patrimônio enriquecido

Isso já não estava muito longe.

Depois chegamos à China.

E ali descobri o Hall for Workshop of Meta-Synthetic Engineering, ou HWMSE.

HWMSE: o momento em que a hipótese começou a cair de verdade

A Meta-Synthesis é desenvolvida em torno de Qian Xuesen no início dos anos 1990 para tratar sistemas complexos.

HWMSE se torna o ambiente destinado a colocá-la em prática.

Sua arquitetura combina explicitamente: - especialistas humanos; - sistemas de máquina; - sistemas de conhecimento.

O objetivo não é apenas usar conhecimento existente.

Os autores falam também de criação de conhecimento.

Eles distinguem um sistema de conhecimento geral de um sistema de conhecimento próprio ao objeto estudado, e explicam que este último precisa poder se acumular continuamente pelo seu uso. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

Isso já se parecia muito com o que eu estava tentando formular com o Contexte.

E não era apenas um esquema conceitual.

Os trabalhos HWMSE deram origem a protótipos e a aplicações experimentais, principalmente em torno da decisão macroeconômica. JAIST — Knowledge System Construction and Knowledge Creation in HWMSE

A distinção confortável:

os sistemas de dossiê gerenciam o trabalho, os sistemas de conhecimento gerenciam o patrimônio, Contexte reúne os dois

já não se sustentava direito.

Outros já tinham construído sistemas reunindo uma parte substancial dessas duas dimensões.

Era preciso descer mais um nível.

Terceira iteração: procurar os concorrentes arquiteturais

Paramos de perguntar:

"Qual conceito se parece com Contexte?"

Em vez disso, definimos algumas assinaturas: - o sistema gerencia um trabalho situado em torno de um problema? - ele transforma informações em conhecimento? - esse conhecimento pode servir para outros casos? - ele distingue vários tipos de memória? - vários espaços podem cooperar continuando autônomos?

Essa busca fez aparecer vários sistemas muito mais próximos do que o previsto.

Experience Factory

A Experience Factory, desenvolvida em torno dos trabalhos de Victor Basili e da experiência do Software Engineering Laboratory da NASA, separa explicitamente duas funções.

De um lado, a organização de projeto realiza seu projeto.

Do outro, a Experience Factory: - recupera a experiência produzida; - analisa ela; - sintetiza ela; - transforma ela em unidades reutilizáveis; - coloca ela de novo à disposição dos projetos futuros.

O Software Engineering Laboratory da NASA Goddard já era descrito em 1992 como um exemplo operacional de Experience Factory depois de quinze anos de funcionamento e de várias centenas de estudos. NASA — The Software Engineering Laboratory: An operational software experience factory

Basili e Caldiera descrevem em seguida explicitamente a Experience Factory como uma organização distinta dos projetos, encarregada de capitalizar e reutilizar a experiência. NASA — The Experience Factory: Strategy and Practice

Isso atacava diretamente outra ideia que eu achava importante:

o entregável não é o patrimônio; o trabalho do projeto precisa enriquecer algo que vai sobreviver a ele.

A Experience Factory já dizia isso.

Knowledge-Centered Service

Depois, o Knowledge-Centered Service, ou KCS, trouxe outra versão do mesmo mecanismo.

No KCS, o conhecimento não deve ser produzido num processo separado do trabalho.

O ciclo de resolução consiste principalmente em: - procurar o conhecimento existente; - reutilizar ele; - melhorar ele quando é usado; - capturar novos conhecimentos quando é necessário.

O Consortium for Service Innovation resume a ideia com uma fórmula especialmente clara: reuse is review. O conhecimento é verificado e melhorado dentro do próprio fluxo do trabalho. Consortium for Service Innovation — The Solve Loop

Nova redução.

Até mesmo:

fazer do trabalho corrente uma máquina de produzir e melhorar conhecimento reutilizável

já tinha sido formalizado.

Quarta iteração: atacar os últimos detalhes

Nesse ponto, continuar acumulando as grandes analogias já não tinha muito interesse.

Então escolhemos alguns elementos que ainda pareciam relativamente particulares: - a separação estrita entre fonte bruta e conhecimento derivado; - a separação state / history / synthesis / handoff; - a nota atômica como proposição com fonte, que pode ser apoiada ou contradita; - a diferença entre referenciar uma informação e copiar ela assumindo depois a manutenção dela.

Mesmo ali, os muros caíram um depois do outro.

As nanopublications e micropublications já representavam pequenas asserções acompanhadas de proveniência, de elementos de apoio e às vezes de contestação.

Os sistemas de bases federadas trabalhavam havia muito tempo na diferença entre um dado remoto e uma cópia local que pode divergir.

As arquiteturas cognitivas distinguiam memória de trabalho, memória episódica e memória semântica.

As práticas de forensic computing guardam o original e trabalham sobre cópias para preservar a prova.

Toda vez, algo que ainda parecia particular virava uma recombinação de mecanismos conhecidos.

A última descoberta de verdade: ScholOnto e SWAN

Mesmo assim, era preciso saber se tínhamos chegado ao fim ou se estávamos simplesmente cansados de procurar.

Então acrescentamos um critério.

Uma fonte nova já não contava simplesmente porque se parecia com Contexte.

Ela precisava modificar a cartografia.

Por exemplo:

• ser mais antiga do que aquilo que já tínhamos encontrado;
• ser nitidamente mais próxima;
• reunir vários mecanismos até então separados;
• ou nos obrigar a modificar nossa conclusão.

Essa regra permitiu continuar sem cair no jogo que consiste em forçar qualquer analogia.

Dois sistemas ainda passaram nesse teste.

ScholOnto

O projeto ScholOnto, financiado já em 2000 e ativo no início dos anos 2000, buscava construir uma infraestrutura que permitisse aos pesquisadores publicar claims, conectar eles à literatura e contestar eles.

Seu sistema ClaiMaker permitia construir e percorrer essas redes de claims e de argumentos. Knowledge Media Institute — ScholOnto / ClaiMaker

SWAN

Depois o SWAN, na pesquisa biomédica, ia ainda mais longe.

SWAN distinguia explicitamente os recursos científicos externos dos elementos de discurso produzidos dentro do sistema.

Um Research Statement podia ser derivado de um artigo ou de outro recurso, manter sua proveniência e ser ligado a outros statements por relações como supports, refutes ou alternativeTo.

O sistema também guardava as versões anteriores quando um statement evoluía. Ciccarese et al. — The SWAN Scientific Discourse Ontology

Nesse momento, a proximidade com minhas notas atômicas ficava difícil de ignorar: - fonte distinta; - interpretação; - proposição; - proveniência; - apoio; - contradição; - reutilização; - evolução ao longo do tempo.

E ali também não se tratava apenas de uma ontologia teórica: os autores descrevem um Workbench e um Browser usados para construir e percorrer essa base de conhecimento. PubMed — The SWAN biomedical discourse ontology

A maior parte das peças já estava lá.

E aí os resultados pararam de mudar a conclusão

Essa é provavelmente a parte mais importante do método.

Em algum momento, é preciso parar.

Não porque a gente provou que nenhuma outra anterioridade existe.

Isso é impossível.

Mas porque as novas buscas começam a dar sempre as mesmas famílias.

Um artigo novo melhora uma data.

Outra fonte acrescenta um exemplo.

Um sistema usa um vocabulário diferente mas cobre um mecanismo já identificado.

Ou pior: você começa a precisar explicar durante dez linhas por que uma coisa poderia vagamente ser comparável.

Nesse momento, existe um risco.

A gente já não procura colocar nossa hipótese à prova.

A gente começa a fabricar a semelhança que queria encontrar.

Então consideramos que a busca tinha atingido uma saturação razoável.

Então, o que é original?

A conclusão não é a que eu imaginava no começo.

Já não acho muito útil procurar "a ideia nova" dentro do Contexte.

Quase todos os seus blocos importantes têm antecedentes.

Muitas das relações entre esses blocos também.

E vários sistemas anteriores já montam grandes pedaços disso.

Por exemplo: - HWMSE reúne humanos, máquinas, resolução de problema e capitalização de conhecimento; - Experience Factory separa o projeto do mecanismo organizacional que transforma sua experiência em patrimônio; - KCS integra diretamente criação e melhoria de conhecimento ao trabalho corrente; - Project Memory trabalha sobre a história e o contexto do projeto; - ScholOnto e SWAN estruturam proposições, fontes, proveniência e contradições; - os sistemas federados trabalham sobre autonomia, importação, cópia e dependência.

Isso não significa que o Contexte não traz nada.

Significa que a contribuição dele está em outro lugar.

Eu formularia isso hoje assim:

Contexte é uma seleção, uma combinação e uma normalização explícitas de mecanismos vindos de várias tradições, reunidos num método operacional para trabalhar de forma duradoura com uma IA.

O sistema tem principalmente: - seu vocabulário; - seus objetos; - suas restrições; - seus procedimentos; - sua maneira particular de separar fonte, conhecimento, estado, história, síntese, decisão, contradição, handoff e entregável; - suas regras para fazer a informação circular entre vários Contextes autônomos.

Não encontrei um sistema histórico que tenha exatamente toda essa gramática.

Mas quase cada componente dessa gramática tem uma história anterior ao Contexte.

E no fim das contas, essa é uma resposta que me serve muito melhor.

A cultura científica da dúvida

No começo, a pergunta se parecia um pouco com isso:

Será que minha ideia é realmente original?

Olhando para trás, provavelmente não é a melhor pergunta.

A busca de anterioridade me permitiu principalmente entender do que a minha ideia era feita.

Quais intuições vinham de tradições que eu conhecia.

Quais existiam em domínios que eu nunca teria pensado em olhar.

Quais pedaços já tinham sido montados.

E qual parte do meu trabalho consistia sobretudo em traduzir, simplificar, recombinar e tornar utilizáveis mecanismos dispersos.

É sobretudo uma boa ilustração do que entendo por cultura científica da dúvida.

Eu tinha uma hipótese implícita:

talvez essa parte do Contexte seja nova.

A boa maneira de testar isso não era procurar razões para acreditar nela.

Era procurar o melhor contraexemplo possível.

E depois, quando encontrávamos um, modificar a hipótese.

A cada iteração, o território que eu podia razoavelmente apresentar como específico diminuiu: - primeiro os blocos; - depois certas montagens; - depois a ideia de fazer do trabalho um mecanismo de capitalização; - depois uma parte da própria gramática informacional.

Paradoxalmente, a proposta ficou mais clara.

Prefiro poder dizer:

aqui está o que eu pego emprestado, aqui está o que eu adapto, aqui está o que eu combino, e aqui está a forma que eu dou a isso

em vez de contar que uma ideia é nova simplesmente porque eu nunca tinha encontrado os ancestrais dela.

O método que eu reutilizaria

Se eu tivesse que refazer uma busca desse tipo sobre outra ideia, não recomeçaria como dessa vez.

Eu faria direto:

• decompor a ideia em componentes e relações;
• procurar os mecanismos, não o vocabulário dela;
• comparar separadamente componentes, relações, montagens e finalidades;
• sair rápido da disciplina de origem;
• procurar em várias línguas;
• olhar os sistemas realmente construídos, não apenas as teorias;
• subir a bibliografia das melhores fontes e depois olhar os trabalhos que citam elas;
• procurar deliberadamente os contraexemplos capazes de derrubar a conclusão atual;
• definir o que uma nova descoberta precisa mudar para ser considerada importante;
• parar quando as novas fontes só trazem variantes de antecedentes já cartografados.

O trabalho que consiste em subir as referências de uma boa fonte e depois seguir as publicações que citaram ela às vezes é chamado de snowballing.

A palavra é menos importante do que o mecanismo.

Uma boa fonte vira uma porta de entrada para todo um vocabulário e toda uma tradição que uma busca por palavras-chave talvez nunca tivesse encontrado.

O último ponto — saber parar — é provavelmente o mais difícil.

Uma busca sempre pode continuar.

Sempre vai existir: - um artigo novo; - uma patente nova; - uma disciplina nova; - outra língua; - uma palavra-chave nova.

A questão não é saber se tudo foi encontrado.

A questão é:

será que continuar ainda muda a resposta?

Os limites

Esse método evidentemente não demonstra a ausência de uma anterioridade.

Ele depende: - dos mecanismos de busca; - das línguas em que a gente pensa; - dos documentos que foram digitalizados; - das publicações ainda acessíveis; - da indexação delas; - do vocabulário escolhido pelos autores delas; - e da nossa própria capacidade de reconhecer um mesmo mecanismo por trás de dois vocabulários diferentes.

Ele depende também do julgamento usado para decidir que dois mecanismos são realmente comparáveis.

Uma semelhança não é uma identidade.

Uma técnica usada numa usina nuclear não é a ancestral direta de um sistema de memória para IA simplesmente porque ela tem um handoff.

Da mesma forma, descobrir depois que um método japonês usa cartas não significa que minhas cartas-pilar sejam KJ法.

É preciso poder dizer ao mesmo tempo:

isso é próximo o bastante para ser interessante

e:

não é a mesma coisa.

É também por isso que uma ausência de resultado precisa continuar sendo uma ausência de resultado.

Não virar:

ninguém nunca tinha feito isso.

O que eu tiro disso

Eu tinha começado essa busca tentando saber o que eu tinha inventado.

Termino ela com uma pergunta ligeiramente diferente:

o que foi que eu construí a partir de tudo o que já existia?

A resposta me parece mais interessante.

O Contexte provavelmente não é interessante por ter descoberto:

• a proveniência;
• as notas atômicas;
• o handoff;
• a memória organizacional;
• os espaços delimitados;
• a capitalização de conhecimento.

Tudo isso já existia.

Ele fica interessante se a montagem torna esses mecanismos simples e coerentes o bastante para que um humano e uma IA possam trabalhar juntos durante semanas ou meses sem perder o que aprendem.

Então não saí dessa busca com um território virgem onde plantar uma bandeira.

Saí com um mapa.

E para entender o que a gente constrói, um bom mapa provavelmente vale muito mais do que uma bandeira.