Ainda não tinha contado isso aqui: estou escrevendo um livro sobre o Contexto.

A capa do livro que estou escrevendo.

O Contexto é o método que venho construindo para que um humano e uma IA consigam trabalhar de forma duradoura em torno de uma missão, sem começar do zero a cada conversa, guardando 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 já está quase pronto.

A essa altura, eu poderia ter continuado relendo, ajustando algumas formulações, completando os exemplos e preparando a publicação.

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

o que foi que eu realmente inventei aí dentro?

"Inventar" não no sentido de precisar reivindicar cada ideia.

A pergunta era muito mais simples:

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

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

Quando você constrói alguma coisa durante meses, fica muito fácil procurar, sem perceber, 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 Contexto: - o que já existia? - o que peguei emprestado de forma consciente? - o que adaptei? - o que redescobri sem saber? - o que já tinha sido montado em outro lugar? - e o que eventualmente continua sendo próprio da maneira como juntei tudo isso?

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

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

Eu já sabia que não tinha partido do nada

Algumas influências eram óbvias.

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

As notas atômicas me levaram inevitavelmente ao Zettelkasten.

O PARA e o Second Brain influenciaram meu jeito de pensar os espaços de conhecimento.

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

Então a pergunta não era:

"Todas as minhas ideias são novas?"

Eu já sabia que não.

O que me interessava era mais a montagem.

Um Contexto, no livro, é um espaço delimitado por uma missão. Ele contém fontes, conhecimento produzido a partir dessas fontes, um estado atual, uma história, decisões, contradições, ações, entregáveis. Ele precisa poder ser interrompido e depois retomado. Precisa acumular conhecimento ao longo do trabalho. E vários Contextos precisam conseguir trocar informação sem perder a autonomia.

Então eu pensava: os blocos com certeza vêm de 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 logo de cara quando você vai buscar a anterioridade de um método.

Ninguém é obrigado a ter usado o seu vocabulário.

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

Uma equipe médica pode fazer há cinquenta anos alguma coisa parecida com o seu handoff, sem nunca ter usado essa palavra.

Um sistema de arquivologia 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 que encontrou com agentes de IA em 2026.

Portanto, era preciso parar de procurar por Contexto.

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 podermos fazer perguntas.

Não só:

Alguém já imaginou um espaço de trabalho persistente?

Mas também:

Alguém já separou a fonte bruta do conhecimento derivado?

Existe algum sistema que distingue o presente do diário histórico?

Existe alguma tradição em que trabalhar num 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 pesquisa.

Primeira surpresa: quase todos os blocos já existiam

Depois que o sistema foi desmontado, os antecedentes começaram a aparecer em todo lugar.

Alguns exemplos:

• a proveniência obviamente já tinha toda uma literatura por trás, chegando a padrões como o W3C PROV; W3C — PROV-O: The PROV Ontology
• o Event Sourcing traz uma maneira de reconstruir um estado atual 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 possivelmente incompatíveis. Johan de Kleer — An assumption-based TMS

A essa altura, nada disso me surpreendeu de verdade.

Raramente um método complexo é feito de mecanismos que surgiram do nada.

A primeira conclusão parecia bastante tranquilizadora:

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

Era uma conclusão razoável.

Ela não durou muito tempo.

Segunda iteração: procurar a função, não o conceito

Mudamos de método.

Em vez de pesquisar os conceitos do livro, passamos a pesquisar os problemas que eles resolvem.

• Como alguém retoma um trabalho depois de uma interrupção?
• Como passar um dossiê adiante de um jeito bom o bastante para que outra pessoa consiga continuar?
• Como transformar milhares de pedaços de informação em evidências e depois em hipóteses?
• Como manter várias explicações concorrentes sem escolher uma delas artificialmente?
• Como um espaço de trabalho mantém ao mesmo tempo o seu estado operacional e um conhecimento reutilizável?

Dessa vez, a pesquisa saiu muito rápido do mundo do software.

Ela nos levou para: - o trabalho de inteligência; - o direito; - a medicina; - a gestão de incidentes; - as ciências cognitivas; - a arquivologia; - 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, monta elementos de evidência, constrói esquemas e hipóteses e então produz o resultado da sua análise. Pirolli & Card — The sensemaking process and leverage points for analyst technology

Isso obviamente não é o Contexto.

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 deixa de ser o aplicativo e passa a ser a atividade humana, com as tarefas e os recursos computacionais associados a ela. A arquitetura é pensada, entre outras coisas, para permitir a mobilidade, a colaboração e a continuidade da atividade entre ambientes. Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

Ou seja, a ideia de que é preciso guardar algo mais rico do que um documento para dar continuidade ao trabalho obviamente não esperou os agentes de IA.

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

Aí o território já começava a encolher.

A retomada não tinha nada de particular.

O handoff também não.

Até a cadeia:

fonte → interpretação → raciocínio → produção

tinha antecedentes muito sólidos.

Então, nova hipótese:

talvez o que há de particular esteja na junção entre o dossiê vivo e o acervo de conhecimento.

Ou seja: trabalhar em um problema e, ao mesmo tempo, construir algo que vai sobreviver a esse problema.

Essa hipótese durou ainda menos.

O desvio que mais mudou a pesquisa: sair do inglês

Até ali, mesmo mudando de disciplina, a gente continuava bastante preso a um corpus ocidental e em inglês.

Então começamos a pesquisar em japonês, chinês, russo e árabe.

Foi aí que a pesquisa ficou realmente interessante.

No Japão, esbarrei no KJ法, o método KJ, de Jirō Kawakita.

Kawakita descreve um método bottom-up em que você parte de dados de campo, escreve esses dados em cartões que podem ser manipulados livremente e depois vai aproximando e combinando esses cartões aos poucos, pelo sentido, até fazer uma estrutura emergir. J-STAGE — Emergence and Essence of the KJ Method, entrevista com Jirō Kawakita

E aí eu tive um momento bem engraçado.

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

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

Não é o mesmo método.

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

As minhas cartas-pilar servem mais para manter vivas algumas ideias estruturantes, revisitá-las e continuar confrontando essas ideias com o que leio e experimento.

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

• tirar unidades de pensamento da cabeça;
• 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 muito depois de já ter essa prática funcionando.

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

Não para poder dizer: "eu tinha tido a mesma ideia".

Pelo contrário.

Para constatar que dá para construir algo com sinceridade, por conta própria, e descobrir depois que outra tradição vem explorando um mecanismo vizinho há décadas.

Também encontramos Tadao Umesao, que já em 1969 descreve um sistema de cartões independentes feitos para serem recombinados, sendo que o novo conhecimento produzido por essa recombinação pode entrar no sistema por sua vez.

Ou seja:

acervo existente → recombinação → novo conhecimento → acervo enriquecido

Já não estava muito longe.

Depois chegamos à China.

E aí 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 de sistemas complexos.

O HWMSE vira o ambiente feito para colocá-la em prática.

A arquitetura dele combina explicitamente: - especialistas humanos; - sistemas de máquinas; - sistemas de conhecimento.

O objetivo não é apenas usar o conhecimento existente.

Os autores falam também em 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 ir se acumulando continuamente pelo próprio uso. Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

Aquilo já parecia muito com o que eu tentava formular com o Contexto.

E não era só um esquema conceitual.

Os trabalhos sobre o 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 tranquilizadora:

os sistemas de dossiê cuidam do trabalho, os sistemas de conhecimento cuidam do acervo, e o Contexto junta os dois

já não se sustentava muito bem.

Outras pessoas já tinham construído sistemas que reuniam uma parte substancial dessas duas dimensões.

Era preciso descer mais um nível.

Terceira iteração: procurar os concorrentes arquiteturais

Paramos de perguntar:

"Que conceito se parece com o Contexto?"

Em vez disso, definimos algumas assinaturas: - o sistema cuida de 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 conseguem cooperar continuando autônomos?

Essa busca fez aparecer vários sistemas muito mais próximos do que eu esperava.

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 o seu projeto.

Do outro, a Experience Factory: - recolhe a experiência produzida; - analisa essa experiência; - sintetiza; - transforma em unidades reutilizáveis; - e devolve tudo isso aos 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 várias centenas de estudos. NASA — The Software Engineering Laboratory: An operational software experience factory

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

Isso atacava diretamente outra ideia que eu considerava importante:

o entregável não é o acervo; o trabalho do projeto precisa enriquecer alguma coisa 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 em um processo separado do trabalho.

O ciclo de resolução consiste, entre outras coisas, em: - procurar o conhecimento existente; - reutilizar esse conhecimento; - melhorá-lo no momento em que ele é usado; - capturar novos conhecimentos quando for necessário.

O Consortium for Service Innovation resume a ideia com uma fórmula especialmente clara: reuse is review. O conhecimento é verificado e melhorado no próprio fluxo do trabalho. Consortium for Service Innovation — The Solve Loop

Mais uma redução.

Até:

transformar o trabalho do dia a dia em uma máquina de produzir e melhorar conhecimento reutilizável

já tinha sido formalizado.

Quarta iteração: atacar os últimos detalhes

A essa altura, continuar acumulando grandes analogias já não tinha muita utilidade.

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 contestada; - a diferença entre referenciar uma informação e copiá-la, passando em seguida a ser responsável por mantê-la.

Mesmo aí, os muros caíram um após o outro.

As nanopublicações e micropublicações 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, alguma coisa 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 apenas cansados de procurar.

Então acrescentamos um critério.

Uma fonte nova não contava mais só por parecer com o Contexto.

Ela precisava mudar o mapa.

Por exemplo:

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

Essa regra permitiu continuar sem cair no jogo de forçar qualquer analogia.

Dois sistemas ainda passaram nesse teste.

ScholOnto

O projeto ScholOnto, financiado já em 2000 e ativo no início dos anos 2000, tentava construir uma infraestrutura que permitisse aos pesquisadores publicar claims, conectar essas claims à literatura e contestá-las.

O 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.

O 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, guardar a 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 as minhas notas atômicas ficava difícil de ignorar: - fonte distinta; - interpretação; - proposição; - proveniência; - apoio; - contradição; - reutilização; - evolução ao longo do tempo.

E, mais uma vez, 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 então os resultados pararam de mudar a conclusão

Essa é provavelmente a parte mais importante do método.

Em algum momento, é preciso parar.

Não porque ficou provado que nenhuma outra anterioridade existe.

Isso é impossível.

Mas porque as novas buscas começam a devolver 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 precisa gastar dez linhas explicando por que alguma coisa poderia ser vagamente comparável.

Nesse momento, existe um risco.

A gente para de colocar a nossa hipótese à prova.

E começa a fabricar a semelhança que queria encontrar.

Por isso consideramos que a pesquisa tinha chegado a uma saturação razoável.

Então o que é original?

A conclusão não é a que eu imaginava no começo.

Não acho mais que seja muito útil procurar "a ideia nova" dentro do Contexto.

Quase todos os seus blocos importantes têm antecedentes.

Muitas das relações entre esses blocos também.

E vários sistemas anteriores já montam pedaços grandes desse conjunto.

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

Isso não significa que o Contexto não traga nada.

Significa que a contribuição dele está em outro lugar.

Hoje eu formularia assim:

o Contexto é uma seleção, uma combinação e uma normalização explícitas de mecanismos vindos de várias tradições, reunidos em um método operacional para trabalhar de forma duradoura com uma IA.

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

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

Mas quase todo componente dessa gramática tem uma história anterior ao Contexto.

E, no fim das contas, essa é uma resposta que me agrada bem mais.

A cultura científica da dúvida

No começo, a pergunta era mais ou menos assim:

A minha ideia é mesmo original?

Olhando para trás, provavelmente não é a melhor pergunta.

A busca de anterioridade serviu principalmente para eu entender do que a minha ideia era feita.

Quais intuições vinham de tradições que eu conhecia.

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

Quais pedaços já tinham sido montados juntos.

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

Isso é, acima de tudo, uma boa ilustração do que eu chamo de cultura científica da dúvida.

Eu tinha uma hipótese implícita:

talvez essa parte do Contexto seja nova.

A maneira certa de testar essa hipótese não era procurar razões para acreditar nela.

Era procurar o melhor contraexemplo possível.

E, quando encontrávamos um, mudar a hipótese.

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

Paradoxalmente, a proposta ficou mais clara.

Prefiro poder dizer:

isto é o que eu pego emprestado, isto é o que eu adapto, isto é o que eu combino, e esta é a forma que eu dou a tudo isso

em vez de contar que uma ideia é nova só porque eu nunca tinha esbarrado nos ancestrais dela.

O método que eu reutilizaria

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

Eu iria direto para:

• 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;
• pesquisar em vários idiomas;
• olhar os sistemas realmente construídos, não só as teorias;
• rastrear a bibliografia das melhores fontes e depois olhar os trabalhos que as citam;
• procurar de propósito 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 trouxerem variantes de antecedentes já mapeados.

O trabalho de rastrear as referências de uma boa fonte e depois seguir as publicações que a citaram às vezes é chamado de snowballing.

A palavra importa menos 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 pesquisa sempre pode continuar.

Sempre vai ter: - um artigo novo; - uma patente nova; - uma disciplina nova; - outro idioma; - uma palavra-chave nova.

A pergunta não é se tudo já foi encontrado.

A pergunta é:

continuar ainda muda a resposta?

Os limites

Esse método obviamente não demonstra a ausência de uma anterioridade.

Ele depende: - dos motores de busca; - dos idiomas em que a gente pensa; - dos documentos que foram digitalizados; - das publicações ainda acessíveis; - da indexação delas; - do vocabulário escolhido pelos seus autores; - 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 em uma usina nuclear não é a ancestral direta de um sistema de memória para IA só porque tem um handoff.

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

É preciso conseguir dizer as duas coisas:

isto é próximo o bastante para ser interessante

e:

isto não é a mesma coisa.

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

E não virar:

ninguém nunca tinha feito isso.

O que eu tiro disso

Comecei essa pesquisa tentando saber o que eu tinha inventado.

Termino com uma pergunta um pouco diferente:

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

A resposta me parece mais interessante.

O Contexto 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 deixar esses mecanismos simples e coerentes o bastante para um humano e uma IA trabalharem juntos durante semanas ou meses sem perder o que aprendem.

Então não saí dessa pesquisa com um território virgem para fincar 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.