Ideia principal

Um product manager que explica uma oportunidade de produto para um assistente parte de um interlocutor que não sabe nada a respeito, e que não vai preencher nenhum buraco por educação. É preciso dar o objetivo, as restrições, o que já foi decidido, o que continua em aberto — e depois recomeçar quando o resultado não é o esperado, reformular, precisar.

É aí que o dispositivo se vira contra você. Explicar de novo põe à prova o que você achava ter entendido: o que ficava implícito precisa ser escrito, e boa parte do que você dava como certo não sobrevive à escrita. Onde um colega teria consertado uma imprecisão com o próprio contexto dele, a máquina a leva ao pé da letra e devolve um resultado aproximado — sem erro visível, simplesmente fora do alvo.

O assistente, portanto, não compensa a imprecisão: ele a amplifica. Se o contexto está confuso na cabeça de quem o descreve, o resultado será confuso, e a qualidade da saída vira um indicador da clareza da entrada.

Por que isso importa

Isso transforma um trabalho visto como uma chatice de entrada num exercício de verificação. O tempo gasto enquadrando não é só o preço a pagar para obter alguma coisa: é o único momento em que você constata o que ainda não sabe formular.

Isso também dá outra leitura de um resultado ruim. Antes de culpar o modelo, há um diagnóstico a fazer sobre o que foi dado a ele — e esse diagnóstico costuma ser mais instrutivo do que a correção do prompt.

Nuances e limites

O espelho não devolve tudo. Um contexto perfeitamente claro e perfeitamente errado produz um resultado nítido, e o exercício não diz nada sobre a justeza dele.

E um assistente complacente embaralha o sinal: se ele produz algo plausível a partir de uma instrução vaga, a confusão de partida deixa de aparecer.

Questões em aberto

• Como distinguir um resultado medíocre causado por um contexto confuso de um resultado medíocre causado pelos limites do modelo?