Numa experiência informal com amigos, pedi a assistentes de inteligência artificial que respondessem por mim a mensagens no WhatsApp e no Instagram. Tinham acesso a contexto sobre a minha vida e ao meu modo de escrever em cada conversa. Os meus amigos julgaram estar a falar comigo. O resultado impressionou-me, mas também me deixou uma pergunta incómoda: quanto da nossa presença podemos delegar antes de começarmos a comprometer a confiança dos outros?
É nesta fronteira que o prompting, a prática de dar instruções à Inteligência Artificial, se está a tornar mais interessante. Continuamos a discuti-lo como uma técnica para obter textos melhores, quando já serve para orientar trabalho sobre a nossa vida digital. Saber pedir passa a incluir escolher a informação relevante, definir o resultado pretendido e estabelecer até onde o assistente pode ir.
A documentação da OpenAI sobre utilização do computador descreve sistemas capazes de operar interfaces de aplicações e navegadores. Com ferramentas como o Codex e outros assistentes, consoante as funcionalidades e permissões disponíveis, uma conversa pode transformar-se numa sequência de ações. O pedido deixa de terminar numa explicação sobre onde clicar.
As aplicações quotidianas são menos espetaculares do que um robô humanoide, mas podem ser muito úteis. Um assistente pode ajudar a identificar programas que consomem recursos desnecessariamente e propor o seu encerramento. Pode localizar ficheiros volumosos ou duplicados e sugerir o que eliminar. Convém, porém, acertar no diagnóstico: apagar ficheiros liberta armazenamento; não aumenta a memória RAM instalada. E um ficheiro antigo pode continuar a ser importante. A data do último acesso não basta para o declarar dispensável.
O mesmo vale para o dinheiro que sai da conta sem que reparemos. Com acesso autorizado a faturas e recibos, um assistente pode detetar subscrições esquecidas ou potencialmente duplicadas, comparar custos e ajudar a cancelá-las. Pode ainda acompanhar um pedido sem resposta e, quando a integração o permite, interagir com o apoio ao cliente. Uma suspeita de duplicação exige confirmação; um cancelamento deve ficar comprovado no serviço.
Um bom pedido seria: "Analisa estas despesas, identifica possíveis subscrições repetidas e mostra-me a evidência e a poupança anual. Antes de cancelar, pede-me confirmação." Este exemplo contém mais do que uma ordem: define fontes, critérios e um limite de atuação. O chamado “prompt perfeito” interessa-me menos do que esta capacidade de delegar com clareza. Uma frase bem escrita também não substitui controlos de acesso efetivos.
Além disso, a instrução já pode ter futuro. A documentação sobre tarefas agendadas do ChatGPT prevê execuções recorrentes e, em contextos compatíveis, tarefas desencadeadas por eventos de aplicações. Podemos pedir uma revisão mensal de despesas ou um aviso antes de uma renovação. A execução depende das ligações e permissões existentes; tarefas locais podem exigir o computador ligado. Agendar inclui decidir quando o assistente deve parar e quando precisa de nos chamar.
À medida que estes modelos se tornam mais capazes de responder às nossas perguntas, acredito que o próximo passo será aprenderem a fazer as perguntas certas nos momentos certos. Antes de agir, um assistente deverá reconhecer quando lhe falta contexto, quando as nossas prioridades podem ter mudado ou quando uma decisão exige confirmação. Saber perguntar sem nos interromper a cada passo será essencial para agir de forma alinhada com as nossas intenções e com segurança.
Há também um uso mais íntimo: pedir ajuda para nos conhecermos melhor. Em 2015, Wu Youyou, Michal Kosinski e David Stillwell publicaram na PNAS um estudo sobre a previsão de traços de personalidade a partir de gostos no Facebook. O trabalho mostrou que rastos digitais permitem inferências relevantes. Não demonstrou que qualquer chatbot nos compreende melhor do que nós próprios. Um retrato produzido a partir de mensagens deve ser tratado como uma hipótese a discutir, nunca como um diagnóstico ou uma identidade definitiva.
Podemos até pedir: "Desenha uma imagem da minha vida com base no que sabes sobre mim." A imagem pode ajudar-nos a pensar nas atividades que nos ocupam e nas prioridades que dizemos ter. Mas representa o que partilhámos e a interpretação do sistema. Deixa de fora o que não registámos. O seu valor está na reflexão que provoca, não numa suposta capacidade de revelar a nossa essência.
Quanto mais contexto fornecemos, mais específicas podem tornar-se as respostas. Também aumenta o que fica exposto. Uma caixa de correio ou uma conversa contém informação sobre amigos, familiares e colegas. Dar acesso à nossa conta envolve, por isso, mais pessoas do que o titular. Antes de ligar um serviço, interessa perceber que dados serão enviados, onde ficam guardados, por quanto tempo e como podemos revogar o acesso.
Uma medida concreta é desativar, nas definições de privacidade e quando essa opção exista, a utilização dos nossos dados para treinar os modelos. Isso limita um uso adicional da informação e ajuda a protegê-la. Mas treino, processamento e conservação são coisas diferentes, como ilustram os controlos de dados da OpenAI: excluir os dados do treino não significa que deixem de ser processados ou guardados pelo serviço.
Existe ainda um risco menos intuitivo. Um assistente pode encontrar instruções maliciosas numa página ou num documento e confundi-las com ordens legítimas. O National Cyber Security Centre britânico alerta para esta vulnerabilidade, conhecida como prompt injection. Quando o sistema pode agir, o erro pode passar do texto para uma alteração real. Devemos limitar os acessos ao necessário, preservar cópias recuperáveis e confirmar operações com consequências difíceis de desfazer.
A experiência com os meus amigos tornou outra responsabilidade evidente. Reproduzir o meu estilo não equivale a estar presente numa relação. O episódio que relato é uma observação pessoal, sem controlo experimental; não prova que a imitação seja sempre convincente. Ainda assim, obriga-me a defender transparência quando um sistema conversa autonomamente em nosso nome. Uma resposta automática sobre horários e uma mensagem de apoio num momento difícil não pedem o mesmo grau de envolvimento humano.
Os benefícios de produtividade têm fundamento, embora dependam da tarefa. No estudo Generative AI at Work, publicado em 2025 no Quarterly Journal of Economics, Erik Brynjolfsson, Danielle Li e Lindsey Raymond analisaram 5172 profissionais de apoio ao cliente. O acesso a assistência de IA aumentou, em média, 15% o número de problemas resolvidos por hora. Os ganhos variaram entre trabalhadores. É um resultado relevante num contexto concreto, não uma promessa de poupança idêntica para cada utilizador.
Perante uma mensalidade elevada, vale a pena fazer contas. Uma subscrição cancelada ou várias horas recuperadas podem justificar o investimento. Mas a conta tem de incluir o tempo gasto a explicar, supervisionar e corrigir. A sensação de estar a produzir mais não chega. Se pagarmos por uma ferramenta que quase não usamos, acabámos de acrescentar outra subscrição à lista que lhe pedimos para limpar.
Vejo aqui uma oportunidade de tornar acessível ajuda que antes exigia conhecimento técnico ou dinheiro para a contratar. Para a aproveitar, precisamos de ensinar a definir tarefas, verificar resultados e proteger informação. Se esta aprendizagem ficar reservada a quem pode pagar os melhores planos e experimentar sem receio, os ganhos serão distribuídos de forma desigual.
Quero que estes assistentes me devolvam tempo para aquilo que escolho fazer, incluindo estar com os meus amigos. É esse o critério com que pretendo avaliá-los. O prompting torna-se uma competência valiosa quando nos ajuda a exercer melhor essa escolha, mantendo sob o nosso controlo as decisões que contam..
Nota: Presente artigo escrito a título pessoal.