Café com R - Newsletter|Dose 13
Edição 13: O que a IA não consegue fazer por você
- Que cada gole desperte uma nova ideia.
- Que cada script abra uma nova conversa.
- Que o Café com R se torne um ponto de encontro nosso.
O gole da semana
Tenho observado um movimento que me chamou atenção.
Profissionais que trabalham com dados alguns com anos de experiência, outros ainda construindo base começando a recuar do uso de IA. Não por resistência à tecnologia. Não por nostalgia de como as coisas eram antes. Mas por uma percepção específica, articulada com cuidado por quem sente: algo cognitivo está se perdendo.
O pensamento está ficando mais rápido. E mais raso ao mesmo tempo.
A facilidade de obter uma resposta está ocupando o espaço que antes era preenchido pelo esforço de construir uma compreensão.
O código aparece antes da pergunta estar formulada.
A análise é gerada antes do problema ser entendido.
E no final, o resultado está lá correto, limpo, entregável mas a pessoa que o produziu não sabe exatamente o que aconteceu entre o prompt e o output.
Esse movimento merece atenção. Isso porque o que esses profissionais estão descrevendo revela algo fundamental sobre como o aprendizado funciona.
Esta edição é sobre isso.
A dose técnica
O que está acontecendo
Existe um padrão que aparece com frequência em quem começa a usar IA de forma intensiva no aprendizado de dados e programação.
No início, a produtividade aumenta de forma visível. Problemas que levavam horas são resolvidos em minutos. Código que exigiria pesquisa extensa é gerado com um prompt bem formulado. A curva de entrega sobe.
Mas em algum momento, semanas ou meses depois, aparece uma percepção desconfortável. Diante de um problema novo, sem acesso à IA, a pessoa percebe que não sabe por onde começar. Não porque o problema seja mais difícil do que os anteriores. Mas porque o repertório que deveria ter sido construído ao longo do processo não foi, porque a IA resolveu antes que houvesse tempo para aprender.
O problema não está na velocidade. Está em confundir entrega com aprendizado.
Entregar um resultado correto e aprender a produzir resultados corretos são processos diferentes.
O primeiro pode ser acelerado por qualquer ferramenta que aumente eficiência.
O segundo depende de algo que não pode ser terceirizado: o trabalho cognitivo de errar, identificar o erro, entender por que ele aconteceu e construir uma compreensão que evite o mesmo erro na próxima vez.
Quando a IA resolve o problema antes que esse ciclo aconteça, o resultado aparece mas o aprendizado não.
Você já se pegou resolvendo um problema com IA e, na semana seguinte, não conseguindo resolver um problema similar sem ela? Esse é o sinal.
O que a IA faz bem e o que ela não faz
A IA executa com eficiência o que você já sabe pedir.
Essa frase merece atenção porque ela define, com precisão, onde a ferramenta agrega valor e onde ela não chega.
Para usar IA de forma produtiva em análise de dados, você precisa saber formular a pergunta certa. Saber avaliar se a resposta faz sentido. Saber identificar quando o código gerado resolve o problema errado. Saber interpretar o resultado no contexto do problema que você está investigando.
Tudo isso a capacidade de pedir bem, avaliar com critério e interpretar com profundidade é construído pelo processo que a IA tende a encurtar quando usada sem consciência.
A IA não constrói o repertório que te permite saber o que pedir. Ela não produz o desconforto de depurar um erro por quarenta minutos e finalmente entender o que estava errado e por quê.
Isso não significa que a ferramenta é ruim. Significa que ela tem um lugar específico no processo e que colocá-la no lugar errado tem um custo que só aparece depois, quando você precisa pensar sem ela.
A distinção entre usar IA como ferramenta e usá-la como substituto do pensamento não está na ferramenta. Está em quem decide quando usá-la, para quê e em qual ponto do processo.
Sair do computador para pensar
- Há uma prática que recomendo e que pratico que parece simples e que faz uma diferença cognitiva para mim: antes de abrir o computador, pegar papel e caneta.
Não para escrever código. Para pensar.
Esboçar o problema em palavras. Desenhar o fluxo da análise quais dados entram, quais transformações fazem sentido, qual a pergunta central, o que um resultado útil pareceria. Identificar o que você sabe e o que precisa descobrir antes de escrever a primeira linha.
Esse processo não é nostálgico. Não é resistência à modernidade. É cognitivamente diferente do que acontece quando você abre direto o RStudio ou digita um prompt.
Quando você escreve à mão, o ritmo muda muito. O pensamento desacelera o suficiente para que conexões apareçam que não aparecem na velocidade do teclado. Você é obrigado a formular não apenas a reagir. Faça e veja o RESULTADO.
- Um quadro branco funciona da mesma forma. Escrever os elementos do problema em post-its e reorganizá-los fisicamente no espaço ativa uma forma de pensamento espacial que a tela não replica. Ver o problema espalhado à sua frente, sem hierarquia de menu ou estrutura de arquivo, muda a forma como você o processa.
Isso não é metáfora. Há décadas de pesquisa em ciências cognitivas documentando que a escrita à mão e o pensamento visual em superfícies físicas ativam processos diferentes dos que acontecem na interação com interfaces digitais. O aprendizado que passa pelo corpo pela mão que escreve, pelo olho que percorre o espaço físico tem uma consolidação diferente.
Algumas práticas concretas que fazem diferença:
Antes de começar qualquer análise: escrever em papel a pergunta central em uma frase. Se não conseguir formular em uma frase, o problema ainda não está claro o suficiente para abrir o código.
Antes de usar IA para resolver um problema técnico: tentar por um tempo determinado quinze minutos, trinta minutos sem nenhuma assistência. O objetivo não é resolver sozinha. É construir familiaridade com o problema antes de receber a solução.
Após receber uma resposta da IA: fechar a janela e reescrever o código sem olhar para ela. Se você consegue reescrever, aprendeu. Se não consegue, recebeu uma entrega, não um aprendizado.
Ao final de uma sessão de estudo: escrever à mão o que aprendeu. Não copiar. Escrever com suas próprias palavras o que entendeu, o que ainda não entendeu e qual é a próxima pergunta. Esse registro consolida o que aconteceu na tela de uma forma que fechar o computador não consolida.
Como encontrar equilíbrio
O equilíbrio não está em usar menos IA. Está em saber quando não usar.
Essas duas coisas parecem iguais e não são.
Usar menos é uma decisão quantitativa reduzir o volume de uso sem necessariamente mudar o padrão. Saber quando não usar é uma decisão qualitativa identificar quais partes do processo precisam do atrito do pensamento sem assistência e proteger essas partes deliberadamente.
Quais são essas partes? Cada pessoa vai encontrar as suas, mas há pontos que tendem a aparecer com consistência em quem trabalha com dados:
A formulação do problema. Essa etapa precisa ser sua. A IA pode ajudar a refinar, mas não pode substituir o trabalho de entender o que você está investigando e por quê. Se você terceiriza essa etapa, tudo o que vem depois está construído sobre uma base que você não compreende.
A interpretação dos resultados. Um modelo ajustado, um gráfico gerado, uma tabela produzida, o que isso significa no contexto do problema? Essa pergunta precisa ser respondida por quem conhece o problema, não por quem gerou o código.
O diagnóstico de erros. Erros são oportunidades de aprendizado densas. Quando você entrega o erro para a IA resolver imediatamente, perde exatamente a parte do processo que mais consolida compreensão. Vale tentar antes. Vale errar mais de uma vez antes de pedir ajuda.
A IA tem lugar no processo. Para checar sintaxe, para explorar alternativas que você já entende o suficiente para avaliar. Mas o pensamento, a formulação, a interpretação, o diagnóstico, precisa continuar sendo seu.
Em qual parte do seu processo de aprendizado você ainda está no comando? Essa é a pergunta que vale levar desta edição.
O que estou acompanhando
Nessas últimas semanas não estou acompanhando nada, só trabalhando e trabalho, pois estive de mudança e isso ocupou bastante tempo. Mas tenho programação para semana que vem e compartilho na próxima edição.z
Próxima edição - Estudar para durar
A diferença entre aprender para resolver o problema imediato e aprender para ampliar capacidade. Como estruturar o estudo quando você já trabalha e o tempo é limitado.
Gostou desta edição? Assine o Café com R e receba conteúdo de R e Ciência de Dados a cada quinze dias.