Começa com Bayes em mil setecentos e alguma coisa.

Um ministro presbiteriano cambaleando para casa com as suas roupas clericais, pensando em linhas retas.

Não sabemos muito sobre Thomas. Ele acreditava que o seu trabalho mais importante era moral e matemático ao mesmo tempo. Em Divine Benevolence, ele argumentou que a existência da felicidade era em si mesma evidência de que Deus provavelmente existe.

Nas suas notas matemáticas, ele enfrentou problemas práticos difíceis, incluindo o desafio clássico do geômetra de medir a Terra. A afirmação de que a sua estimativa estava dentro de um décimo de ponto percentual dos valores modernos é colorida, mas não verificada. O que sabemos é que Bayes foi reconhecido pela Royal Society pelo seu trabalho em fluxões e métodos para determinar o tamanho da Terra. Isso já diz o tipo de mente com que estamos lidando.

O maior impacto de Thomas chegou depois que ele partiu. Após a morte de Bayes em 1761, o seu amigo Richard Price vasculhou os seus papéis, encontrou uma solução nítida para um problema de probabilidade inversa, editou-a e publicou-a em 1763 como An Essay towards Solving a Problem in the Doctrine of Chances. Essa inversão — inferir dos dados para a crença — sustenta tudo, desde testes médicos até aprendizado de máquina hoje.

A mesma década em que o pai de Mozart levava um prodígio pela Europa, em que Abu Dhabi foi fundada, em que Watt melhorou a máquina a vapor, e em que James Cook partiu para observar o trânsito de Vênus. O colonialismo estava apenas começando. Que época para estar vivo.

Aqui está o centro de tudo isso:

P(H | D) = P(D | H) × P(H) / P(D)

A posterior é igual à verossimilhança vezes a prior, normalizada pela evidência. Para aqueles mais do lado da matemática intuitiva, o que ela codifica é: quanto mais já sabemos, e melhor as novas evidências se encaixam, melhor será a nossa próxima estimativa.

Bayes pousa no Iluminismo como um sino claro. Laplace o escuta, o leva mais longe, e imagina o seu famoso experimento mental sobre um intelecto que conhece todas as forças e posições, para quem nada é incerto, e para quem o futuro e o passado são ambos visíveis de uma vez. Bonito, e também um alerta precoce sobre confundir cálculo com sabedoria.

Por que se importar agora?

Porque as ideias mais novas do mundo estão no final da estrada que começa com Bayes.

Os grandes modelos de linguagem parecem cerebrais porque são muito bons em recuperar continuações prováveis a partir do contexto. Eles não executam literalmente o teorema de Bayes, mas o seu comportamento é profundamente bayesiano. Eles pesam as possibilidades por quão bem elas se encaixam na história até agora. Eles ainda são fracos em direcionar a atenção para a tarefa certa. Isso continua sendo o nosso trabalho.

Comece com um argumento fundamentado

Bayes teria odiado o instinto de declarar. O seu método começa com uma hipótese e aguarda os dados. Apresentar um argumento fundamentado significa testar a crença contra a evidência. Isso resulta em melhor marketing, política mais clara e reuniões de produto mais sensatas. O argumento se torna um processo de calibração em vez de conquista.

Em vez de tentar encaixar tudo numa instrução de voz de 38 minutos, peça à máquina que formule uma série de perguntas que ajudem a construir um argumento fundamentado e a melhorar a qualidade dos resultados. À medida que as plataformas abrem ambientes colaborativos onde várias pessoas e agentes podem definir problemas juntos, esse hábito importará mais do que qualquer comando único.

Forneça melhor contexto

Cada previsão depende dos seus priors. Quanto melhor você enquadrar o problema, mais provável é que o sistema produza sentido em vez de ruído. Os prompts funcionam da mesma forma. Contexto específico e bem ponderado produz resultados relevantes; perguntas vagas geram besteiras confiantes. Seja fazendo um prompt para uma IA ou para uma pessoa, você recebe de volta a qualidade do contexto que colocou.

Isso explica por que prompts curtos geralmente entregam resultados medíocres. Pessoas talentosas com um senso de refinamento já à mão vão se sair bem, por enquanto.

Traga evidências

Se Thomas não tivesse guardado os seus papéis, o bom amigo Richard Price não teria nada para vasculhar. Se você tem papéis, isso é uma vantagem. Se tem dados, use-os. O futuro já está repleto de especulação confiante. A evidência é o poder silencioso que te mantém honesto. É também o que transforma o aprendizado probabilístico em um ato criativo em vez de um blefe. Quanto mais o modelo vê âncoras do mundo real, menos provável é que alucine. Os humanos funcionam da mesma forma.

Se você escreveu um blog, Substack ou livro, está em vantagem. Esses se tornam os priors que permitem a um modelo escrever com a sua voz. Empresas que têm anos de comunicados de imprensa ou conteúdo de vídeo poderão gerar material sintético que combina com a sensação e os frameworks da marca. Manter a cabeça de uma marca acima da lama se tornará um desafio fundamental.

Mantenha múltiplas perspectivas

O teorema de Bayes não é sobre ter razão uma vez; é sobre errar cada vez menos. Manter múltiplas perspectivas acelera esse processo. Faça a pergunta, depois pergunte como o seu cliente, o seu crítico e o seu concorrente poderiam respondê-la. Configurar modelos com frameworks ideológicos ou corpora de conteúdo curados torna as respostas mais inteligentes e as equipes menos tribais. É também o antídoto para câmaras de eco, algorítmicas ou não.

Estou lendo Cultural Amnesia de Clive James no momento, então é claro que pesquisei profundamente as obras daqueles que ele cita e começo os meus dias em conversa com sombras da história. Camus tem opiniões sobre tudo. Pedir que o seu pensamento seja revisado da perspectiva de um cliente ou de um crítico persistente pode ajudá-lo a abordar pontos cegos e constrói um pensamento melhor trabalhando com a máquina.

Cuidado com a armadilha da atenção

Otimizar para engajamento é uma forma quase perfeita de destruir a confiança. Também tem sido o modelo dominante de monetização no Vale do Silício por décadas, e os grandes modelos que vêm desse mundo compartilham o DNA.

O conteúdo mais pegajoso ganha o scroll, mas frequentemente perde o argumento. Atenção sem profundidade vira vício. Bayes nos diria que a evidência deve superar a emoção, que alguns priors sólidos são melhores do que mil opiniões quentes. Otimize para resultados, não para indignação.

Os modelos já estão testando como você responde à adulação. Isso parece ser o risco maior do que a tecnologia se tornar Skynet, pelo menos por agora.

A corrida exponencial não acabou

Os humanos têm uma tendência de acreditar que estão vivendo no ou perto do ponto mais alto de toda a história. Sempre parece o final de uma partida de Civilization e só restam algumas tecnologias na árvore.

A IA parece ser um enorme motor econômico, e estamos apenas começando a entender o que ela muda. No nível do usuário, a interface para essas tecnologias irem além da linha de comando — à medida que a máquina constrói interfaces de usuário em torno de contêineres de software para prompts, novas constelações das nossas interações no mundo — é um dos desenvolvimentos mais interessantes de se observar.

Não saberemos que o demônio de Laplace está na sala até que seja tarde demais, o que é outra forma de dizer que direção, propósito e humildade ainda são os ativos escassos. Bayes nos dá uma forma de aprender com a experiência sem fingir certeza. É exatamente o que precisamos.

A coisa mais poderosa no seu teorema é que ele escala do universo para a caixa de entrada. Aplica-se igualmente à física e ao design de produtos, à contratação, à política e à liderança criativa. Cada dia atualizamos os nossos priors com base no que o mundo nos devolve. É isso que é o aprendizado real.