À medida que a IA continua a se transformar, o mesmo acontece com a experiência das pessoas que ela atende.
Uma investigação da McKinsey mostra que, em 2025, 62% das organizações estão pelo menos a experimentar agentes de IA, enquanto quase 9 em cada 10 afirmam agora que os utilizam regularmente.
Reitor da Escola de Engenharia da Universidade de Manhattan, Professor Emérito de projeto de engenharia e engenharia mecânica na Penn State University e praticante da KAI.
Embora estes números sejam encorajadores, as preocupações sobre a tecnologia permanecem consistentes, especialmente em torno da qualidade e fiabilidade dos dados e das respostas imprecisas que as ferramentas de IA podem gerar. A imprecisão é o risco que a maioria das organizações está trabalhando para mitigar, de acordo com a McKinsey.
Então, existe uma maneira de melhorar o resultado dos LLMs e obter as respostas e informações que desejamos e da maneira que precisamos? Atualmente, a resposta é dizer aos usuários para simplesmente melhorarem suas solicitações, mas se observarmos como os humanos interagem uns com os outros, pode haver outra solução.
Apresentando a diversidade cognitiva – e por que ela é importante para os LLMs
Nos humanos, a diversidade cognitiva refere-se às diferenças na forma como os indivíduos pensam, resolvem problemas, geram ideias e tomam decisões.
O inventário KAI sugere que esta diversidade surge na forma de uma preferência natural e inata pela quantidade de estrutura que utilizamos à medida que geramos soluções, organizamos o nosso ambiente à medida que as implementamos e respondemos às regras e normas do grupo.
A Teoria da Adaptação-Inovação, na qual o KAI se baseia, descreve um espectro que varia de altamente adaptativo a altamente inovador, com infinitas variações entre eles.
De um modo geral, os indivíduos mais adaptativos preferem mais estrutura e preferem aproveitar regras claras e consistentes, enquanto as pessoas mais inovadoras preferem menos estrutura e são mais propensas a ignorar ou alterar as regras para permanecerem envolvidas.
A preferência de alguém por mais adaptação ou mais inovação não está relacionada com a sua inteligência ou motivação; e por causa disso, não existe uma posição ideal para alguém no espectro KAI.
Décadas de pesquisa do Dr. MJ Kirton sobre a Teoria da Adaptação-Inovação sugerem que, quando os indivíduos compreendem seus estilos cognitivos, as soluções podem ser alcançadas de maneiras mais eficazes, acionáveis e eficientes – tanto sozinhos quanto em equipes.
Mas como podemos aplicar esta teoria à tecnologia e podemos treinar LLMs para trabalhar de forma semelhante? A pesquisa sugere que a resposta é “sim”.
O que a pesquisa sugere:
Um artigo recente de pesquisadores da Carnegie Mellon University e da Penn State University – Colocando o fantasma na máquina: emulando o estilo cognitivo em grandes modelos de linguagem – explorou uma questão fundamental: os LLMs podem emular estilos cognitivos se lhes ensinarmos como?
Os pesquisadores ensinaram um modelo LLM sobre a Teoria da Adaptação-Inovação, dando-lhe uma compreensão da diversidade cognitiva e de como as pessoas mais adaptativas e inovadoras se comportam. Foi então encarregado de resolver três problemas de design usando dois prompts diferentes, cada prompt tendo sido especialmente projetado com um estilo cognitivo diferente em mente.
Uma sugestão foi estruturada de forma adaptativa – espelhando o estilo de pensamento de alguém que é meticuloso, atento aos detalhes e que prospera quando trabalha com expectativas claras; a outra sugestão foi estruturada de forma inovadora – espelhando o estilo de pensamento de alguém que fica energizado quando as expectativas são mais ambíguas e há maior flexibilidade.
As respostas foram avaliadas quanto à viabilidade (quão viáveis e realistas eram as soluções) e à relação com o paradigma (se as ideias permaneceram dentro das estruturas existentes ou se afastaram delas).
Os resultados revelaram que o prompt adaptativo resultou em soluções tradicionais, mais viáveis e estruturadas. Em contraste, a iniciativa inovadora produziu soluções menos viáveis, mas que desafiavam mais os paradigmas.
Simplificando, o LLM não estava apenas gerando soluções ou respostas, estava gerando os tipos certos de soluções com base no seu conhecimento da diversidade cognitiva e no estilo cognitivo eficaz do indivíduo que fazia a pergunta.
Como resultado, forneceu uma solução mais inovadora/adaptativa, dependendo de como foi solicitado e do que o solicitante precisava.
Mas o que tudo isso significa para o futuro dos LLMs?
Simplificando, estaremos desperdiçando o poder dos LLMs se não levarmos em conta a diversidade cognitiva. Se quisermos obter soluções melhores, mais relevantes e mais produtivas da IA, e obtê-las de forma mais eficiente, a próxima geração da tecnologia deve ter uma compreensão da diversidade cognitiva incorporada nela.
Na vida real, raramente iniciamos uma pergunta explicando detalhadamente como pensamos ou abordamos os problemas, mas sabemos quando uma resposta corresponde ou não à nossa maneira de pensar – e se esse é o tipo de resposta que procuramos. Se os LLMs puderem nos oferecer a mesma gama de respostas possíveis que o espectro do estilo cognitivo representa, isso eliminará o ciclo interminável de sugestões até que encontremos a resposta de que precisamos.
A pesquisa mostra que, ao integrar uma compreensão dos estilos cognitivos humanos na própria tecnologia, estamos dando a nós mesmos e às nossas ferramentas de IA uma vantagem inicial. A partir daí, a oportunidade para taxas de produtividadea eficiência e a satisfação do usuário têm potencial para disparar.
Apresentamos os melhores modelos de linguagem grande (LLMs) para codificação.