Puri falou comigo de seu escritório no Centro de Pesquisa Thomas J. Watson da IBM em Yorktown Heights, Nova York. O edifício – uma estrutura expansiva e modernista aninhada nas colinas arborizadas a cerca de uma hora ao norte de Manhattan – tem a gravidade silenciosa de um local onde desenvolvimentos científicos ocorrem fora de vista. Os visitantes passam por placas de identificação azuis gravadas com fórmulas matemáticas e quadros brancos marcados com equações sem resolução. Projetado pelo arquiteto modernista Eero Saarinen no início dos anos 1960, o laboratório abriga algumas das inovações mais famosas da IBM. Puri trabalha aqui há décadas.
Com seus longos corredores e vista para a floresta, é o tipo de lugar onde o pensamento de longo alcance parece não apenas possível, mas esperado um cenário adequado à maneira como Puri aborda seu trabalho. Como ele conta, sua mudança para a AUI não é uma mudança significativa, mas uma continuação das questões que ele vem buscando há anos. Há muito tempo ele se volta para sistemas que apresentam valor prático em escala, como ferramentas de IA para desenvolvimento de software, que ele descreve como “surpreendentemente útil”, não apenas para especialistas, mas também para iniciantes aprendendo a programar. Esse tipo de ampla acessibilidade, argumenta ele, reflete a real promessa da IA.
E quando os modelos são incorporados em operações do mundo real, diz Puri, os riscos são altos. Nos setores bancário, de transporte e de saúde, por exemplo, pequenos erros podem se agravar rapidamente.
“Acho que o público entendeu errado por todas as demonstrações chamativas”, diz Puri. “ChatGPT, Midjourney, Sora — todos incríveis. Porém, no mundo empresarial, você não pode alucinar um número ou ler errado um regulamento. Tem que estar certo”.
Essa preocupação levou a IBM a adotar um modelo híbrido. Em vez de depender apenas de sistemas probabilísticos, eles estão combinando modelos com ferramentas verificadas, como calculadoras, APIs de pesquisa e validadores de dados estruturados, para minimizar os riscos. Essas abordagens não prometem cognição semelhante à humana. Eles buscam a consistência. O objetivo é garantir que os sistemas de IA possam ser confiáveis em ambientes de alto risco, onde a precisão e a auditabilidade são mais importantes do que a criatividade ou o talento para conversação.
“Há casos de uso em que a criatividade é um ativo”, diz ele, “e outros em que é um passivo”.
Puri faz referência à experiência da IBM em desenvolvimento e automação de software como uma prova de conceito. “Tornou-se surpreendentemente útil”, diz ele sobre a IA. “Desde desenvolvedores que acham útil em suas vidas cotidianas até estudantes que estão aprendendo a programar e fazer coisas, encontrando ajuda de agentes de codificação automatizados, ele se tornou útil não apenas para especialistas, mas para todas as pessoas em geral .”
Ele relembrou as dúvidas iniciais de alguns pesquisadores de que o desenvolvimento de software — muitas vezes vista como uma tarefa altamente criativa e complexa — seria difícil para as máquinas resolverem. “pensava-se que era uma tarefa muito, muito difícil”, diz ele. Mas graças a LLMs como o ChatGPT e modelos especializados internos, essa suposição não se manteve. “Isso foi surpreendente, não apenas para mim, mas para muitas pessoas.”
A maior implicação, diz Puri, é que, como “toda empresa é uma empresa de software agora”, a utilidade da IA na codificação pode se traduzir em uma ampla relevância em todos os setores.