A onipresença dos grandes modelos de linguagem (LLMs) trouxe uma eficiência sem precedentes, mas também revelou um efeito colateral inesperado: a homogeneidade. Ao solicitar a um chatbot comum que escolha um número entre 1 e 10, a resposta é, quase invariavelmente, 7. Esse comportamento não é uma coincidência estatística, mas um reflexo de como esses sistemas são treinados para convergir em direções de alta probabilidade, resultando em uma uniformidade que pode sufocar a criatividade em tarefas de brainstorming.
Para enfrentar esse desafio, a startup australiana Springboards lançou o Flint, um modelo construído sobre a base do Qwen 3, da Alibaba. Diferente dos modelos convencionais, o Flint foi treinado para identificar pontos específicos em uma resposta onde a variação é possível e injetar aleatoriedade de forma controlada. Segundo a empresa, essa estratégia evita a incoerência que ocorre quando se aumenta a 'temperatura' de um modelo de forma indiscriminada, mantendo a estrutura lógica enquanto expande o horizonte de possibilidades.
O problema da convergência algorítmica
A tendência de as IAs produzirem respostas idênticas é objeto de estudo acadêmico crescente. Em um artigo premiado na conferência NeurIPS, pesquisadores descreveram o fenômeno como um 'hivemind artificial', onde modelos distintos, treinados em bases de dados semelhantes, acabam oferecendo as mesmas metáforas e sugestões. Ao testar 25 modelos diferentes, a equipe constatou que, diante de perguntas abertas, a maioria convergia para clichês previsíveis, como descrever o tempo como 'um rio'.
Esse padrão de repetição é uma característica estrutural dos LLMs atuais, que priorizam a confiabilidade e a coerência. OpenAI e outras desenvolvedoras argumentam que a busca por respostas mais seguras e prováveis é o que torna os modelos úteis para tarefas de pesquisa e codificação. Contudo, para profissionais de criação, publicidade e estratégia, essa previsibilidade atua como uma barreira, limitando o pensamento lateral e a exploração de ideias fora do senso comum.
Mecanismos de aleatoriedade seletiva
A inovação técnica do Flint reside na forma como ele gerencia a imprevisibilidade. Ajustar a temperatura — o parâmetro que controla o grau de aleatoriedade de um modelo — costuma ser uma ferramenta imprecisa; quando elevada ao máximo, as respostas frequentemente perdem o sentido ou misturam linguagens. A equipe da Springboards percebeu que a solução não era elevar a aleatoriedade global, mas aplicá-la apenas em pontos de decisão estratégica, como a escolha de um destino de viagem ou o nome de um produto.
Ao treinar o modelo para discernir onde a variedade é benéfica, o Flint consegue oferecer sugestões menos óbvias sem comprometer a integridade da frase. Enquanto modelos como ChatGPT ou Claude frequentemente sugerem marcas ou conceitos de mercado dominantes, o Flint é programado para buscar alternativas fora do espectro de alta probabilidade, atuando como um catalisador para o pensamento criativo em ambientes de marketing e estratégia empresarial.
Stakeholders e limites da automação
Para profissionais como Zoe Scaman, da Bodacious, a utilidade da ferramenta está na capacidade de forçar direções de pensamento diferentes em estudos de caso. No entanto, o uso de IAs para fins criativos traz tensões claras. Especialistas alertam que, embora o Flint possa servir como um 'empurrão' para ideias novas, a dependência excessiva de qualquer output algorítmico pode enfraquecer o pensamento crítico da equipe humana, que deve ser a responsável final pela curadoria e pela voz da marca.
O mercado publicitário, principal alvo da Springboards, vive um dilema: a necessidade de escala e eficiência versus a exigência de originalidade. Ferramentas como o Flint ilustram que o futuro da IA criativa pode não ser a substituição do humano, mas a criação de sistemas que desafiem o consenso dos dados. Para as empresas, o desafio será integrar essas ferramentas sem perder a identidade e a autenticidade que definem uma marca no mercado.
Perspectivas e incertezas
A eficácia do Flint ainda é objeto de testes e o modelo é considerado um protótipo. A questão central que permanece é se a busca por 'imprevisibilidade' pode ser escalada para além de nichos criativos ou se, em última análise, a maioria dos usuários continuará preferindo o conforto da resposta média. O desenvolvimento de modelos mais criativos levanta novas perguntas sobre como mediremos a qualidade da IA no futuro.
Observar como esses sistemas de 'aleatoriedade seletiva' evoluirão em relação aos modelos de fundação será crucial. Se a tendência de homogeneidade for uma característica inerente ao treinamento em larga escala, startups como a Springboards podem encontrar um mercado valioso ao oferecer camadas de diversidade, mas a pressão por modelos cada vez mais precisos e controláveis pode continuar a empurrar a indústria na direção oposta.
O futuro da colaboração entre humanos e máquinas parece depender menos da perfeição estatística e mais da capacidade de manter o diálogo aberto, evitando que a eficiência algorítmica transforme o processo de inovação em um exercício de repetição. A tecnologia está apenas começando a oferecer ferramentas para quebrar esse ciclo.
Com reportagem de Brazil Valley
Source · MIT Technology Review
