São 6:30 da manhã,
e Kristen está levando seu paciente
prostático para a sala de cirurgia.
Ela é médica residente,
uma cirurgiã em treinamento.
O trabalho dela é aprender.
Hoje ela está ansiosa para fazer
uma cirurgia que preserva os nervos,
uma dissecção extremamente delicada
que pode preservar as funções eréteis.
Isso ficará a cargo do cirurgião,
no entanto ele ainda não chegou.
Ela e a equipe anestesiam o paciente,
e ela conduz a incisão inicial
de 20 cm no baixo ventre.
Assim que o corte está pinçado, ela pede
à enfermeira para chamar o cirurgião.
Ele chega, coloca o traje,
e a partir daí, as quatro mãos
estão naquele paciente,
ele orientando, mas Kristen
mostrando o caminho.
Quando a próstata está fora,
e sim, ele deixou que a Kristen
preservasse o nervo,
ele arranca o traje e começa
a preencher a papelada.
A Kristen fecha o paciente às 8:15,
com um residente júnior
espiando atrás de seu ombro.
E ela deixa que ele finalize as suturas.
Ela se sente ótima.
O paciente ficará bem, e sem dúvida ela é
uma cirurgiã melhor do que era às 6:30.
Bem, esse é um exemplo extremo.
Mas a Kristen está aprendendo
a fazer seu trabalho
da forma que a maioria de nós aprende:
observando um perito por um tempo,
envolvendo-se nas partes
fáceis e seguras do trabalho
e evoluindo para tarefas
mais arriscadas e difíceis
enquanto a orientam,
até que decidam que ela está pronta.
Por toda a minha vida, esse tipo
de aprendizado tem me fascinado.
Parece natural, parte
do que nos faz humanos.
Tem diferentes nomes: estágio, coaching,
mentoria, treinamento na prática...
Na cirurgia, chamamos de "veja
uma, faça uma, ensine uma".
Mas o processo é igual, e tem sido
o principal caminho para a habilidade
através do mundo durante milhares de anos.
No momento, estamos lidando com a IA
de uma forma que bloqueia esse caminho.
Estamos sacrificando o aprendizado
em nossa busca por produtividade.
Descobri isso a primeira vez na cirurgia
quando eu estava no MIT,
mas agora há evidências
de que está ocorrendo por toda a parte,
em muitas atividades diferentes
e com diversos tipos de IA.
Se não fizermos nada a respeito disso,
milhões de nós vamos bater contra um muro
enquanto tentamos aprender
como lidar com a IA.
Vamos voltar para a cirurgia
para entender como.
Vamos avançar seis meses.
São 6:30 de novo, e a Kristen está
levando outro paciente prostático,
mas desta vez para uma sala
de cirurgia robótica.
O cirurgião conduz o procedimento,
fixando um robô de quatro braços
e 450 kg no paciente.
Ambos tiram os trajes e vão até o painel
de controle a quatro metros de distância,
e a Kristen apenas observa.
O robô permite que o cirurgião faça todo
o procedimento sozinho, e é o que ele faz.
Ele sabe que ela precisa de prática.
Ele quer dar o controle a ela.
Mas ele também sabe
que ela será mais lenta,
e cometerá mais erros, e o paciente
vem em primeiro lugar.
Kristen não tem esperança de chegar perto
daqueles nervos durante esse turno.
Terá sorte se operar mais que 15 minutos
durante um procedimento de quatro horas.
E ela sabe que quando cometer um erro,
ele irá tocar numa tela e ela
estará assistindo novamente,
se sentindo como uma criança
no canto da sala com orelhas de burro.
Como todos os estudos sobre robôs
e trabalhos que fiz em oito anos,
este começou com uma grande
questão em aberto:
"Como aprendemos a trabalhar
com máquinas inteligentes?"
Para descobrir, passei dois anos e meio
observando vários residentes e cirurgiões
em cirurgias tradicionais e robóticas,
entrevistando-os e, de modo geral,
passando o tempo com os residentes
enquanto eles tentavam aprender.
Cobri 18 dos principais hospitais
universitários, e a história era a mesma.
A maioria dos residentes estava
na mesma situação da Kristen.
Eles tinham bastante da parte "veja uma",
mas a "faça uma"
quase não estava disponível.
Eles não encaravam as dificuldades,
e não estavam aprendendo.
Isso era importante para os cirurgiões,
mas eu precisava saber o real alcance.
Onde mais estavam usando IA
impedindo o aprendizado no trabalho?
Para saber, contatei um grupo pequeno
mas crescente de jovens pesquisadores
que haviam feito estudos de campo
sobre o trabalho envolvendo IA
em vários contextos
como startups, policiamento,
bancos de investimento
e educação à distância.
Como eu, eles passaram ao menos um ano
e centenas de horas observando,
entrevistando e muitas vezes trabalhando
lado a lado com as pessoas estudadas.
Trocamos dados, e procurei por padrões.
Não importa a atividade, o trabalho,
a IA, a história era a mesma.
As organizações estavam tentando
cada vez mais obter resultados com a IA,
e estavam afastando os aprendizes
do trabalho especializado nesse processo.
Gestores de startups estavam
terceirizando o contato com o consumidor.
Policiais precisavam aprender a lidar
com prognósticos de crimes
sem o apoio de especialistas.
Jovens banqueiros estavam sendo
cortados de análises complexas,
e professores precisavam criar
cursos online sem ajuda.
E os efeitos de tudo isso
eram os mesmos da cirurgia.
Aprender no trabalho
estava cada vez mais difícil.
Isso não pode durar.
A McKinsey estima que entre
500 mil e 1 bilhão de pessoas
terão que se adaptar à IA
no trabalho de rotina até 2030.
E supomos que o aprendizado na prática
estará disponível enquanto tentamos.
A pesquisa mais recente com funcionários
da Accenture mostrou que a maioria
aprende habilidades essenciais
no trabalho, não em treinamentos formais.
Portanto enquanto falamos bastante
sobre os potenciais impactos futuros,
o aspecto da IA que mais
importa neste momento
é que estamos lidando com ela de uma forma
que bloqueia o aprendizado no trabalho
justo quando mais precisamos disso.
Por todos os lugares, uma pequena minoria
encontrou uma forma de aprender.
Eles fizeram isso quebrando
e contornando regras.
Os métodos aprovados
não estavam funcionando.
Então eles contornaram
e quebraram as regras
para colocar a mão na massa
com os especialistas.
No meu caso, os residentes
se envolveram em cirurgia robótica
na faculdade de medicina,
comprometendo a formação generalista.
E gastaram centenas de horas extras
com simuladores e gravações de cirurgias,
enquanto supostamente devemos
aprender na sala de cirurgia.
E talvez o mais importante, eles acharam
um jeito de enfrentar as dificuldades
de cirurgias reais com supervisão
limitada de especialistas.
Chamo tudo isso de "educação nas sombras",
porque contorna as regras
e o aluno aprende fora dos holofotes.
E todo mundo finge que não vê
porque traz resultados.
Lembrem, estamos falando
dos melhores alunos do grupo.
Agora, obviamente, isso não é certo
e não é sustentável.
Ninguém deveria se arriscar
a perder o emprego
para aprender as habilidades
que precisa em seu trabalho.
Mas precisamos aprender com essas pessoas.
Elas correm sérios riscos para aprender.
Entenderam que precisam defender
as batalhas e desafios no trabalho,
para que possam se forçar
a enfrentar problemas difíceis,
próximos ao limite de suas capacidades.
Elas se certificam de ter
um especialista por perto,
para dar conselhos e atuar
como uma barreira contra catástrofes.
Vamos criar essa combinação
de dificuldades e apoio especializado
em cada implementação de IA.
Tenho aqui um exemplo claro
que consegui em campo.
Antes dos robôs, se você fosse
um técnico de desativação de bombas,
lidaria com bombas caseiras de perto.
Um oficial subalterno estaria
a centenas de metros de distância,
e poderia apenas observar e ajudar
se você decidisse que era seguro
e o chamasse ao local.
Agora, vocês se sentam lado a lado
em um caminhão à prova de bombas.
Ambos assistem ao vídeo,
controlam um robô à distância
e você orienta o trabalho em voz alta.
Os treinandos aprendem melhor
do que faziam antes dos robôs.
Podemos ampliar isso para cirurgia,
startups, policiamento,
bancos de investimento,
educação à distância e além.
A boa notícia é que temos
novas ferramentas para isso.
A internet e a nuvem significam
que não precisamos
de um especialista para cada treinando,
que eles estejam fisicamente próximos
ou até que estejam na mesma organização.
E podemos criar IA para ajudar a treinar
estudantes em seus esforços,
para treinar especialistas
enquanto treinam
e para conectar esses dois grupos
de formas inteligentes.
Existem pessoas no trabalho
em sistemas assim,
mas geralmente estão concentradas
em treinamento formal.
E a crise mais grave está
no treinamento na prática.
Precisamos fazer melhor.
Os problemas atuais requerem
que façamos melhor para criar um trabalho
que aproveite ao máximo
todas as possibilidades incríveis da IA,
ao mesmo tempo em que melhora
as nossas habilidades.
Esse é o tipo de futuro que eu sonhava
quando era criança.
E o tempo de criá-lo é agora.
Obrigado.
(Aplausos)