Yankai Wang, estudante de doutorado em comportamento organizacional na Stanford Graduate School of Business , estava lendo um artigo sobre como os Transformers — a arquitetura por trás de grandes modelos de linguagem (LLMs) como o ChatGPT e o Claude — poderiam ser usados para estudar o desenvolvimento de doenças, rastreando como uma condição tende a seguir outra. Ele percebeu que a maneira como as pessoas trabalham juntas poderia ser modelada de forma semelhante: como uma sequência de eventos discretos que se desenrolam ao longo do tempo. Será que a mesma arquitetura que aprendeu a gramática da linguagem humana prevendo a próxima palavra em uma frase poderia aprender a "gramática" da coordenação prevendo o próximo evento em uma organização?

“A inovação surge quando se pega uma ideia de uma área e a projeta em outra”, diz Amir Goldberg , professor titular da Cátedra Amman de Comportamento Organizacional e um dos diretores do Laboratório de Cultura Computacional . “A genialidade da ideia de Yankai reside em tratar a coordenação como texto, pensando em sequências de coordenação como se fossem representações textuais da linguagem e vislumbrando uma arquitetura paralela à dos LLMs. Mas a linguagem aqui, as palavras na linguagem, não são palavras: são eventos organizacionais.”

Quando Wang se deparou com o AI for Organizations Grand Challenge , patrocinado pelo Instituto de IA Centrada no Ser Humano de Stanford e pelo Google DeepMind, sua ideia inicial pareceu uma combinação perfeita. Em colaboração com Goldberg, Wang se inscreveu na competição, que oferecia um prêmio de US$ 100.000 para pesquisadores que estudassem ferramentas de IA no ambiente de trabalho.

Foi uma aposta certeira: entre mais de 200 equipes acadêmicas que submeteram propostas, a de Goldberg e Wang foi a selecionada . Além do prêmio em dinheiro, eles terão acesso aos recursos da DeepMind para colocar sua ideia em prática. "A DeepMind tem os dados", diz Wang, "e está na vanguarda da construção desse tipo de modelo."

Wang e Goldberg propõem usar a arquitetura Transformer para construir um Modelo de Coordenação em Grande Escala semelhante a um LLM. Mas, em vez de treiná-lo para prever a próxima palavra em uma frase, eles o treinarão para prever o próximo evento em uma sequência de eventos, usando dados anonimizados do ambiente de trabalho — obtidos de calendários, e-mails e documentos compartilhados, entre outras fontes — para que o modelo possa aprender os padrões subjacentes, ou gramática, da coordenação.

“É possível aprender muito prevendo a próxima palavra em uma frase”, diz Wang. “Aqui, estamos apenas substituindo 'frase' por 'um fluxo de eventos de trabalho' e substituindo a próxima palavra pelo evento que acontecerá em seguida.”

Caso essa abordagem seja bem-sucedida, Wang imagina usar o modelo para coisas como prever o desempenho de uma equipe – antecipando onde um gargalo pode ocorrer, por exemplo – ou simular uma réplica virtual de uma organização para que os pesquisadores possam testar como as mudanças na estrutura ou no fluxo de trabalho podem se desenrolar antes de serem implementadas no mundo real.

“A nossa esperança é encontrarmos um princípio transferível que explique como as pessoas se coordenam, um princípio que explique como elas se transferem para diferentes empresas ou países e continuam a se coordenar com sucesso”, diz Wang. “Não estamos afirmando que este será o modelo definitivo de coordenação, mas acreditamos que será uma lente útil para desvendar alguns dos princípios subjacentes à coordenação, bem como uma excelente ferramenta de previsão para uma ampla gama de cenários, situações e tarefas.”

Goldberg acredita que o projeto pode ajudar a moldar o futuro das empresas na era da IA: em vez de os funcionários ficarem presos em seus postos por organogramas rígidos, a IA poderia revelar necessidades de coordenação que a burocracia tradicional não consegue identificar. Isso permitiria uma colaboração mais fluida entre projetos e eliminaria as lacunas de informação que causam atritos entre colegas de trabalho.

Em um artigo relacionado, escrito em coautoria com Phanish Puranam , professor de estratégia da INSEAD , Goldberg argumenta que grande parte do trabalho de um gestor envolve tarefas baseadas em previsão, como planejamento, orçamento e monitoramento, que é exatamente o que a IA faz de melhor. Mas a previsão não é todo o trabalho. Definir as prioridades de uma organização significa decidir quais metas valem a pena perseguir, e isso se baseia em uma arquitetura motivacional voltada para a sobrevivência, que as máquinas não possuem. (As prioridades de uma máquina são definidas por seus criadores, por enquanto.)

Goldberg sugere que, no futuro, os gestores poderão se tornar mais importantes, visto que definir e avaliar metas continua sendo uma tarefa melhor executada por pessoas. Isso se mantém verdadeiro mesmo com a mudança no papel de gestor, que passou da função de supervisão e monitoramento da produtividade do ambiente de trabalho do século XX para a função de mentoria e facilitação da colaboração, comum no trabalho intelectual. Essa descrição de cargo já está se transformando para incluir a supervisão do desempenho de agentes de IA, o que é muito diferente da supervisão de seres humanos.

Afinal, a coordenação é uma qualidade distintamente humana, aquela que permitiu aos humanos prosperar como espécie. A organização moderna foi uma solução revolucionária para coordenar pessoas quando as estruturas tribais e de parentesco já não eram suficientes. Goldberg questiona se a IA poderia impulsionar ainda mais essa evolução, permitindo que as pessoas se coordenem por meio de uma infraestrutura tecnológica compartilhada, em vez de organizações formais.

“A essência da coordenação está mudando”, acrescenta Wang. “A IA, como tecnologia, vai mudar a coordenação, com ou sem o nosso projeto.”

Embora os resultados ainda estejam por vir, Goldberg está otimista de que seu trabalho possa trazer impactos significativos. “Os cientistas sociais geralmente observam a realidade, e leva muito tempo para que suas observações sejam integradas e a impactem. Se nosso projeto for um grande sucesso, poderá ter um impacto muito mais imediato do que se esperaria normalmente.”