Aprendizado no chão de fábrica

Anos atrás, escrevi sobre meu aprendizado na Alemanha. Larguei a escola aos 16 anos e fui trabalhar em uma subsidiária da Siemens, onde as pessoas mais interessantes ficavam no porão e usavam Delphi em vez do Rosie SQL obrigatório pela empresa (ambos praticamente perdidos no tempo e no progresso). Aprendi a ser programador observando-os. Fazendo café para eles. Ficando por perto o tempo suficiente para que o julgamento deles se infiltrasse no meu.

No último ano, tenho pensado muito nessa experiência, porque construímos algo na Shopify que funciona com o mesmo princípio.

Ela se chama River. River é um agente de IA que vive no Slack da nossa empresa. Você fala com ela da mesma forma que falaria com um colega de equipe: mencionando River em um canal do Slack. Ela pode ler código, executar testes, escrever código, abrir pull requests, consultar nosso data warehouse, analisar traces de produção e muito mais. Usamos isso constantemente.

Nos últimos 30 dias, 5.938 funcionários da Shopify trabalharam com a River em 4.450 canais diferentes do Slack. Ela abriu 1.870 pull requests só na última semana em nosso monorepo principal. Cerca de um em cada oito pull requests mesclados em nosso código na semana passada foi criado pela River e revisado por nós.

Existem muitos agentes de codificação no mundo agora. O que torna a River especial é uma restrição: Ela só trabalha em público.

Uma restrição que se tornou um recurso

Quando começamos a construir a River, o óbvio era deixar as pessoas usá-la em particular. É assim que muitos outros assistentes de IA funcionam. ChatGPT é uma janela privada. Claude é uma janela privada. Cursor fica entre você e a IDE.

Tomamos a decisão oposta. River vive no Slack, nosso chat corporativo. River não responde a mensagens diretas. Ela recusa educadamente e sugere criar um canal público para você e ela começarem a trabalhar. Eu mesmo trabalho com a River no canal #tobi_river e muitos seguiram esse padrão. Portanto, toda conversa é pesquisável. Qualquer pessoa na Shopify pode entrar. No meu próprio canal, há mais de 100 pessoas que reagem a threads, adicionam contexto, pegam o bastão, ajudam nas revisões, me lembram o quanto estou enferrujado e, importante, aprendem observando.

Isso foi estranho no começo. As pessoas estão acostumadas com espaços de trabalho privados com suas ferramentas. Pedir ajuda parece diferente quando toda a empresa pode ver a pergunta. Mas algo aconteceu que esperávamos, mas não previmos totalmente o impacto:

As pessoas começaram a aprender umas com as outras.

Um engenheiro de suporte no #help_checkout observava um engenheiro de backend em outro canal fazer a River encontrar a consulta de log certa, e no dia seguinte fazia o mesmo. Um novo contratado percorria o histórico do #river para ver como os seniores definiam o escopo de uma solicitação antes mesmo de enviar a primeira.

Como tantas vezes acontece com o alemão, existe uma palavra para esse tipo de ambiente: Lehrwerkstatt. Literalmente: Uma oficina de ensino. Todo o chão de fábrica é a sala de aula. Você aprende estando perto do trabalho. Ser um aprendiz constante é um dos valores fundamentais da empresa.

A Shopify quer ser uma Lehrwerkstatt em escala, e a River nos aproximou desse ideal mais do que nunca. É aprendizado por osmose, porque não requer um currículo, um plano de treinamento ou um gerente. Apenas exige que o trabalho de todos seja visível ao máximo possível. Todos aprendem com todos.

Estou genuinamente animado com essa descoberta — um tanto acidental — e pensei em compartilhá-la.

Por que isso é mais importante, e não menos, com a IA

Uma preocupação comum sobre a IA é que ela fará as pessoas pararem de pensar. Por que um desenvolvedor júnior aprenderia a depurar se o agente faz isso por ele? Por que ele leria o código se pode simplesmente perguntar?

Acho que a preocupação é real, mas o enquadramento está errado. O risco não é a IA fazer o trabalho. O risco é a IA fazer o trabalho e nunca aprendermos com ela. Se cada interação com um agente acontece em uma janela privada, a única pessoa que aprende algo é quem está no teclado. Todos os outros ficam de fora do aprendizado.

Quando as pessoas trabalham junto com seus agentes em público, o oposto acontece. Os melhores padrões de prompt se espalham, o conhecimento se espalha. A maneira inteligente como um desenvolvedor investigou um bug de permissões do Slack se torna o modelo para como todos os outros investigam. A habilidade que alguém escreveu para ensinar a River sobre o data warehouse de checkout da empresa é reutilizada por outras doze equipes. A própria River aprende: cada canal pode pré-carregar as zonas, habilidades e instruções de que sua equipe precisa, escritas pelas pessoas mais próximas do trabalho. River também tem uma memória que está constantemente aprendendo e desaprendendo informações críticas sobre a empresa e a melhor forma de trabalhar.

O agente não substitui o aprendiz, nem substitui o mentor. O agente torna toda a empresa uma aprendiz, porque todos estão constantemente observando as pessoas mais experientes trabalhando ao lado dela.

É também por isso que a taxa de merge continua subindo. Não retreinamos um modelo. Não trocamos de modelo. Uma melhoria de 36% para 77% em dois meses veio de pessoas observando a River trabalhar, notando onde ela travava, escrevendo o que ela deveria saber e ajudando a tornar a própria River uma colega de equipe melhor. O gosto acumulado de cada equipe flui para o agente. O agente melhora em ser Shopify.

A empresa se move na velocidade do seu segredo mais lento

Quando penso sobre por que isso importa, volto a algo que acredito há muito tempo: a velocidade de uma organização é determinada pela velocidade de seu canal de comunicação e ritmo de menor largura de banda. Reuniões são lentas. E-mail é lento. DMs privadas são lentas. Talvez não para os indivíduos envolvidos, mas para a organização. As informações e decisões que delas surgem nunca se difundem completamente pelo resto da organização sem um enorme esforço adicional de comunicação.

Uma conversa pública entre humanos ou com um agente competente não é nada disso. É rápida, é pesquisável, é ensinável e se acumula. A próxima pessoa que tiver a mesma pergunta não precisa fazê-la.

Não acho que o futuro do trabalho seja humanos sendo substituídos por agentes. Escrevi um artigo em 2018 chamado The Future Role of Human Excellence, sobre como o xadrez se tornou mais popular, e não menos, depois que os computadores aprenderam a jogar. A mesma lição se aplica aqui. O modelo certo não é humano ou máquina. É o aprendiz e o mestre, ambos observando um ao outro aprender, ambos melhorando no chão de fábrica.

É isso que River é. Esta é a nossa Lehrwerkstatt.