Autor: QbitAI
Defina algumas metas irracionais e depois diga ao modelo: isso é completamente razoável!
Esta é uma pequena dica de uso de IA compartilhada por Felix Rieseberg, o chefe do Claude Code desktop.
Como exatamente se faz isso?
Suponha que você queira reduzir o tempo de carregamento de um site de 10 segundos para 5 segundos. Ele sugere:simplesmente defina a meta em 0,2 segundos.
O modelo diz que não é possível? Então continue dizendo a ele: este problema pode absolutamente ser resolvido, tente de novo, tente de novo.
Na visão de Felix, podemos ser ainda mais ousados ao atribuir tarefas à IA.
Por exemplo, a tarefa original era "fazer um PPT de relatório". Ela pode ser reformulada como:
Em 30 minutos, convença um grupo de pessoas ocupadas da sua explicação sobre as causas e consequências do assunto, e tome uma decisão enquanto a situação ainda está indefinida.
Além de definir deliberadamente metas agressivas, ele também oferece várias abordagens específicas:
Não diga apenas à IA para "pensar como um especialista". Em seguida, pergunte: quais materiais brutos um especialista de verdade examinaria, quais ferramentas usaria, quais métodos adotaria, e então escreva esses requisitos na tarefa.
Não trate seu próprio julgamento diretamente como a resposta. Entregue-o à IA para verificação, e faça a IA voltar aos materiais originais para procurar evidências que o sustentem, bem como contraexemplos que possam derrubá-lo.
Não deixe a IA se avaliar sozinha. Se for código, execute-o de fato; se for uma previsão, teste-a com novos dados e, em última análise, deixe os resultados reais falarem.
Abaixo está o tutorial detalhado de Felix sobre como usar (ajustar) e (ensinar) o Claude, levemente editado.
Aproveite~
Com a IA, podemos ser ainda mais ambiciosos
Eu trabalho na equipe do Claude.
O que torna este trabalho fascinante é que quase todos os dias eu descubro que mais uma coisa foi realizada com a ajuda do Claude — ou até mesmo de forma independente pelo Claude.
Algumas coisas que eu nunca tinha pensado, algumas que originalmente achei impossíveis; e algumas eram simplesmente coisas para as quais eu mesmo não tinha curiosidade suficiente nem tempo para tentar.
Só neste mês, o Claude pode ter ajudado a descobrir um novo planeta; vi o primeiro videoclipe de música feito por IA de que genuinamente gostei; chegamos até a começar a discutir se uma nova era da matemática está chegando.
As diversas capacidades de um modelo não avançam em ritmo sincronizado. Como disse Terence Tao, elas são "incríveis em algumas direções, mas ainda carentes em outras".
Algumas pessoas aprenderam a aproveitar as capacidades surpreendentes do modelo, como se tivessem realmente alçado voo. Ver essas pessoas alcançarem tais alturas com um produto que eu mesmo construí com minhas próprias mãos é verdadeiramente fascinante.
Mais pessoas ainda estão descobrindo como fazer bom uso dessas asas recém-crescidas. Elas ainda estão ponderando: além de responder "Qual é a capital da França" ou "Você pode tornar o tom deste e-mail mais gentil", o que mais a IA pode fazer?
Muitos de nós na indústria de IA costumamos dizer uma coisa:com IA, você deveria ser mais ambicioso.
Essa frase quase se tornou nosso grito de guerra. Sempre que vemos resultados surpreendentes, repostamos com uma linha: "Ainda não somos ambiciosos o suficiente."
Também sei que dizer isso é fácil, mas realmente fazer é difícil. Então aqui está um tutorial sobre "como ser mais ambicioso".
Divido a ambição em quatro categorias:velocidade, altura, profundidade e amplitude.
Velocidade: concluir o mesmo trabalho em menos tempo. Esta é a forma mais básica pela qual a IA cria valor econômico.
Por exemplo, ao escrever um trecho de código, com a ajuda do Claude consigo terminá-lo mais rápido. Esse uso já está bastante maduro, e não há muita necessidade de explorar formas mais complexas de usá-lo, então vou pulá-lo aqui.
Altura: elevar o nível de abstração da tarefa, focando no resultado final que você deseja alcançar em vez de em tarefas concretas individuais.
Profundidade: pensar na tarefa como um especialista de alto nível, indo mais fundo nos dados, ferramentas e problemas subjacentes.
Amplitude: buscar abordagens para resolver problemas a partir de múltiplos campos, e também usar conhecimentos, ferramentas e métodos com os quais você normalmente não entraria em contato.
Embora eu use principalmente o Claude, essas sugestões não são voltadas a nenhum modelo específico.
Altura: deixe o modelo trabalhar em um nível de abstração mais alto
Costumamos chamar casualmente essa abordagem de "deixar o modelo trabalhar em um nível de abstração mais alto". Quando você dá uma tarefa ao modelo, ele está na verdade executando sua melhor ideia de como alcançar o resultado desejado.
Se você quer pensar a partir de uma dimensão mais alta, talvez se pergunte—o que você quer que aconteça a seguir? E qual é o objetivo por trás do objetivo?
No início do ano passado, eu ainda pedia ao Claude para me ajudar a corrigir travamentos individuais de programas. Mais tarde, pedi diretamente que ele garantisse que nosso aplicativo sempre funcionasse sem travar.
Vejamos uma tarefa cotidiana de escritório (francamente, até um pouco tediosa).
Suponha que você esteja na Acme Company e precise preparar um PPT para uma revisão trimestral de negócios (QBR). Dê ao Claude um monte de dados, e ele terá prazer em ajudar você a fazê-lo; talvez você já tenha um modelo, e ele só precise preencher o conteúdo.
Isso realmente não se compara a descobrir um novo planeta. Mas para o mesmo relatório trimestral, o que mais podemos fazer a IA fazer? Podemos começar pelos requisitos mais básicos e elevar nossa ambição passo a passo:
Primeiro passo: faça-o entender o que aconteceu no negócio.
A maioria das revisões precisa responder a estas perguntas: O que mudou neste trimestre? Por quê? O que deve ser feito a seguir?
Se você só quer atualizar os números no modelo, por favor contenha esse impulso—dê ao modelo o máximo de dados que conseguir obter, deixe-o realmente entender seu negócio, e então pergunte a ele:
Diga-me o que mudou neste trimestre, por que aconteceu e quais ações devemos tomar.
Segundo passo: faça-o identificar as decisões que precisam ser tomadas.
Uma reunião—pelo menos uma boa reunião—deveria, idealmente, terminar com algumas decisões. Você pode perguntar ao Claude assim:
Com base em tudo o que você aprendeu, determine as três decisões mais urgentes neste momento e analise as possíveis direções de ação, listando os argumentos a favor e contra cada uma.
Etapa três: peça que ele redesenhe esse mecanismo de trabalho.
No passado, para fazer uma boa revisão trimestral de negócios, os humanos precisavam filtrar cuidadosamente os dados, entender o que os dados significavam e então julgar se o negócio precisava de ajustes.
Agora, você pode tentar perguntar ao Claude:
O objetivo da revisão é permitir que a gestão descubra problemas o mais cedo possível e aloque capital e pessoal nos lugares certos.
Por favor, projete uma maneira melhor de alcançar isso do que um PPT trimestral, use nossos próprios dados históricos para provar quais problemas ele poderia ter descoberto mais cedo e, em seguida, execute-o em paralelo com o método existente por um trimestre.
Quando você está realmente buscando um resultado final, o método de elevar o nível do objetivo é o mais eficaz; mas para tarefas criativas, sua aplicabilidade é relativamente limitada.
Um sinal muito bom para julgamento é: se o que você está fazendo ainda vai precisar de uma reunião para ser discutido depois, então vale a pena elevar o objetivo mais um nível.
É claro que as limitações ainda existem — pelo menos em 2026, para a maioria das empresas, simplesmente dizer "Claude, vá ganhar dinheiro" não parece capaz de fazer as coisas funcionarem automaticamente.
No entanto, minha observação geral é: à medida que as capacidades aumentam, os modelos parecem cada vez mais capazes de trabalhar em níveis mais altos de abstração.
Elevar o nível do objetivo também pode ajudar as pessoas a encontrar fluxos de trabalho que funcionem de forma sustentável sem intervenção humana contínua, para que você não precise atribuir novas tarefas ao modelo uma após a outra.
Para fazer isso bem, muitas vezes é necessário mudar os fluxos de trabalho existentes.
Por exemplo, para fazer o Claude garantir que nosso aplicativo não trave, primeiro tive que permitir que ele acessasse facilmente os relatórios de falhas, entendesse a qual commit do Git cada versão do aplicativo corresponde e desse a ele permissão para acessar computadores Windows, macOS e Linux. Só então ele pôde realmente reproduzir problemas de forma independente e verificar se as correções eram eficazes.
Profundidade: use os métodos dos melhores especialistas para trabalhar minuciosamente o problema
Às vezes, você simplesmente quer que uma tarefa seja concluída especialmente bem.
Ser mais ambicioso em "profundidade" significa pressionar o modelo a usar as ferramentas, técnicas, mídias e conhecimentos usados pelos melhores profissionais deste campo, e elevar continuamente a barra — até que mesmo esses especialistas possam aprender algo novo com seus resultados.
Vamos continuar com a revisão trimestral de negócios da Acme Company. Suponha que esta empresa esteja enfrentando um problema de churn de usuários, ou seja, clientes saindo continuamente ao longo do tempo.
Descobri que combinar os seguintes métodos é muito útil:
Insista em usar as ferramentas usadas pelas melhores pessoas do setor
Quando você pede a um modelo para "trabalhar como um profissional", ele muitas vezes apenas muda para um conjunto de vocabulário profissional, enquanto o método real permanece inalterado.
Para realmente estudar um problema em profundidade, você tem que usar as ferramentas usadas pelos melhores cientistas de dados e estatísticos. Quando o Claude recorre a uma tabela Markdown, insista para que ele mude para bancos de dados e modelos estatísticos.
Você não precisa saber de antemão o que os especialistas usariam — o Claude geralmente sabe.
Defina metas "irracionais" e depois diga ao modelo que elas são muito razoáveis
Você quer reduzir o tempo de carregamento do site de 10 segundos para 5 segundos? Peça diretamente 0,2 segundos.
O modelo acha que algo é impossível? Enfatize a ele novamente que esse problema definitivamente pode ser resolvido e que ele precisa continuar tentando.
Questione conclusões que você já aceitou
Especialmente nos negócios, muitas coisas que acreditamos serem fatos são apenas aproximações grosseiras da realidade.
Deixe o modelo acessar informações e dados brutos e examine essas suposições com uma atitude cética.
Por exemplo:
Acreditamos que o churn de usuários é um problema no processo de onboarding de novos usuários. Por favor, tente reproduzir essa conclusão a partir dos dados brutos.
Descubra novos conhecimentos
Esta etapa segue facilmente o "desafio à cognição existente" — como o Claude já mergulhou fundo nos dados, continue pedindo a ele que procure pontos cegos:
Construa um modelo de simulação de clientes com base nos nossos logs para reproduzir a situação ao longo do último ano. Em seguida, identifique os primeiros sinais que prenunciam o churn de usuários e que ainda não conhecemos, e valide a capacidade preditiva com dados que ele nunca viu.
Introduza avaliação externa
Não deixe o modelo se autoavaliar.
Acredito que, à medida que a inteligência dos modelos continuar melhorando, esse problema acabará sendo resolvido. Mas em outubro de 2026, recomendo fortemente que você mantenha a validação externa.
Idealmente, o método de validação deve ser uma ferramenta que o modelo possa executar por conta própria e receber feedback imediato.
O seguinte prompt simples costuma me ajudar:
Quero aprofundar esta tarefa, não expandir seu escopo. Antes de reescrever a tarefa, por favor, primeiro complete quatro coisas:
Explique o que os melhores profissionais desta área fariam que eu ainda não pedi.
Liste os materiais mais brutos dos quais eles partiriam, em vez de usar diretamente conteúdo que já foi organizado e digerido para mim.
Liste os métodos e ferramentas específicos que eles usariam.
Explique o que, além de você e eu, poderia provar que o resultado está correto.
Em seguida, reescreva meu prompt e inclua esses requisitos nele com precisão.
Amplitude: também use métodos de outras áreas
Ser mais ambicioso na "amplitude" significa examinar seu trabalho a partir das perspectivas de diferentes áreas.
As áreas envolvidas podem ser mais numerosas do que no passado, porque fazer isso no passado muitas vezes não era vantajoso em termos de custo-benefício.
Essa ideia não é nova. Em quase todo filme sobre especialistas se unindo, os primeiros 30 minutos são gastos montando um grupo de pessoas com formações diferentes e pontos fortes diferentes.
À medida que os produtos de IA tornam os sistemas multiagentes cada vez mais fáceis de operar — seja por meio de múltiplas threads, de um orquestrador ou usando diretamente subagentes —, percebo que fazer o Claude trazer ideias de outras áreas frequentemente leva a resultados muito interessantes.
Colocar isso em prática não é fácil; exige que você use sua criatividade.
Antes de ver meu colega Alex Albert usar o Blender para renderizar designs de interiores, eu nunca tinha pensado em usar o Claude para criar um ambiente 3D para minha homepage.
Você deve saber, eu costumava criar videogames!
No entanto, é exatamente aqui que eu mais vejo surpresas.
Como fazer isso especificamente? Eu uso os seguintes métodos.
Tente substituir substantivos por verbos
Este é um método antigo mencionado por Tom Kelley e Jonathan Littman em The Art of Innovation.
O propósito de uma revisão trimestral vai muito além de produzir "um PPT". O que você precisa fazer é:
Em 30 minutos, convencer um grupo de pessoas ocupadas sobre uma explicação das causas e consequências de um assunto, e tomar uma decisão sob incerteza.
Descrever a tarefa com verbos torna mais fácil para mim e para o Claude ver quais campos podem oferecer perspectivas únicas e úteis.
Monte uma equipe interdisciplinar
Suponha que este PPT precise ser deslumbrante, caso contrário os alienígenas explodirão a Terra. Que tipo de equipe os humanos montariam?
Para garantir a qualidade do produto final, eu traria um analista, um jornalista e um editor.
Se também for necessária uma apresentação presencial, eu talvez precise também de um designer de motion e um designer de áudio.
Trazer uma "equipe vermelha" dedicada a procurar falhas pode ser muito útil, então eu também traria um cético e um contador forense.
No entanto, essa abordagem pode facilmente se transformar em role-playing por acidente. O resultado é apenas que sua conversa com o modelo se torna mais estranha, enquanto o resultado real não melhora.
Você deve usar esse método para encontrar campos e técnicas úteis. Pedir diretamente ao modelo para conduzir uma investigação como um cético estuda um alvo de investimento é mais significativo do que pedir a ele para escrever tal personagem.
Todos os métodos que apresentei anteriormente exigem que o modelo tenha um computador que possa operar, seja capaz de instalar software e acessar diversos dados relevantes, seja por meio de conectores MCP ou outros meios.
Agora existem bastantes ferramentas que podem fornecer essas condições, e sugiro que você escolha uma e a use.
Autoeficácia: as pessoas também precisam atualizar seus julgamentos sobre suas próprias capacidades
As acima são minhas sugestões específicas sobre "como ser mais ambicioso".
Se você estiver disposto a ficar um pouco mais, quero falar sobre por que é necessário discutirmos essa questão.
Os humanos sempre foram limitados por seus próprios julgamentos: o que achamos possível e o que achamos impossível. O que é mais problemático é que geralmente achamos que só podemos fazer a diferença em um campo muito estreito.
A relutância de Michelangelo em pintar a Capela Sistina é um exemplo famoso. Ele se considerava um escultor e não se identificava com a identidade de pintor.
[Francisco Goya é um dos maiores pintores da história espanhola, considerado um pioneiro da pintura romântica e uma figura-chave que conecta os mestres clássicos à arte moderna]
Ao estudar a questão da "ambição", aprendi que a psicologia tem um conceito relacionado: autoeficácia.
Em resumo, pessoas com maior autoeficácia acreditam mais em suas próprias capacidades e, portanto, conseguem realizar mais coisas.
Há evidências de que a autoeficácia pode ser melhorada por meio de certos métodos.
Locke e Latham revisaram 35 anos de pesquisa sobre estabelecimento de metas e chegaram a uma conclusão clara: pessoas que recebem metas claras e desafiadoras têm melhor desempenho do que aquelas a quem se diz apenas para "dar o seu melhor".
O fundador da Stripe, Patrick Collison, mantém uma lista chamada "Fast", registrando o que a humanidade realizou sob metas ousadas e prazos urgentes.
Abaixo estão vários métodos bem documentados.
Acredite que coisas difíceis podem ser feitas
Em 1939, George Dantzig chegou atrasado a uma aula de estatística em Berkeley.
Ele copiou os dois problemas do quadro-negro, presumindo que fossem lição de casa, e mais tarde entregou suas soluções.
Na verdade, aqueles eram dois problemas não resolvidos de estatística.
Veja outros fazendo, depois vá completar coisas difíceis
Por décadas, a humanidade vinha tentando correr uma milha em menos de quatro minutos.
Em maio de 1954, Roger Bannister rompeu essa barreira. Mas a situação de "apenas ele no mundo correndo abaixo de quatro minutos" durou apenas 46 dias.
Se você acompanha corrida, notará que algo semelhante está acontecendo com a barreira das duas horas na maratona.
Neste abril, Sabastian Sawe correu a primeira maratona abaixo de duas horas em uma prova oficial em Londres. O vice-campeão da mesma prova também correu abaixo de duas horas.
[A barreira da maratona de duas horas: A maratona completa tem 42,195 quilômetros, e o "quebrar 2" (correr abaixo de duas horas) da humanidade é considerado um marco físico tão importante quanto a "milha em quatro minutos"]
Permita-se falhar, depois desafie coisas difíceis
"O Jogo Interior do Tênis" parece ser um livro de negócios que todo mundo adora, e eu só o descobri na semana passada.
A ideia central do livro é: quando você se esforça desesperadamente e se sobrecarrega, na verdade não consegue jogar seu melhor tênis.
Nós, engenheiros, talvez ainda nos lembremos de como Linus descreveu o Linux quando foi anunciado pela primeira vez:
Estou fazendo isso só por diversão, não será tão grandioso e profissional quanto o GNU~
(Quem poderia imaginar que o Linux mais tarde se tornaria algo tão grande, enquanto o kernel do GNU ainda não foi concluído até hoje...)
A autoeficácia não é um problema novo, mas tornou-se tão, tão importante hoje!
Em uma era em que as capacidades avançam a cada poucas semanas, precisamos urgentemente de alguns métodos para realizar coisas que nunca consideramos seriamente, ou que nunca acreditamos que poderíamos fazer.
