Excluir sua camada de IA? Nem tão rápido.

Boris Cherny, o criador visionário do Claude Code, lançou recentemente uma granada na comunidade de desenvolvimento de IA com uma diretriz provocativa: "A cada 6 meses, exclua toda a sua camada de IA". Isso não foi uma mera sugestão; soou como um mandato existencial, desencadeando imediatamente uma tempestade de debates e preocupações em fóruns de desenvolvedores e canais de mídia social globalmente.

Este pronunciamento audacioso enviou uma onda de choque sísmica através do ecossistema, amplamente mal interpretada como uma rejeição universal da experiência arduamente conquistada em engenharia de prompts. A conclusão imediata e generalizada foi que modelos de ponta como o Opus 5 avançaram tão drasticamente que tornaram todas as cadeias de prompts, lógica personalizada e guardrails intrincados meticulosamente elaborados anteriormente totalmente obsoletos. A comunidade lidou com a noção de que seus esforços minuciosos para orientar LLMs menos capazes agora não eram apenas desnecessários, mas talvez até prejudiciais.

A implicação doeu profundamente, atingindo o cerne da identidade do desenvolvedor. Sugeria que meses, até anos, de elaboração de regras globais intrincadas, habilidades especializadas e ganchos sofisticados — toda a camada de IA personalizada dos desenvolvedores — foram repentinamente rotulados como bagagem descartável e inútil. Este esforço coletivo, aparentemente reduzido à irrelevância pelo ritmo implacável da inovação em LLMs, gerou uma preocupação generalizada na comunidade. Muitos desenvolvedores questionaram o valor imediato de seus investimentos substanciais na construção de sistemas de IA robustos, temendo que sua propriedade intelectual arduamente conquistada estivesse agora obsoleta.

O mandato provocativo de Cherny de "excluir toda a sua camada de IA", vindo do criador do Claude Code, soa inicialmente como um chamado ao niilismo digital. Mas um olhar mais atento revela que ele não estava defendendo um expurgo cego do progresso arduamente conquistado. Em vez disso, Cherny defende um processo de avaliação sistemático e apoiado por pesquisas: a ablação.

Ablação, um termo emprestado diretamente da pesquisa em IA, significa começar do zero. Imagine remover cada prompt, cada regra global, cada habilidade personalizada que você construiu meticulosamente. Então, você reintroduz esses elementos linha por linha, avaliando sistematicamente o impacto de cada adição. Essa reavaliação meticulosa revela o que realmente contribui para o desempenho da sua IA e o que se tornou redundante ou até restritivo.

Este não é apenas um exercício acadêmico; é uma visão crucial sobre o comportamento moderno dos LLMs. Modelos mais novos, como o Opus, prosperam com objetivos de nível superior e guardrails robustos, não com instruções passo a passo excessivamente específicas. Prompts excessivamente prescritivos, antes uma necessidade para modelos menos capazes, agora muitas vezes sufocam suas capacidades emergentes. A ablação ajuda você a identificar esses gargalos instrucionais, permitindo que você "deixe o modelo trabalhar" com uma orientação mínima e impactante, desbloqueando todo o seu potencial.

A ablação sistemática de Cherny, embora teoricamente sólida, apresenta um obstáculo prático impressionante para a maioria das operações. Este processo exige excluir um prompt de sistema inteiro e, em seguida, reintroduzir meticulosamente cada habilidade, gancho e regra global linha por linha para medir seu impacto individual. Tal avaliação exaustiva exige um custo extremo em tokens, horas de desenvolvedor e recursos de engenharia, tornando-o um exercício proibitivo.

Este conselho, no entanto, decorre de uma perspectiva de recursos quase ilimitados. Como funcionário da Anthropic, Cherny opera com um orçamento de tokens com o qual a maioria das empresas só pode sonhar. Ele menciona casualmente a execução de sessões de agentes por "duas semanas", especificando até "14 dias, 15 dias" para uma única tarefa. Este é um luxo impossível para equipes que pagam por token ou que lutam constantemente contra limites de taxa em modelos poderosos como o Opus 5, onde cada interação acarreta um custo real.

Para a grande maioria das empresas, uma ablação completa do sistema a cada seis meses continua sendo uma fantasia dispendiosa e disruptiva, não uma estratégia viável. Embora a intenção de otimizar eliminando prompts desnecessários seja louvável, esse nível de iteração sistemática e intensiva em tokens simplesmente não é viável para ambientes corporativos típicos. É um luxo de nível de pesquisa, desconectado das realidades financeiras da maioria das equipes de desenvolvimento que utilizam Claude by Anthropic ou qualquer outro LLM.

Em vez de exclusão em massa, uma estratégia mais inteligente para o gerenciamento de prompts surge de um espectro de contexto. Devemos diferenciar entre "regras globais" sempre ativas — os prompts de sistema fundamentais que definem a persona e as diretrizes principais da sua IA — e as "habilidades" ou "subagentes" sob demanda que executam tarefas específicas e modulares. Essa distinção é crucial para uma otimização pragmática.

Esforços agressivos de ablação devem visar essas regras globais primeiro. Elas representam o maior custo de token, consumindo recursos a cada inferência, e carregam o maior risco de restringir excessivamente os LLMs modernos. O insight de Boris Cherny, apesar de sua interpretação inicial equivocada, mantém-se aqui: muitas instruções fundamentais, essenciais para modelos mais antigos, agora impedem ativamente iterações novas e poderosas como o Opus 5.

Portanto, mantenha suas regras globais cirurgicamente enxutas, revisando-as frequentemente para eliminar quaisquer diretrizes desnecessárias. Por outro lado, trate as habilidades e subagentes como ativos mais duráveis. Esses componentes especializados são ativados apenas quando necessário, incorrendo em custos sob demanda, não continuamente. Revisá-los anualmente, em vez de a cada seis meses, economiza um tempo de engenharia substancial e mitiga o "ponto cego de um bilhão de tokens" da ablação em larga escala. Essa abordagem equilibrada prioriza a eficiência e o impacto, garantindo que sua camada de IA permaneça afiada sem revisões constantes e proibitivamente caras.

O que é o método de 'ablação' de IA?

A ablação é um processo de avaliação sistemática dos prompts e regras de um sistema de IA. Envolve excluir todo o prompt do sistema e, em seguida, adicionar cada linha ou componente de volta individualmente para testar seu impacto no desempenho com um novo modelo.

Por que o criador do Claude sugeriu excluir toda a sua camada de IA?

O ponto de Boris Cherny foi que os LLMs modernos são tão capazes que muitas vezes não precisam das instruções excessivamente específicas e passo a passo exigidas por modelos mais antigos. Ele defende a ablação para remover restrições desnecessárias e permitir que o modelo tenha um desempenho mais eficaz.

É prático realizar uma ablação completa no seu sistema de IA?

Para a maioria dos desenvolvedores e empresas, uma ablação completa a cada seis meses é impraticável. O processo é extremamente demorado e intensivo em tokens, tornando-o muito caro e potencialmente disruptivo para o desenvolvimento em andamento.

Qual é uma abordagem mais pragmática para manter os prompts eficientes?

Uma estratégia mais inteligente é concentrar os esforços de ablação nas partes mais usadas e intensivas em tokens da sua camada de IA, como regras globais e prompts de sistema. O contexto sob demanda, como habilidades ou subagentes, pode ser revisado com menos frequência.