Como Construir IA que a OpenAI Não Consegue Copiar | Variant

O áudio e o vídeo estão em espanhol. Estas notas são uma tradução.

Hoje entrevistei Daniel Bulhosa, cofundador e CTO da Variant, que ele descreve como o Pinterest do design generativo.

Daniel é físico formado pelo MIT, fez machine learning na Square e construiu software para os carros autônomos da Cruise. Também é artista plástico e cresceu em uma família de músicos clássicos.

A tese central dele é que ainda dá para construir IA que nem a OpenAI nem a Anthropic conseguem copiar, porque os modelos de fronteira são spiky: são muito bons onde há dados e muito limitados onde não há, e além disso perdem em uma área quando ganham em outra.

Estrutura e Principais Destaques

De uma Casa de Músicos Clássicos ao MIT

• A piada dele: tentou ser músico e descobriu que a física era mais fácil
• A conexão dele entre os dois mundos: a música clássica tem muita teoria e um elemento matemático de estrutura
• O que crescer entre artistas lhe deu: ver o auge do perfeccionismo, gente que domina completamente o que faz
• O pai dele rodou o mundo com a Orquestra Sinfônica Simón Bolívar, e ele cresceu indo a concertos em Oberlin
• O segundo efeito dessa criação: aprendeu a reconhecer a genialidade nos outros, que foi como ele viu seu cofundador Ben
• O que viu nele: não uma otimização incremental, mas uma visão anos à frente e a capacidade de justificá-la a partir de primeiros princípios

O que Aprendeu no MIT

• O contraste: vinha de uma escola de ensino médio de 300 pessoas em uma cidadezinha de Ohio, onde terminava tudo ao meio-dia e sobrava tempo para pintar
• O baque: conhecer alguém de 16 anos que fazia pesquisa em física teórica havia quatro anos e publicava com os mais famosos do mundo
• O que ele reconhece não ter aprendido lá: como chegar a esse nível. Isso ele aprendeu depois
• O que ele levou: a humildade de saber quanto é preciso trabalhar e a disciplina para sustentar isso
• A medida atual dele: a única coisa com que pode comparar quanto trabalha hoje é quanto trabalhou no MIT

O Profissional em Forma de E

• O conselho clássico era ser em forma de T: muita amplitude e uma única profundidade
• A versão que ele defende: profundidade em várias áreas, ainda que menos profunda que a do especialista
• Por que funciona agora: se você conhece 30 ou 40%, o modelo completa o resto
• O exemplo dele: nunca foi proficiente em Lua, e hoje consegue escrever com eficiência
• A observação dele sobre os artistas: são muito curiosos e não se colocam rótulos sobre no que são bons
• O padrão que Enzo aponta em vários convidados latinos: engenheiros que também são artistas e que se julgam menos

O que Aconteceu na Square e na Cruise

• O diagnóstico dele sobre a Square: o fundador é muito bom do zero ao dez, mas delegou a um perfil executivo
• A distinção que ele usa, do livro The Hard Thing About Hard Things: era uma CEO de tempos de paz quando era preciso outra coisa
• O fundo do problema: a Square não percebeu que continuava sendo uma startup, mesmo com milhares de pessoas
• Por que saiu: tentava desenvolver em 2019 ou 2020 o produto que constrói hoje, e preferiram investir em melhorias incrementais
• O diagnóstico dele sobre a Cruise: ambição demais e uma desconexão com o cliente e o entorno
• O concreto: uma relação adversarial com o governo municipal, que gerou uma cultura adversarial e que, na visão dele, levou a esconder detalhes do acidente
• A avaliação técnica dele: descreve a Cruise como uma catedral de engenharia de software, que estava à frente da Waymo

Por que os Times Pequenos Ganham

• O atrito das organizações grandes: o contexto necessário fica espalhado em muitas cabeças, e cada grupo tem incentivos diferentes
• Na Variant são cinco pessoas, e todo o contexto está na cabeça dele e na do cofundador
• O que isso permite: priorizar bem, mudar de direção rápido e que todos entendam por quê
• Por que isso se amplifica com IA: se ele conhece toda a base de código, consegue comunicá-la ao modelo
• A previsão dele: em breve haverá um unicórnio de cinco ou dez pessoas

Refundar a Teoria da Organização

• A observação dele: as empresas tradicionais criam hierarquias e comitês para combater a perda de contexto, e isso custa experimentação
• O que ele vê nos laboratórios de fronteira: tratam a empresa como uma incubadora
• O exemplo dele: o Claude Code começou como o projeto de uma pessoa que ninguém freou, que convenceu outros internamente a usá-lo e demonstrou tração
• Ele diz ter ouvido o mesmo da OpenAI: grupos que experimentam e, se há potencial, a empresa vira o veículo
• O precedente pré-IA: o Cash App começou assim dentro da Square

Seu Agente de Code Review

• O problema: passava muito tempo fazendo code review e repetia a mesma coisa para seus engenheiros
• A solução: deu ao modelo todos os seus reviews dos últimos três meses, mais suas boas práticas, e o transformou em um agente de review
• O resultado: o time dele usa, e ele revisa menos porque é uma cópia do seu critério
• O que isso faz além disso: deixa o contexto dele disponível sob demanda para quem precisar
• A observação dele sobre o nível atual: nos últimos quatro meses tinha dificuldade de distinguir os PRs do Claude dos de seus engenheiros

O que É a Variant

• Você rola a tela e aparecem seis ou doze designs gerados, e continua navegando
• O que ela emula: o processo de contratar uma agência de design, que te dá opções e você vai descartando
• Por que não é linear como o ChatGPT: o design é um processo de busca, em que há várias respostas corretas com equilíbrios diferentes

Precisão contra Recall

• O modelo dele vindo do machine learning clássico: recall é quantas das respostas corretas você encontrou, precisão é quantas das que você deu são válidas
• O exemplo de precisão: detecção de fraude, em que cancelar a conta de alguém inocente é um desastre de experiência
• O exemplo de recall: medicina, em que errar dizendo que alguém tem câncer custa pouco, e não detectar é catastrófico
• A aplicação dele: se você otimiza para criatividade, otimiza para recall, porque errar não tem custo
• A complementaridade: depois que você encontra uma boa opção, coloca no Claude Code e otimiza

Desenhar É Curar

• O que importa mais do que a habilidade técnica é o gosto
• A ressalva dele: o gosto não é só o estético, é entender a experiência e o que é intuitivo, e menos gente tem isso
• A crítica dele à habilidade no Figma: mover pixels não tem valor de design, é a ferramenta para visualizar o conceito
• O que a Variant elimina: a necessidade dessa habilidade técnica

O Canvas que Ninguém Usou

• Começaram com uma versão parecida com a atual, e os designers sentiram que não tinham controle suficiente
• Então construíram um canvas no estilo Figma, com controles de estilo e chat
• O resultado do beta fechado: ninguém usava o canvas
• As duas razões: o designer exige um nível comparável ao do Figma, e competir ali é ser marginalmente melhor e não diferente
• E quem de fato curte a Variant não é designer, e se perdia no canvas
• O que descobriram nos vídeos: gostavam da ideia do canvas porque fazia sentir que a ferramenta era de design, mas só o usavam para organizar

Sobre o AI Slop

• A ressalva técnica dele: gerar mais não aumenta a proporção de slop, que é constante em um sistema probabilístico
• A meta real: aumentar a proporção de designs de alta qualidade
• O que faz falta: gente que entenda o que é um output de boa qualidade e saiba discriminar
• O que ele diz que falta em outras empresas do setor: ter claro qual é o objetivo

Por que o Research Continua

• Duas razões: entender como treinar melhor hoje e saber o que vem por aí
• O exemplo atual: quase não se falava de mid training e agora ele aparece em papers de grandes laboratórios
• A direção que o interessa: modelos de difusão de linguagem, frente aos LLMs autorregressivos
• O argumento dele: escrever um site não é um processo linear da esquerda para a direita, e um modelo de difusão gera em paralelo
• A hipótese dele: um modelo de difusão treinado especificamente para front-end refletiria melhor a estrutura desses dados
• O que eles fizeram durante a YC: ele treinou um modelo que era estado da arte para design gráfico
• A conclusão dele: as pessoas subestimam como é fácil superar os modelos gerais em uma habilidade muito específica

Por que os Modelos de Fronteira Não Dão Conta de Tudo

• O exemplo extremo que lhe deram: quem vai fazer o melhor modelo para projetar peças de avião não é a OpenAI, é a Boeing
• A razão: esses dados não existem em público e você não vai contratar ninguém para fazer esquemas de avião
• O termo que os pesquisadores usam: os modelos são spiky
• A ressalva comercial: ao treinar um modelo de fronteira é preciso equilibrar capacidades, e às vezes você ganha em uma área e perde em outra

O Problema do Reinforcement Learning

• Os modelos foram treinados com preferências de usuários comuns
• O que a pessoa comum quer: não ser desafiada, algo simples, sentir-se bem
• O resultado: modelos agradáveis que te dizem o que você quer ouvir
• O que eles fizeram ao contrário: priorizar o especialista
• O efeito que buscam: democratizar a experiência do especialista para quem não a tem

Sobre se o Gosto Continuará Sendo Vantagem

• A diretora de design da Anthropic disse que os designers se apegam demais ao gosto e que a IA vai alcançá-los
• A resposta dele: provavelmente ela tem razão
• A decomposição dele do bom design: uma base de dados de inspiração e experiências, mais o raciocínio para combiná-las rumo a um objetivo
• O que um sistema consegue imitar: esses 80% de esforço, a base de conhecimento e a execução técnica
• O que sobra: o gosto do 1 ou 10% do topo

Como os Designers Reagem

• Metade pergunta por que, se amam o design, querem eliminá-lo
• A outra metade se lembra de quando fazia tudo isso manualmente e vive aquilo como mágica
• A pessoa que não é designer reage bem, mas não valoriza como era difícil, e isso lhe parece bom

O Futuro da Profissão

• As profissões estão se misturando: product manager, engenheiro e designer são cada vez mais a mesma pessoa
• Qual das três ele acha que é a mais importante: o design
• O raciocínio dele: os agentes substituem primeiro a programação e a gestão de projetos, como dizia o relatório da Anthropic sobre o futuro do trabalho
• A conclusão dele: o futuro é melhor para quem ama design, produto e experiência do usuário

Seu Conselho para Alguém de 20 Anos em Caracas ou Lima

• É o melhor momento, porque a IA democratiza o conhecimento e a delegação
• O efeito: alguém em um país com mais recursos já não tem tanta vantagem
• O que passa a diferenciar: a marca, a relação com o cliente e o problema que você escolhe resolver
• O exemplo dele: uma empresa que foi de 0 a 100 milhões de ARR em oito meses entendendo o mercado asiático melhor que a Lovable

A Quem Ele Agradece

• À avó, que morreu há alguns anos
• Ela cresceu em um bairro pobre de Caracas, treze pessoas em um cômodo, sem educação, e sendo afro-latinos em uma época de racismo
• O que diziam à bisavó dele: que aqueles filhos iam ser ladrões e prostitutas
• O que aconteceu: todos foram para a universidade, alguns viraram advogados, um tio foi ministro dos esportes, e a avó chegou à UNESCO e às Nações Unidas
• O que isso deixou para ele: se ela chegou lá saindo do bairro, até onde ele pode chegar começando de uma cidadezinha de Ohio

Glossário do Vale do Silício

Pessoas, Empresas e Referências

Pessoas Mencionadas

• Daniel Bulhosa: cofundador e CTO da Variant, físico formado pelo MIT
• Ben: seu cofundador, designer, em quem ele viu a genialidade
• Sua avó: do bairro de Caracas à UNESCO
• Seu pai: rodou o mundo com a Orquestra Sinfônica Simón Bolívar
• Will Gaviria: da Coactive, amigo em comum em cujo jantar eles se conheceram
• Jack Dorsey: fundador da Square
• Enzo Cavalie: host do podcast

Empresas e Organizações

• Variant: Pinterest para design generativo, cinco pessoas
• MIT: onde estudou física e matemática
• Square: onde fez machine learning, e de onde saiu por não poder construir este produto
• Cruise: os carros autônomos da General Motors, que ele descreve como uma catedral de software
• Anthropic e OpenAI: os laboratórios de fronteira, e sua estrutura de incubadora
• Figma: o concorrente que decidiram não imitar
• Boeing e Airbus: o exemplo de dados que nenhum laboratório tem
• Lovable: a referência do mercado que outra empresa entendeu melhor na Ásia
• Runway, Krea, ElevenLabs, Replit: os exemplos de aplicar research novo primeiro