Em 1971, Herbert Simon chamou a atenção para a economia da atenção. Segundo Simon, ganhador do Prêmio Nobel em 1978, o excesso de informação cria um problema para as pessoas: a dificuldade de manter a atenção. Em casos como esse, a filtragem torna-se uma parte importante do processo de tomada de decisão. A visão de Simon surgiu em um momento pré-internet e, hoje, parece cada vez mais atual.
Um artigo recém-publicado (via aqui) destaca a economia da intenção. Para os autores, a Inteligência Artificial (IA) mudará a relação entre informação e atenção. Os modelos de IA desenvolvidos recentemente não apenas observam o que os usuários desejam, mas também o que eles desejam desejar.
Um exemplo concreto ajuda a ilustrar como a economia da intenção, como um mercado digital para a comercialização de sinais de ‘intenção’, diferiria da atual economia da atenção. Hoje, anunciantes podem comprar acesso à atenção dos usuários no presente (por exemplo, via redes de leilão em tempo real como o Google AdSense) ou no futuro (por exemplo, comprando espaços publicitários para o próximo mês em um outdoor ou linha de metrô). LLMs diversificam essas formas de mercado ao permitir que anunciantes comprem acesso tanto em tempo real (“Você já pensou em assistir *Homem-Aranha* hoje à noite?”) quanto contra futuros possíveis (“Você mencionou que está se sentindo sobrecarregado, devo reservar aquele ingresso para o cinema sobre o qual conversamos?”). Se você estiver lendo esses exemplos online, imagine que cada um deles foi gerado dinamicamente para corresponder ao seu histórico comportamental, perfil psicológico e contexto atual.
Na economia da intenção, um LLM poderia, a um custo baixo, utilizar seu tom de voz, inclinações políticas, vocabulário, idade, gênero, preferências por bajulação e outros fatores, combinados com lances de anunciantes, para maximizar a probabilidade de alcançar um determinado objetivo (por exemplo, vender um ingresso de cinema). Zuboff (2019) descreve esse tipo de assistente pessoal de IA como um “avatar de mercado”, que orienta a conversa em favor de plataformas, anunciantes, empresas e outras partes interessadas.
Em resumo, imagine mensagens persuasivas muito mais individualizadas em diversos aspectos. Essas mensagens poderiam ser baseadas em uma gama muito maior de dados sobre você: onde você mora e trabalha, padrões de viagem, estado civil, compras passadas, buscas na internet e muito mais. Seus dados pessoais poderiam ser comparados com os de outras pessoas estatisticamente semelhantes a você, permitindo que as mensagens fossem redigidas na linguagem mais eficaz para te influenciar—baseando-se tanto no seu próprio histórico de respostas quanto no comportamento de pessoas parecidas com você.
Além disso, essas mensagens poderiam ser "dinamicamente ajustadas", ou seja, em vez de receber a mesma mensagem repetidamente, você receberia uma sequência de mensagens que evoluem para maximizar sua persuasão ao longo do tempo.