IA na Sua Mesa: Uma Configuração Prática para o Trabalho Diário

A maioria das pessoas que usa IA no trabalho fica colando texto em janelas de chat no navegador, trocando de contexto toda vez que precisa de ajuda. Isso funciona para perguntas ocasionais, mas desmorona quando você está usando IA várias vezes por hora em programação, redação e pesquisa. Este guia cobre uma configuração que mantém IA perto de onde você já trabalha, com atenção a custo, privacidade e velocidade.

Escolha o modelo certo para cada tarefa

Nem toda tarefa precisa de raciocínio no nível do GPT-4. Se você está resumindo uma transcrição de reunião ou reescrevendo um email, um modelo menor e mais rápido faz o trabalho em uma fração do tempo e do custo. Execute algo como Llama 3.1 8B ou Mistral 7B localmente através do Ollama para tarefas rápidas e de baixo risco:

ollama pull llama3.1:8b
ollama run llama3.1:8b "Summarize this in 3 bullet points: ..."

Reserve os modelos hospedados maiores (GPT-4o, Claude 3.5 Sonnet) para tarefas que exigem raciocínio real: depurar um stack trace complicado, redigir uma proposta técnica ou revisar decisões de arquitetura. Dividir o trabalho desse jeito reduz sua fatura de API notavelmente se você paga por token, e modelos locais respondem em milissegundos versus segundos para chamadas de API de ida e volta.

Integre IA no seu editor, não no navegador

Se você escreve código, o movimento com maior alavancagem é colocar IA diretamente na sua IDE. VS Code com a extensão Continue permite apontar para um modelo Ollama local ou uma chave de API em nuvem, e você pode selecionar código e fazer perguntas inline em vez de redigitar contexto em uma janela de chat.

{
  "models": [
    {
      "title": "Local Llama",
      "provider": "ollama",
      "model": "llama3.1:8b"
    }
  ]
}

Para trabalho no terminal, ferramentas como aichat ou uma simples função shell envolvendo a CLI do OpenAI economizam você de abrir um navegador:

function ask() {
  curl -s https://api.openai.com/v1/chat/completions \
    -H "Authorization: Bearer $OPENAI_API_KEY" \
    -H "Content-Type: application/json" \
    -d "{\"model\":\"gpt-4o-mini\",\"messages\":[{\"role\":\"user\",\"content\":\"$1\"}]}" \
    | jq -r '.choices[0].message.content'
}

Chamei com ask "explain this regex: ^(?=.*[A-Z]).{8,}$" e obtenha uma resposta sem sair do shell.

Mantenha dados sensíveis fora dos servidores de terceiros

Antes de colar qualquer coisa em um modelo em nuvem, pergunte-se se contém dados de clientes, credenciais ou código proprietário que sua empresa não quer que saia da rede. Muitos times estabelecem uma regra simples: qualquer coisa que toque em codebases internas ou PII passa por um modelo local ou uma API de nível empresarial com um acordo de zero retenção, e todo o resto pode ir para uma ferramenta de nível consumidor.

Ollama rodando em uma máquina com uma GPU decente (uma single RTX 4070 ou melhor manipula modelos de 7B-13B confortavelmente) cobre a maioria do trabalho diário de redação e revisão de código sem um único byte saindo do seu laptop. Para trabalho local mais pesado, modelos quantizados (Q4_K_M ou Q5_K_M) trocam uma pequena quantidade de acurácia por velocidade e menor uso de memória.

Construa pequenos scripts em vez de repetir prompts

Se você se vê digitando a mesma estrutura de prompt repetidas vezes, transforme em um script. Um resumidor de standup diário que puxa do seu git log é um bom ponto de partida:

git log --since="yesterday" --author="$(git config user.name)" --oneline | \
  ask "Turn these commits into a 3-sentence standup update"

Este tipo de automação pequena se acumula. Cinco minutos economizados por dia em um time de dez pessoas somam horas reais ao longo de um mês, e remove o atrito que faz as pessoas evitarem usar ferramentas de IA em primeiro lugar.

Cuidado com os modos de falha

IA na sua mesa ainda erra de maneiras específicas e previsíveis: fabrica nomes de funções que não existem no seu codebase, misinterpreta código sensível a indentação e confientemente dá sintaxe de biblioteca desatualizada. Sempre execute código gerado antes de confiar nele, e trate qualquer afirmação factual (um número CVE, o comportamento padrão de uma biblioteca, uma data de descontinuação) como algo a verificar independentemente em vez de aceitar pelo valor de face.

O objetivo não é substituir seu julgamento pela saída de um modelo. É reduzir o tempo entre ter uma pergunta e obter um rascunho útil de uma resposta, para que você gaste mais do seu dia nas partes do trabalho que realmente precisam de um humano.

Se você quer ir além com modelos locais, design de prompt ou escrever seus próprios scripts em torno deles, veja os segmentos de IA e Scripting no Korra Studio.