IA alinhada à soberania

As negociações climáticas dependem de documentos. São milhares, escritos num vocabulário próprio que muda de uma sessão para outra. As palavras exatas de um texto podem decidir o resultado. Os modelos de linguagem de IA podem ajudar a ler, escrever e preparar-se mais depressa.

1.1Por que nos deve interessar?

Os jovens negociadores nas negociações climáticas da ONU (a UNFCCC) representam a geração que viverá com as decisões de hoje. Muitos enfrentam os mesmos problemas. Há demasiado para ler. A linguagem política é difícil de acompanhar. E há pouco tempo para transmitir uma ideia.

Os modelos de linguagem podem ajudar em cada um destes pontos. Um modelo de linguagem é um programa de computador treinado com uma enorme quantidade de texto escrito. Pode ler, resumir e escrever textos a pedido. Para os negociadores, é útil de quatro formas.

Compreender a informação. Transformar relatórios longos e dados em resumos curtos, para acompanhar novas descobertas.

Redigir. Ajudar a formular uma ideia na linguagem aceite nas negociações, com clareza suficiente para chamar a atenção.

Trabalhar entre línguas. Traduzir textos e explicar o seu contexto, para que mais pessoas possam participar em pé de igualdade.

Praticar. Representar a outra parte numa simulação de negociação, para poder treinar antes da negociação real.

A ferramenta é apenas uma parte. Os negociadores que aprendem a usá-la bem ganham mais tempo para o trabalho que precisa de uma pessoa.

1.2Como usar este guia

A primeira metade explica o que são estes sistemas, de que precisam os negociadores e como pedir algo útil a um modelo. A segunda metade trata dos agentes. Um agente é um modelo que pode ler um conjunto inteiro de documentos e realizar uma tarefa em várias etapas. Os últimos capítulos tratam de quem controla os seus dados, de como executar um modelo por conta própria e do custo ambiental da IA. Cada capítulo tem instruções que pode copiar. Não precisa de formação técnica.¹1A primeira edição foi escrita em 2024 para o Climate Youth Negotiator Programme. As entrevistas do capítulo 3 e o apêndice vêm desse trabalho.

2.1Como chegamos aqui

Em 1957, o psicólogo Frank Rosenblatt começou a trabalhar no perceptron no Cornell Aeronautical Laboratory. A Marinha dos EUA apresentou uma máquina perceptron em funcionamento no ano seguinte. Um perceptron é um modelo matemático muito simples de uma célula cerebral. Recebe várias entradas, atribui um peso a cada uma e produz uma saída. Não copiava um cérebro real, mas os sistemas de IA atuais surgiram em parte a partir dele.

Depois, o progresso parou durante décadas. Não havia dados suficientes, os computadores eram demasiado lentos e os métodos de treino eram fracos. As coisas avançaram quando os três melhoraram ao mesmo tempo. Em 2012, Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton treinaram um sistema chamado AlexNet com 1.2 milhões de imagens rotuladas, usando chips gráficos feitos para videojogos. A resposta certa estava entre as suas cinco primeiras hipóteses em todas as imagens de teste, exceto em 17 por cento, um resultado muito melhor do que qualquer outro até então.¹1O resultado deveu-se tanto à arquitetura, às técnicas de treino e ao conjunto de dados como ao hardware.

Em 2017, investigadores da Google apresentaram o Transformer. Um Transformer analisa todas as palavras de um trecho ao mesmo tempo e determina quais são relevantes umas para as outras. Isto permite-lhe ligar ideias distantes num texto. Os Transformers também são rápidos de treinar em muitos chips ao mesmo tempo. Quase todos os sistemas neste guia têm um como base.

A OpenAI treinou depois Transformers numa tarefa simples: prever a palavra seguinte. Os seus primeiros modelos, GPT e GPT-2, mostraram que esta única tarefa ensinava várias capacidades a um modelo ao mesmo tempo. Já não era preciso um sistema separado para cada tarefa. Os investigadores também descobriram leis de escala. Os modelos melhoravam de forma previsível à medida que recebiam mais capacidade de cálculo, mais dados e maior dimensão, desde que os três crescessem juntos.

Em 30 de novembro de 2022, a OpenAI lançou o ChatGPT como uma versão de investigação gratuita. Pela primeira vez, qualquer pessoa podia conversar com um destes modelos.

Seguiram-se mais duas mudanças. Em setembro de 2024, a OpenAI anunciou o o1 e, em janeiro de 2025, a DeepSeek lançou o R1. Ambos dedicam mais esforço antes de responder. Primeiro, escrevem notas de trabalho mais longas, o que ajuda nos problemas que exigem vários passos. Os modelos também foram ligados a ferramentas e passaram a poder agir em ciclos. O capítulo 6 trata disso.

2.2A receita

Um modelo de linguagem é um tipo de IA que lê e escreve linguagem humana. Aprende com uma enorme quantidade de texto: livros, artigos, sites e muito mais. Aprende padrões a partir desse texto e usa-os para escrever novos textos.

O ChatGPT, o Llama da Meta e modelos semelhantes são criados em duas etapas. Primeiro vem o pré-treino. Depois vem o pós-treino, que agora tem duas partes. A segunda parte é o que permite aos modelos recentes resolver problemas longos.

Pré-treino. O modelo lê uma enorme quantidade de texto da internet e pratica a previsão da palavra seguinte. Não guarda uma lista do que leu. Pelo caminho, aprende gramática, factos sobre o mundo e alguma capacidade de raciocínio. Aprende uma quantidade surpreendente desta forma, desde pequenos factos do dia a dia até ideias difíceis.

Ajuste fino supervisionado. A primeira parte do pós-treino. Pessoas escrevem e avaliam exemplos de respostas, seguindo orientações escritas. O modelo treina com estes exemplos e aprende a aplicar o mesmo padrão a novos pedidos. Esta etapa ensina-o a seguir uma instrução em vez de apenas continuar a sua frase.

Aprendizagem por reforço. A segunda parte, mais recente. O modelo não recebe uma resposta correta para copiar. Recebe uma recompensa quando chega a um bom resultado. Com o tempo, aprende quais as formas de resolver um problema que funcionam. É isto que permite a um modelo manter uma longa sequência de passos antes de responder.

2.3Limitações

Os investigadores ainda não compreendem por completo como estes modelos funcionam por dentro. A visão comum é que o pré-treino dá ao modelo o seu conhecimento e o pós-treino molda a forma como o usa.

Uma coisa é clara. Um modelo de linguagem escolhe a palavra seguinte com base em padrões no texto de treino. Isso funciona bem para muitas tarefas, mas tem dois grandes problemas. O modelo repete os preconceitos do texto com que aprendeu. E afirma coisas falsas com toda a confiança. A isto chama-se alucinação. Uma frase que parece certa não foi verificada.

2.4De onde vêm os preconceitos

Estes modelos aprendem com a internet, e a internet não cobre o mundo por igual. Para quem negoceia sobre o clima, isto tem muita importância.

Veja-se o caso dos registos da natureza. O Global Biodiversity Information Facility (GBIF) é a maior base de dados aberta de observações de espécies do mundo. Cerca de 83 por cento dos seus registos vêm da América do Norte e da Europa. Os outros 17 por cento cobrem o resto do mundo, incluindo os locais com mais espécies.

O texto escrito tem o mesmo desequilíbrio. Há muito mais conteúdo online em inglês, francês e espanhol do que em quéchua, twi ou tok pisin. Por isso, um modelo viu muito mais do primeiro grupo. Vai traduzir, resumir e redigir bem numa língua comum. Numa menos comum, vai cometer mais erros, com a mesma confiança.

Esta é também uma das principais causas de alucinação. Pergunte sobre um local bem documentado e o modelo recorre a muito material. Pergunte sobre um local pouco documentado e tem muito menos em que se apoiar, por isso preenche as lacunas com suposições. A resposta não soa menos segura. Tem apenas maior probabilidade de estar errada.

Não é fácil atribuir a culpa a alguém. Recolher e publicar dados custa dinheiro e exige sistemas que muitos países não têm. Algumas comunidades optam por não partilhar conhecimento sobre as suas terras e espécies, e esse é um direito seu. Mas o resultado é o mesmo. Estas ferramentas funcionam melhor para locais que já têm muitos dados e pior para os que têm mais a perder.

A mesma diferença aparece entre quem usa estas ferramentas. A Anthropic publica um índice de uso do Claude por país. O uso aumenta em estreita relação com o rendimento nacional, e vinte e cinco países quase não registam uso.²2Anthropic, Anthropic Economic Index, 2025. O uso cresce com o PIB por pessoa em idade ativa, elevado a uma potência de cerca de 0.69. Entre eles estão Tonga, Samoa, Nauru e Palau. Estes países são Partes nas mesmas negociações e estão entre os mais expostos às alterações climáticas.

Entrevistámos jovens negociadores climáticos de vários países. Descreveram os mesmos problemas e pediram tipos de ajuda semelhantes.¹1Seis negociadores da Libéria, do Paraguai, do Peru, da Nigéria, do Líbano e da Indonésia. O resumo completo está no apêndice.

3.1Principais desafios e dificuldades

Língua. A maioria das pessoas na sala não tem o inglês como primeira língua.

Termos técnicos. O jargão da UNFCCC leva anos a aprender (Libéria, Paraguai).

Transmitir conhecimentos. Algumas pessoas têm conhecimentos técnicos e outras não. Muito desse saber perde-se quando os delegados mudam entre sessões.

História. É difícil descobrir o que aconteceu em negociações passadas (Líbano).

Falar com negociadores experientes. Estas conversas são difíceis sob pressão (Peru, Nigéria). Os delegados mais jovens têm de conquistar respeito para que as pessoas ouçam o que dizem.

Compreender as outras Partes. As posições mudam depressa e são difíceis de acompanhar.

Tempo. Nunca há tempo suficiente para assimilar tudo o que importa.

Falar com clareza. Explicar uma ideia complexa de forma rápida e precisa em inglês é uma dificuldade constante.

3.2Ferramentas e recursos desejados

Ferramentas linguísticas. Melhor apoio à escrita e à gramática, pensado para textos da UNFCCC em vez do inglês de negócios.

Pesquisa rápida. Ferramentas que analisam documentos longos, extraem as partes importantes e confirmam qual é a versão mais recente de um texto.

Formação adaptada. Materiais de aprendizagem adequados à região, ao grupo de negociação e à experiência de cada negociador.

Na altura das entrevistas, os negociadores usavam Grammarly para escrever e Google Drive para trabalhar em conjunto. Um negociador não usava nenhuma ferramenta de tradução, porque o sentido da linguagem das negociações se perde na tradução.

As negociações climáticas abrangem muitos temas ao mesmo tempo: emissões, biodiversidade, dinheiro e política. Para acompanhar tudo, um negociador precisa de três coisas.

Acesso rápido à informação. A ciência do clima está sempre a mudar, e os negociadores precisam dos dados mais recentes com rapidez.

Redação cuidada. Uma palavra num acordo pode fazê-lo funcionar ou falhar.

Muitas línguas. As Partes vêm de todo o mundo e falam muitas línguas.

4.1Onde os modelos ajudam

Comunicação. Redigir e traduzir textos, para que as Partes com línguas maternas diferentes se entendam corretamente.

Pesquisa. Reunir e resumir grandes quantidades de material, como estudos científicos, documentos sobre políticas e acordos anteriores, para se manter a par.

Explorar cenários. Discutir os possíveis efeitos de diferentes escolhas políticas, para testar uma posição antes de a assumir.¹1Por vezes, chama-se a isto modelação preditiva, o que é um exagero. Os modelos de linguagem não executam modelos climáticos ou económicos. Reformulam e comparam cenários, e qualquer número que produzam precisa de ser verificado numa fonte real.

Resumir argumentos. Apresentar o que cada Parte defendeu, para identificar os principais argumentos e contra-argumentos.

4.2Possíveis problemas

Os benefícios são reais. Os riscos também, e alguns têm grande peso na diplomacia.

Simplificar demais. Os modelos encurtam os textos. Ao fazê-lo, podem omitir a única ressalva que uma Parte passou três sessões a defender.

Não captar o ambiente. Um modelo não consegue perceber o ambiente ou a política de uma negociação. Não sabe o que foi acordado no corredor.

Falta de conhecimento especializado real. Um modelo pode parecer um especialista em política climática sem o ser. Se confiar nele, pode acabar com informação incompleta ou errada.

Segurança e privacidade. As negociações envolvem muitas vezes material sensível. Tudo o que colar num serviço de IA online sai da sua delegação. Poucas pessoas leem os termos que dizem como esse material é guardado.

Ética. Seja transparente sobre quando usa IA. Mantenha as pessoas responsáveis pelas decisões. Esteja atento ao uso indevido.

Mal-entendidos. Um modelo pode interpretar mal o seu pedido. Pode dar-lhe um texto que parece refletir a sua posição, mas não reflete.

5.1Que modelo e em que condições

Há dois tipos de assistente de IA. O tipo que usa importa mais do que a marca.

Pesos fechados. ChatGPT, Claude e Gemini funcionam nos computadores das empresas. Acede a eles através de uma conta. São os modelos mais capazes e os mais fáceis de começar a usar. As versões gratuitas podem redigir, traduzir e resumir. As versões pagas custam cerca de vinte dólares por mês. Aceitam documentos mais longos e o envio de ficheiros, e incluem as funções de agente do capítulo 6. Tudo o que escreve vai para a empresa. Conforme as suas definições, a empresa pode guardar esse conteúdo, deixar que os funcionários o leiam ou usá-lo para treinar o próximo modelo.

Pesos abertos. Llama, Mistral, Qwen, Gemma e DeepSeek publicam os seus modelos para qualquer pessoa descarregar. Assim, pode executá-los por conta própria, na sua instituição ou num fornecedor à sua escolha. Ollama instala um num portátil em poucos minutos. Polly, gerido pela GainForest e pela Youth Negotiators Academy em polly.ai4cop.org, é um modelo de pesos abertos na internet que não guarda registos do que envia. O capítulo 11 explica como executar o seu próprio modelo.

Uma regra simples para começar. Use um modelo fechado para material que já é público. Use um modelo de pesos abertos para tudo o resto. Nunca cole uma posição que a sua delegação ainda não apresentou num serviço que não controla. O capítulo 10 explica o que está em jogo. Leia-o antes de abrir uma conta.

Seja qual for a sua escolha, instale a aplicação no telemóvel. A entrada por voz ajuda quando caminha entre sessões. Dizer uma ideia ainda pouco definida na sua língua costuma dar um rascunho melhor do que escrever uma frase cuidada em inglês.

5.2Introdução à engenharia de prompts

A instrução que escreve chama-se prompt. Quanto mais claro e específico for o prompt, melhor será a resposta.

Um prompt pode ter até quatro partes. Nem sempre precisa de todas.

Instrução. O que quer que o modelo faça.

Contexto. Informação que ajuda o modelo a dar uma resposta melhor.

Dados de entrada. O texto, a pergunta ou o documento com que quer que trabalhe.

Formato de saída. A forma que a resposta deve ter.

5.3O que faz um bom prompt

Seis hábitos fazem a maior parte do trabalho. Aplicam-se a todos os modelos.

Seja claro e detalhado. Diga quem é, o que quer e que forma a resposta deve ter. O modelo não sabe onde está nem o que se passa à sua volta.

Mostre um exemplo. Um exemplo da resposta que quer funciona melhor do que um parágrafo a descrevê-la.

Peça citações. Diga ao modelo para citar o trecho em que se baseia. Ligar uma resposta a um documento real é a melhor proteção contra factos inventados.

Identifique as partes. Coloque cada parte entre etiquetas, como <contexto>, <tarefa> e <texto>. Assim, o modelo distingue a sua instrução do documento que colou.

Deixe-o pensar primeiro. Peça o raciocínio antes da resposta. Os modelos cometem menos erros em tarefas com vários passos quando percorrem esses passos.

Dê-lhe um papel. "É um investigador de perdas e danos" costuma obter uma resposta melhor do que o mesmo pedido sem um papel.

Depois, continue. Melhore o prompt e volte a perguntar. A segunda tentativa é quase sempre melhor do que a primeira.

Crie um hábito desde o início. Peça fontes e peça ao modelo para assinalar as partes sobre as quais tem dúvidas. Se não consegue verificar uma resposta, não a pode usar numa sessão plenária.

A estrutura de uma intervenção

Os negociadores escrevem intervenções mais do que qualquer outro texto. Um bom prompt para uma intervenção tem cinco partes: quem fala e onde, o tema central, as provas, o acordo a que se liga e o que deve ser feito.

Se faltar uma parte, o rascunho piora. Sem o papel, não escreve para ninguém. Sem as provas, escreve sentimentos em vez de factos. Sem a última linha, não se liga a nenhum acordo que permita agir.

5.4Prompts para diferentes usos

1. 1
   Análise de dados

   Com esta folha de cálculo, faça um gráfico do aumento médio das emissões nos últimos anos, indique o método e liste os pressupostos que adotou sobre os dados em falta.

   Configuração: Envio de ficheiros
2. 2
   Tradução

   Traduza este parágrafo para espanhol, mantendo o registo formal usado nos textos de decisão.

   Configuração: Qualquer modelo
3. 3
   Resumo

   Resuma a intervenção do Grupo dos Países Menos Desenvolvidos no Diálogo Técnico do Balanço Global de 10 de junho de 2023 e cite os trechos em que se baseia.

   Configuração: Pesquisa na internet ativada
4. 4
   Preparar um discurso

   É responsável por escrever discursos para um negociador sobre alterações climáticas na ONU. Está a escrever sobre os esforços de capacitação do Reino Unido. Eu sou o negociador. Que cinco perguntas me faria para obter a informação de que precisa para redigir uma declaração?

   Configuração: Qualquer modelo
5. 5
   Preparar contra-argumentos

   As perdas e danos são um tema central nas negociações climáticas. É um investigador de perdas e danos. Liste as principais razões pelas quais alguns países dão pouca prioridade às perdas e danos. Depois, escreva um contra-argumento forte que mostre por que é necessário um fundo para perdas e danos.

   Configuração: Qualquer modelo
6. 6
   Redigir uma declaração ou um discurso

   É responsável por redigir uma declaração com base nas perguntas acima. Escreva uma declaração de 300 palavras sobre os esforços de capacitação climática do Reino Unido, no estilo usado pelo Governo do Reino Unido.

   Configuração: Qualquer modelo
7. 7
   Explicar termos técnicos

   Explique o que significa "meios de implementação" neste parágrafo, em linguagem simples, e dê um exemplo do uso da expressão numa decisão anterior.

   Configuração: Qualquer modelo
8. 8
   Encontrar o documento

   Que texto de decisão contém o mandato para este programa de trabalho? Indique o símbolo do documento e cite o parágrafo em que se encontra.

   Configuração: Recuperação de informação
9. 9
   Traduzir para um público local

   Traduza esta intervenção para malaio, para um público da comunidade, mantendo o sentido e retirando os termos técnicos da UNFCCC.

   Configuração: Qualquer modelo

Até aqui, tudo funcionou da mesma forma. Você escreve um pedido, lê a resposta e decide o que fazer com ela. Quatro mudanças trouxeram uma segunda forma de trabalhar.

Os modelos podem ler mais. Um modelo pode agora receber um texto de negociação inteiro, suas versões anteriores e suas notas de preparação de uma só vez.

Os modelos podem pesquisar. Um sistema pode pesquisar num conjunto de documentos ou na internet antes de responder e citar o que encontrou. Isso permite verificar a resposta.

Os modelos podem usar ferramentas. Um modelo pode ser ligado a um motor de busca, uma planilha, um calendário ou uma pasta de arquivos. Assim, pode trabalhar com eles em vez de apenas descrevê-los.

Os modelos podem repetir. Um sistema já não precisa responder uma vez e parar. Pode planejar, dar um passo, olhar o resultado e tentar de novo até concluir a tarefa.

Junte tudo isso e terá o que se chama de agente. Um agente é um modelo com ferramentas e memória que continua trabalhando até concluir uma tarefa. Ele trabalha dentro das permissões que uma pessoa lhe deu. Não tem discernimento e não pode ser responsabilizado. Tem uma tarefa e um conjunto de permissões, nada mais.

6.1Três formas de trabalhar

Conversa. Você pergunta, ele responde, você verifica. Útil para redigir, traduzir, explicar e praticar.

Pesquisa. O sistema primeiro pesquisa num conjunto definido de documentos, depois responde e mostra suas fontes. Use para qualquer fato sobre a negociação: como um texto mudou, o que as Partes disseram, decisões anteriores.¹1Se um sistema disser o que consta num parágrafo de uma decisão e não conseguir mostrar o parágrafo, trate a informação como um boato.

Agente. O sistema executa uma tarefa em várias etapas usando ferramentas. Use para trabalho repetitivo cujo resultado você possa verificar, como acompanhar mudanças entre versões ou preparar um resumo diário.

6.2Casos de uso

1. 1
   Acompanhar mudanças no texto

   Compare a revisão 3 deste projeto de decisão com a revisão 2. Liste todas as mudanças de conteúdo, cite ambas as versões e destaque as mudanças que afetam as linhas vermelhas da minha delegação.

   Configuração: Arquivos anexados
2. 2
   Mapear posições

   A partir destas contribuições, crie uma tabela das posições das Partes sobre o Artigo 6.4, com uma citação e uma referência em cada linha. Marque qualquer posição que tenha inferido.

   Configuração: Recuperação de informações
3. 3
   Rastrear o histórico

   Rastreie como a expressão "responsabilidades comuns porém diferenciadas" foi qualificada nos textos das decisões desde 2015, citando cada decisão.

   Configuração: Recuperação de informações
4. 4
   Leitura noturna

   Aqui estão os quatro textos publicados hoje. Diga o que avançou, o que ficou parado e quais três páginas preciso ler antes de amanhã.

   Configuração: Arquivos anexados
5. 5
   Resumo diário

   Todas as noites, reúna os textos publicados no dia nas frentes de negociação que acompanho, resuma o que mudou e me envie a lista.

   Configuração: Agente agendado
6. 6
   Ler os colchetes

   Para cada opção entre colchetes neste parágrafo, explique quem se beneficia, quem resiste e como poderia ser uma formulação alternativa.

   Configuração: Arquivos anexados
7. 7
   Ensaio

   Faça o papel de um negociador que se opõe a este texto. Conteste minha intervenção e não seja complacente.

   Configuração: Conversa
8. 8
   Tradução de volta

   Traduza minha formulação para o francês, depois traduza-a de volta para o inglês de forma independente e diga o que mudou de sentido.

   Configuração: Conversa
9. 9
   Passagem de funções

   A partir das minhas notas desta sessão, escreva o documento de passagem de funções para quem assumir este tema no próximo ciclo.

   Configuração: Arquivos anexados
10. 10
    Trabalho com dados

    A partir desta planilha de emissões, faça um gráfico da tendência destes países desde 2010, descreva seu método e liste todas as suposições sobre dados ausentes.

    Configuração: Acesso a arquivos

6.3Trabalhar com um agente com segurança

Quando um chatbot entende mal o que você diz, você recebe um parágrafo ruim. Quando um agente entende mal, pode agir com base no erro.

Verifique tudo o que vai repetir. Abra um documento citado e confirme que a citação está mesmo lá antes de usá-la na sala de negociação.

Dê o mínimo possível de permissões. Um sistema que lê seus arquivos não precisa também enviar e-mails.

Não confie em documentos externos. Um arquivo enviado por outra pessoa pode conter instruções ocultas dirigidas ao agente.

Decida quem dá a aprovação final. Defina quem aprova qualquer texto escrito com ajuda de IA. Quando há várias ferramentas envolvidas, ninguém mais fará isso.

O email ainda é o principal meio de comunicação entre profissionais. Três coisas tornam isso difícil.

Volume. As caixas de entrada ficam cheias, e organizar as mensagens leva um tempo que você não tem.

Escrever bem. Um email claro e curto que leva à ação exige habilidade.

Idiomas. Muitas vezes, você precisa escrever num idioma que não é o seu.

Um assistente ligado à sua caixa de entrada pode ler toda a conversa por conta própria. Dê permissão para ler e preparar rascunhos. Faça você mesmo o envio.

1. 1
   Acompanhamento de reunião

   Resuma os pontos principais e os compromissos da última reunião de negociação, diga quem assumiu cada um e redija um email cordial aos participantes para acompanhar as ações acordadas.
2. 2
   Agendamento

   Escreva um email cordial e flexível propondo várias datas e horários para a próxima rodada de reuniões, no fuso horário de cada participante.
3. 3
   Resumo diário

   Escreva um email curto com um resumo diário dos avanços nas últimas sessões: novas propostas, pontos acordados e pontos ainda em disputa.
4. 4
   Definição de prioridades

   Escreva um email à equipe de negociação propondo como ordenar os itens da agenda por urgência, impacto nas metas climáticas e chance de acordo.
5. 5
   Organização da caixa de entrada

   Agrupe minhas mensagens não lidas em: exige uma decisão minha, exige resposta, exige encaminhamento, não exige nada. Prepare respostas apenas para o terceiro grupo e deixe-as sem enviar.
6. 6
   Revisão do tom

   Reescreva este email em linguagem diplomática formal sem mudar nenhum compromisso de conteúdo, depois liste o que mudou para que eu possa conferir.

Esses sistemas tendem a escrever num tom cordial e de concordância. Esse tom pode fazer concessões que o texto original não fazia. Pergunte ao modelo o que mudou e leia a lista.

Durante uma sessão, horários, listas de tarefas e reservas de viagem acumulam-se depressa. Três problemas surgem vezes sem conta.

Tempo. É difícil decidir o que fazer primeiro e quanto tempo dedicar a cada tarefa.

Tarefas esquecidas. Itens importantes ficam fora da lista.

Viagens. Encontrar voos e hotéis que se ajustem ao seu horário e orçamento leva horas.

Este é o trabalho de menor risco neste guia e o melhor ponto de partida para usar um agente. As tarefas repetem-se, os resultados são fáceis de verificar e muito pouco é confidencial.

1. 1
   Reservas

   Encontra os voos e hotéis mais baratos e convenientes para uma viagem de [cidade de partida] a [cidade de destino] nas [datas]. Prefiro voos de manhã e um hotel perto do local da sessão. Mostra as vantagens e desvantagens de cada opção em vez de uma única recomendação.
2. 2
   Listas de verificação

   Faz uma lista de verificação completa para uma sessão internacional de duas semanas: documentos, credenciação, roupa para mudanças de tempo, equipamento de trabalho e cópias dos textos principais para consultar sem internet.
3. 3
   Planear o dia

   Consulta o meu calendário e o programa da sessão e propõe um horário com reuniões, tempo para o meu trabalho, exercício e tempo pessoal, tendo em conta estes prazos e compromissos.
4. 4
   Acompanhar o progresso

   Cria um modelo para acompanhar as frentes de trabalho que sigo, com etapas, prazos e espaço para atualizações e próximos passos.

É também na logística que dará pela primeira vez a um agente acesso real ao seu calendário, email e ficheiros. Não há problema nisso. Mas é também aí que começa o hábito de dar um pouco mais de acesso de cada vez. O sistema que reserva os seus voos não precisa de redigir as suas posições.

As negociações climáticas envolvem pessoas e factos. As emoções, as diferenças culturais e a saúde mental também contam.

Saúde mental. As alterações climáticas e a pressão das negociações desgastam os delegados.

Mal-entendidos culturais. Pessoas de culturas diferentes podem interpretar-se mal. Isso causa atritos e atrasa as conversações.

Nesta parte do guia, uma simples janela de conversa é melhor do que um agente. São conversas. Não precisam de um sistema com acesso aos seus ficheiros.

1. 1
   Resumo cultural

   Estou numa negociação da ONU sobre alterações climáticas com alguém do Quénia. Que aspetos culturais devo ter em conta para avançar na negociação?
2. 2
   Um pouco de ânimo

   Estou em baixo neste momento. Pode dizer-me algo que me anime?
3. 3
   Balanço

   Eis o que aconteceu naquela sessão e como lidei com a situação. O que teria feito de diferente um negociador mais experiente?

Dois avisos. Primeiro, um resumo cultural descreve um país em geral, mas vai falar com uma pessoa. Use-o como contexto, não como previsão. Segundo, um modelo pode ajudar a registar um pensamento à uma da manhã. Mas não é um médico nem um colega, e a conversa não é confidencial. Se sentir mais do que cansaço, fale com a chefia da sua delegação, os contactos de apoio do seu programa ou um profissional.

Estas ferramentas podem equilibrar as condições nas negociações multilaterais. Reduzem a barreira linguística que decide quem fala com confiança. Encurtam documentos que ninguém tem tempo de ler. Dão a uma delegação de duas pessoas parte do alcance de uma de cinquenta. Isso tem valor. Mas, antes de escrever, faça algumas perguntas.

A quem pertencem os dados? O texto que cola num assistente online sai da sua delegação. Conforme a conta e as suas configurações, a empresa pode guardá-lo, permitir que funcionários o leiam ou usá-lo para treinar o próximo modelo. Posições nacionais, instruções da sua capital e tudo o que lhe foi dito em confiança não devem estar ali.

A quem pertence a decisão? Um modelo escreve textos que parecem uma posição. Se redige e ninguém verifica, a reflexão por trás da posição do seu país começa a ocorrer fora da sua delegação. Cada texto que sai deve ter alguém com mandato que responda por ele.

O que não consegue ver? OpenAI e Anthropic não mostram todo o raciocínio do modelo. Recebe uma resposta e, por vezes, um resumo de como o modelo chegou a ela. Os passos reais ficam com a empresa. Não pode verificá-los, repeti-los ou mostrar a um colega por que o sistema disse o que disse.

Pesos abertos ou fechados? Os pesos de um modelo são os números que aprendeu no treino. ChatGPT, Claude e Gemini guardam os seus nos computadores das empresas. São os modelos mais fortes e mais fáceis de usar. Llama, Mistral, Qwen, Gemma e DeepSeek publicam os seus, para que possa executar o modelo no seu computador ou num servidor da sua região. Os modelos abertos traduzem, resumem e redigem bem. São mais fracos nos problemas mais difíceis com várias etapas. E, se tiver os pesos, ninguém pode subir o preço ou desligar o modelo a meio de uma sessão.

Uma IA alinhada com a soberania significa que a delegação, região ou comunidade define as condições. Escolhem que modelo usar, que dados inserir e quem pode verificar o que ele fez. Também podem dizer não. No processo da COP, as Partes com menos capacidade costumam ter mais em jogo. Por isso, esta é uma questão prática.

Uma regra prática. Use o modelo online mais forte para material público, leituras de contexto, redação e prática. Para tudo o que envolva uma posição ainda não pública, use um modelo de pesos abertos ou um serviço com um contrato que a sua instituição tenha lido.

Este guia existe para manter essa escolha em vista. Os capítulos anteriores mostram o que estes sistemas fazem bem. Este mostra aquilo de que abdica em troca.

O último capítulo apresentou o dilema. A melhor resposta é executar o modelo por conta própria.

Quando aloja o seu próprio modelo, nada sai do edifício. Não precisa de confiar na política de dados de uma empresa. Os termos de serviço não podem mudar de repente. Nenhuma conta pode ser suspensa a meio de uma sessão. E a sua instituição desenvolve a capacidade em vez de a alugar.

Até há pouco tempo, executar o seu próprio modelo significava aceitar um modelo muito mais fraco. Já não é assim.

A Artificial Analysis publica um índice de inteligência que avalia os modelos com o mesmo conjunto de testes. Kimi K3 e GLM-5.3 têm ambos 60 pontos, três abaixo de Claude Opus 5, com 63. Qwen3.8 vem a seguir, com 58. Dezanove dos 29 modelos do índice têm pesos abertos, embora os modelos fechados ainda ocupem a maioria dos primeiros lugares.¹1O gráfico conta GLM-5.3 e GLM-5.3-Flash como proprietários. A Z.ai publica os pesos de ambos sob uma licença MIT, por isso este livro conta-os como abertos. É por isso que a figura mostra dezassete barras azuis e o texto diz dezanove. Há um ano, o melhor modelo aberto estava treze pontos abaixo do melhor modelo fechado. A diferença diminuiu depressa e pode diminuir mais.

O preço é a outra metade do argumento. GLM-5.3-Flash tem 57 pontos e custa cerca de nove cêntimos por tarefa. DeepSeek V4 Pro 0813 tem 53 pontos e custa cerca de um quarto de dólar. Ambos estão na zona de pontuação alta e custo baixo. Claude Opus 5 tem 63 pontos, mas custa cerca de dez vezes mais do que DeepSeek. É essa diferença que permite a uma delegação pagar pela execução do seu próprio modelo.

11.1Que modelo usar

Dados de 26 de agosto de 2026. Leia a licença antes de escolher. Vários dos modelos abertos mais fortes limitam o uso comercial. Para uma delegação, isso costuma ser aceitável. Para uma empresa que cria um produto com um deles, não.

11.2Quanto custa

Um NVIDIA DGX Spark é um computador de secretária com 128GB de memória. Hoje custa 4.699 dólares. Pode ligar dois diretamente entre si para obter 256GB por cerca de 9.400 dólares. Esse par pode executar um modelo grande como DeepSeek a 55 a 60 tokens por segundo, mais depressa do que consegue ler. Também pode guardar cerca de um milhão de tokens de texto de cada vez, o equivalente a vários milhares de páginas. Isso basta para o trabalho de uma delegação.

Uma unidade pode executar um modelo mais pequeno (27 a 35 mil milhões de parâmetros) com rapidez suficiente para sessenta pessoas ao mesmo tempo. Isso cobre a tradução, os resumos e a redação de todo um escritório. Três ou quatro unidades, com 384 a 512GB, podem executar os maiores modelos abertos na íntegra.

Compare isso com pagar uma subscrição para cada delegado. O equipamento paga-se em um ou dois ciclos de negociação e continua a funcionar quando o financiamento acaba.

11.3Como configurar

Execute o modelo com um programa chamado vLLM ou SGLang. Ambos funcionam da mesma forma que o serviço da OpenAI. Por isso, qualquer ferramenta que funcione com ChatGPT funcionará com o seu próprio servidor depois de mudar o endereço e a chave. Para um primeiro teste num portátil, Ollama ou llama.cpp são mais fáceis. A NVIDIA publica guias de configuração para o Spark, e os guias públicos da comunidade explicam como ligar duas, três ou quatro unidades.

Se não conseguir executar o seu próprio modelo antes da próxima sessão, use um serviço online que tenha assinado um acordo de retenção zero de dados. Isso significa uma promessa por escrito de não guardar o que enviar. Trate-o como uma solução temporária.

11.4Uma ressalva a ter em conta

O índice acima calcula a média de nove testes diferentes, e os modelos abertos não ficam igualmente atrás em todos eles. A diferença é maior nas tarefas de raciocínio mais difíceis e nas alucinações. Em ambos os casos, os modelos fechados ainda estão claramente à frente. Para um negociador, as alucinações são o que mais importa. Por isso, direcione o modelo para os seus próprios documentos, peça fontes e abra-as.

O último capítulo terminou com um modelo a funcionar no seu próprio equipamento. Este trata de como usá-lo para ouvir a sua comunidade.

Até agora, este guia tratou a IA como uma ferramenta que uma pessoa usa no seu trabalho. Há um segundo uso. Ele muda o que uma pequena delegação ou um grupo de jovens pode fazer. Um modelo pode ajudar a ouvir muito mais pessoas do que uma equipa humana conseguiria. Depois, pode levar o que disseram à sala de negociação, com as provas em anexo.

A isto chama-se escuta ampla. Uma sondagem limita as pessoas a respostas que outra pessoa escreveu. A escuta ampla faz o contrário. As pessoas respondem com as suas próprias palavras. O programa encontra padrões nas respostas. Depois, os padrões voltam a quem deu as respostas, para que os possa corrigir.

12.1Polis, a mais antiga destas ferramentas

Polis é um inquérito que funciona como uma conversa. As pessoas escrevem afirmações curtas. As outras votam «concordo», «discordo» ou «passo» em afirmações escolhidas em parte ao acaso. O sistema agrupa os votantes conforme os seus votos. Depois destaca as afirmações com que pessoas de todos os grupos concordam, em vez das que obtêm uma maioria simples.

Taiwan é o exemplo mais conhecido. Após os protestos do Movimento Girassol em 2014, a comunidade de tecnologia cívica g0v e o governo organizaram um processo chamado vTaiwan no Polis. Mais de 200,000 pessoas participaram nas suas consultas. Uma consulta sobre aplicações de transporte como a Uber encontrou afirmações com que motoristas, empresas de táxis e passageiros concordavam. A regulamentação foi então escrita a partir dessas afirmações.

Polis é gratuito e de código aberto (licença AGPL). O Computational Democracy Project mantém-no. É anterior aos modelos de linguagem atuais e não usa nenhum. Essa é uma das razões por que ainda funciona bem.

12.2Talk to the City e o que os modelos acrescentaram

Talk to the City acrescenta um modelo de linguagem para fazer a leitura. Foi criado pelo AI Objectives Institute. Recebe entrevistas, respostas a inquéritos, publicações em fóruns ou transcrições. Divide-as em afirmações individuais, organiza-as por temas e escreve um relatório. Cada linha do relatório tem uma ligação à citação que lhe deu origem. As versões mais recentes também fazem a entrevista. Fazem perguntas para aprofundar as respostas, como uma pessoa faria, em vez de lerem uma lista fixa.¹1Um projeto usou um moderador de IA para entrevistar 81,000 pessoas em todo o mundo, com o modelo a aprofundar qualquer assunto que cada participante levantasse. Essa escala é real, tal como a ressalva abaixo: o modelo decide o que perguntar e o que guardar.

Essas ligações à fonte são o que importa. Um resumo que ninguém pode verificar é apenas uma afirmação. Talk to the City é de código aberto (licença Apache), e pode executá-lo por conta própria.

12.3Team Mirai, a versão com assentos no parlamento

Takahiro Anno é engenheiro de software e escritor de ficção científica. Em 2024, candidatou-se a governador de Tóquio sem partido e obteve 154,000 votos. Numa transmissão em direto de dezassete dias, um avatar de IA treinado com o seu programa eleitoral respondeu a 8,600 perguntas de eleitores. Em maio de 2025, fundou um partido, Team Mirai. O partido ganhou um assento na câmara alta em julho e onze na câmara baixa em fevereiro de 2026, com cerca de sete por cento dos votos.

O sistema por trás disto é a parte que vale a pena copiar. Um cidadão fala com um entrevistador de IA. Este faz perguntas para aprofundar as respostas e transforma a conversa num rascunho de proposta política. O partido só recebe o rascunho se o cidadão confirmar que diz o que queria dizer. Quando há apoio suficiente a uma ideia, esta torna-se uma proposta que os deputados do partido podem apresentar. Numa consulta, o entrevistador recolheu mais de 1,200 horas de conversa em poucos dias. Um entrevistador humano precisaria de cerca de cinquenta dias sem dormir para fazer o mesmo.

Duas escolhas de conceção são essenciais. Primeiro, o cidadão dá a aprovação final, para que o modelo não possa mudar em silêncio o que quis dizer. Segundo, o partido não toma posição sobre questões que dividem profundamente as pessoas. Submete-as a votação direta, porque nenhum programa pode fazer desaparecer um conflito real de interesses.

O seu programa de escuta ampla, kouchou-ai, é de código aberto. Começou como uma versão do Talk to the City adaptada para governos municipais japoneses. Para uma delegação, é melhor adaptar uma ferramenta pública existente às necessidades locais, de forma aberta, do que pagar a alguém para criar uma nova.

12.4Mais três que vale a pena conhecer

Agora Citizen Network. Uma versão totalmente de código aberto do agrupamento ao estilo do Polis, criada para a web aberta. Está a migrar para o AT Protocol, uma norma aberta para dados sociais. Assim, uma discussão não fica presa na base de dados de uma empresa. Em setembro de 2025, durante a greve bloquons tout, uma equipa francesa usou-a para uma consulta nacional. Queriam ver se um país revoltado ainda conseguia encontrar afirmações com que as pessoas concordassem.

Habermolt. Uma experiência de investigação que segue o caminho inverso. Não tenta ouvir mais pessoas. Em vez disso, dá a cada pessoa um agente de IA que aprende as suas opiniões e debate por ela em reuniões a que nunca vai. A pessoa lê o que o seu agente disse e corrige-o. Baseia-se na Habermas Machine da DeepMind. É uma questão em aberto, não uma ferramenta pronta. Um agente que fala por si é precisamente aquilo com que o capítulo 10 recomenda cuidado.

Simocracy. Foi criada pela GainForest, que coedita este guia. Por isso, leia isto como um exemplo, não como uma recomendação. Cada participante escreve um "sim". Um sim tem um avatar, uma constituição que diz o que defende e quais são as suas linhas vermelhas, e uma forma de falar. O sim fica guardado no AT Protocol, pertence à pessoa que o escreveu e participa em reuniões por ela. Os grupos discutem propostas em público, com registo, e decidem como dividir um orçamento comum. Foi usada com Funding the Commons na Frontier Tower, em São Francisco, e na experiência Agent Village. Nos dois casos, as pessoas tomaram a decisão final sobre o financiamento.

12.5Para que serve isto numa COP

Uma posição do grupo. A YOUNGO, o grupo de jovens, tem centenas de membros em todos os fusos horários e poucos dias para acordar uma posição comum. A escuta ampla substitui uma chamada em que ninguém consegue participar por texto que todos podem verificar.

Um pedido de contributos. O prazo de envio termina com 180 documentos, e nenhuma delegação os leu. Agrupe as afirmações, guarde as citações e abra os documentos que importam.

Uma delegação de duas pessoas. Muitas vezes há uma distância entre o seu mandato e o que as pessoas no seu país realmente querem. A escuta ampla reduz essa distância, a baixo custo, entre sessões.

Dar retorno. Após uma sessão, faça o mesmo processo ao contrário. Explique o que foi decidido e o que isso significa a nível local, e ouça o que as pessoas dizem sobre isso.

12.6O que verificar antes de usar uma destas ferramentas

Quem escreveu as perguntas? Um modelo que faz entrevistas decide o que perguntar, o que guardar e como relatar. Isso dá-lhe poder real sobre o resultado. Publique o prompt e a lista de temas, tal como publicaria um questionário.

Os participantes verificam as suas próprias palavras. Nada entra no registo até a pessoa que o disse confirmar o resumo. Esta regra impede que uma máquina ponha palavras na boca das pessoas.

Língua. Estas ferramentas funcionam nas línguas que as pessoas realmente falam. Essa é a sua grande vantagem sobre uma consulta feita apenas em inglês. Verifique os resultados em cada língua. Não traduza tudo para inglês primeiro.

Não invente pessoas que poderia consultar. Participantes gerados por IA são baratos e não valem nada como prova. Se um grupo é afetado, gaste o dinheiro para chegar até ele.

Aloje os dados sensíveis no seu próprio equipamento. Polis, Talk to the City, kouchou-ai, Agora e Simocracy são todos de código aberto. O capítulo 11 explica como executá-los no seu próprio equipamento.

A IA usa energia e água. Um negociador climático que a usa deve saber dizer quanto. O seu uso individual é pequeno. A demanda total é grande e está crescendo. É preciso dizer as duas coisas. Dizer só uma delas é o erro mais comum neste tema.

13.1O seu uso individual é pequeno

O Google mediu um prompt de texto típico enviado ao Gemini: 0,24 Wh de energia, 0,03 gramas de CO2e e 0,26 mililitros de água.¹1Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, agosto de 2025. O valor inclui a capacidade ociosa e o consumo adicional dos centros de dados, que a maioria das estimativas publicadas deixa de fora. Isso equivale a usar um computador portátil por alguns segundos. Mesmo um dia inteiro de uso intenso consome menos que uma viagem curta de carro.

A Polly mostra esse valor para cada conta e publica como o calcula.²2O método e todas as constantes estão em footprint.ts em pi-village-core. Um número que um negociador não pode examinar é pior do que nenhum número. O cálculo parte da parcela do modelo que fica ativa para cada palavra que ele processa:

Ler o seu prompt consome cerca de um quarto do que consome escrever a resposta. Reler um prompt que o sistema já viu consome um décimo. Por isso, os três são contados separadamente. A Polly usa um modelo que ativa 18 bilhões de parâmetros para cada token. Nesse modelo, uma troca típica usa cerca de 0,10 Wh e 0,11 mililitros de água. Isso fica abaixo do valor do Google.³3A constante de joules por token é calibrada com base no teste ML.ENERGY, que mede as GPUs diretamente em 1.858 configurações de execução, em vez de ser presumida. Isso reduziu a estimativa à metade: o palpite anterior era pessimista sobre a capacidade de um servidor ocupado de agrupar tarefas.

Considere que todos esses números podem variar entre a metade e o dobro. Eles não incluem a energia usada para treinar o modelo, a água usada para gerar eletricidade, o seu próprio aparelho e o carbono emitido na fabricação do hardware.

13.2A demanda total é grande

Um prompt é pouco. Bilhões de prompts não são, e mais pessoas os enviam a cada mês. Os centros de dados aumentam a demanda de eletricidade mais rápido do que as redes passam a usar energia limpa. Novos centros de dados são construídos em locais onde já falta água. E as empresas que publicam os pequenos valores por prompt viram suas emissões totais subir desde que começaram a construir esses sistemas.

O valor por prompt também deixa de fora o treinamento, que consome muito. Antes de um modelo de ponta responder a uma única pergunta, seu treinamento usa gigawatts-hora de eletricidade. Esse custo é dividido entre todos os prompts que o modelo responde ao longo da vida. Por isso, ele desaparece no valor por prompt, mas é grande em escala nacional.

O seu uso individual é pequeno. O total de que ele faz parte é uma demanda grande e crescente por energia, água e terra. Relatar o primeiro sem o segundo é o tipo de contabilidade que um negociador nunca aceitaria de outra Parte.

13.3O que fazer a respeito

Desative o raciocínio quando não precisar dele. Isso faz a maior diferença e é apenas uma configuração. O mesmo modelo com o raciocínio ativado pode usar de vinte a quarenta vezes mais tokens, e o consumo de energia cresce com os tokens. Traduções, resumos e mudanças de formato quase nunca precisam de raciocínio.

Depois, escolha um modelo menor. Alguns modelos só usam alguns bilhões de parâmetros para cada token. Consomem uma fração do que consome um modelo que usa todos os seus parâmetros. O que você paga, em energia, é a parte ativa do modelo, não o tamanho anunciado.

Não use o preço como indicador da pegada ambiental. Entre os modelos abertos que publicam dados suficientes para conferir, o preço e o consumo de energia de fato variam juntos. Mas o preço por unidade de computação varia até sessenta vezes. Dois modelos podem custar o mesmo para usar, enquanto um consome várias vezes mais energia.

Peça aos fornecedores seus números, incluindo o consumo de água. Pergunte qual rede elétrica atende aos seus pedidos. São perguntas justas para um fornecedor, e poucas pessoas as fazem.

Informe o seu próprio valor ao usar essas ferramentas no trabalho. Uma delegação que publica a pegada ambiental do seu uso de IA pode, com razão, pedir que outras façam o mesmo.

14.1Pontos fortes e fracos

Pontos fortes. Os modelos leem e resumem rapidamente os grandes volumes de texto de que a política climática depende. Podem escrever relatórios, redigir políticas e simular negociações em linguagem simples, o que poupa tempo e dinheiro. Podem ajudar muitas pessoas ao mesmo tempo: responsáveis por políticas, pesquisadores e ativistas.

Pontos fracos. Os modelos podem ter vieses, que moldam as respostas se ninguém os verificar e corrigir. A sua qualidade depende dos dados com que aprenderam, o que limita a forma como lidam com questões climáticas sutis. Sem revisão humana, muitas vezes interpretam mal a linguagem jurídica e técnica complexa.

Oportunidades. Mensagens adaptadas que chegam a diferentes grupos que trabalham com o clima. Ligações a outras ferramentas que analisam dados ambientais e ajudam a melhorar as políticas. Explicar a política climática a quem não é especialista.

Ameaças. Desinformação, quando um modelo produz conteúdo errado ou enganoso a partir de fontes ruins. Dependência excessiva, que impede as pessoas de desenvolver conhecimento local sobre política climática. Falta de transparência e de prestação de contas quando as máquinas ajudam a tomar decisões.

Os agentes trazem mais duas ameaças. Primeiro, as delegações ricas terão sistemas bem geridos, enquanto as menores usarão ferramentas gratuitas com termos pouco claros. Todos parecem ter acesso igual, mas a diferença aumenta. Segundo, quando várias pessoas e ferramentas trabalham num texto, fica difícil dizer quem é responsável por ele. Decida isso de antemão.

14.2Recomendações

Vale a pena criar três coisas: ferramentas que traduzam a linguagem técnica da UNFCCC, plataformas que analisem negociações passadas e apoio que dê aos jovens negociadores a tecnologia necessária para participar. Vale a pena acrescentar mais seis.

Competências digitais. Formação sobre como usar bases de dados e sites de políticas internacionais.

Apoio em tempo real. Ferramentas que explicam as coisas durante uma negociação, quando precisa, em vez de depois.

Prática de negociação. Negociações simuladas para praticar diferentes situações.

Financiamento. Plataformas de financiamento coletivo ou de pequenos subsídios para ajudar os negociadores a pagar a participação. Negociadores da Libéria e do Paraguai levantaram esta questão.

Formação intercultural. Programas sobre os mal-entendidos que negociadores do Peru e da Nigéria descreveram.

Mentoria. Redes que ligam jovens negociadores a negociadores experientes, para passar conhecimento entre ciclos.

Para um negociador, quatro hábitos cobrem o essencial. Use estes sistemas para se preparar, para ajudar com a língua e para recordar. Verifique tudo o que vai dizer em voz alta. Nunca deixe um sistema falar pela sua Parte. Continue a fazer pesquisa suficiente por conta própria para conseguir fazê-la sem ajuda.

Para uma delegação, escreva quais ferramentas as pessoas podem usar, o que podem colar nelas e quem aprova um texto escrito com ajuda de IA. Uma página basta e custa menos que uma fuga de informação.

Envie perguntas e comentários para team@gainforest.net.

1. O perceptron de Rosenblatt e a demonstração de 1958, Cornell Chronicle
2. Krizhevsky, Sutskever, Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012
3. Vaswani et al., Attention Is All You Need, Google Research 2017
4. Radford et al., Language Models are Unsupervised Multitask Learners, OpenAI 2019
5. Kaplan et al., Scaling Laws for Neural Language Models, OpenAI 2020
6. Hoffmann et al., Training Compute-Optimal Large Language Models, NeurIPS 2022
7. OpenAI, Introducing ChatGPT, 30 de novembro de 2022
8. OpenAI, Learning to Reason with LLMs, 12 de setembro de 2024
9. DeepSeek, DeepSeek-R1, 20 de janeiro de 2025
10. METR, Measuring AI Ability to Complete Long Tasks, 2025
11. Anthropic, Anthropic Economic Index, 2025, uso por país e faixa de renda
12. Global Biodiversity Information Facility, dados de ocorrência e seu viés geográfico de amostragem, gbif.org e o blog de dados do GBIF
13. Artificial Analysis, Intelligence Index by Open Weights and Proprietary, 26 de agosto de 2026
14. Artificial Analysis, Intelligence Index vs. Cost per Intelligence Index Task, 26 de agosto de 2026
15. NVIDIA, Guia do usuário e visão geral do hardware do DGX Spark
16. The Computational Democracy Project, Polis, compdemocracy.org/polis e o código-fonte
17. The Computational Democracy Project, vTaiwan, estudo de caso, desde 2014
18. AI Objectives Institute, Talk to the City, talktothe.city e ai.objectives.institute
19. Team Mirai, kouchou-ai (広聴AI), escuta ampla para municípios japoneses, GitHub
20. Team Mirai, AI interviews and the digital democracy manifesto, policy.team-mir.ai; Bruce Schneier e Nathan Sanders, Japan's Team Mirai Uses Tech to Bolster Democracy, Not Undermine It, Tech Policy Press, março de 2026
21. Agora Citizen Network, agoracitizen.network e From ZK-first to AT Protocol, our path to DDS, blog
22. Low, Duys, Formanek, Hammond, Bakker, Habermolt: Delegating Deliberation to AI Representatives, arXiv:2605.24413
23. Tessler et al., AI can help humans find common ground in democratic deliberation (a Máquina de Habermas), Science, 2024
24. GainForest, Simocracy, um registro público de agentes de IA criados por cidadãos no AT Protocol, simocracy.org
25. Foresight Institute e Cooperative AI Foundation, Supercooperation: The Future of AI for Democracy, notas do workshop, workshop paralelo à ICML, Seul, julho de 2026
26. Anthropic, What 81,000 people told us about AI, entrevistas em larga escala moderadas por IA
27. Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, agosto de 2025
28. Epoch AI, How much energy does ChatGPT use?, 2025
29. GainForest, footprint.ts em pi-village-core, o cálculo dos valores por conta de Polly
30. GainForest, Generative AI + Climate Guide 2024, preparado para o Climate Youth Negotiator Programme antes da COP29