O teclado do WeChat agora transforma uma conversa numa página

O produto de IA mais interessante lançado na China na semana passada não foi um modelo. Foi um botão num teclado.

A 27 de outubro, o canal oficial do WeChat anunciou que o WeChat Input Method — o teclado com que uma fatia muito grande dos utilizadores de telemóvel chineses já escreve — passa a incluir um «gravador de voz com IA». Grava-se. A transcrição aparece em tempo real. E depois, em vez de entregar uma parede de texto, entrega uma página web estruturada: gralhas corrigidas, muletas removidas, a lógica da conversa reorganizada, os pontos principais destacados.

E depois a parte que me fez endireitar na cadeira. Segundo o anúncio, consegue associar gráficos, diagramas e protótipos interativos àquilo que foi dito.

Porque é que o teclado é a parte interessante

Todas as empresas de produtividade do planeta lançaram um gravador de reuniões. A maioria exige instalar algo, conceder permissões, escolher um espaço de trabalho e lembrar-se de carregar em gravar. A adoção fica nos dígitos únicos porque o atrito está exatamente no momento em que há menos atenção disponível.

A versão do WeChat não tem problema de adoção para resolver. O teclado já está instalado, já tem acesso ao microfone e já é a superfície onde cem milhões de pessoas começam a escrever. Os pontos de entrada reflectem isso: no telemóvel abre-se pela barra de ferramentas do teclado ou pela aplicação do método de entrada. No computador há um atalho, mais a barra de menus no Mac e a barra de ferramentas no Windows.

É uma vantagem de distribuição que nenhuma startup consegue comprar, e é a razão pela qual isto merece ser escrito. A funcionalidade não é nova. O sítio onde foi colocada é.

O que «página web estruturada» implica de facto

A transcrição é um problema mais ou menos resolvido. Transformar fala em algo que se leia por vontade própria, não.

Quem já passou uma reunião por um modelo de reconhecimento automático conhece o resultado: palavras certas, nenhuma forma. As pessoas repetem-se, deixam frases a meio, dizem «pronto, então, e assim» catorze vezes e enterram a decisão no meio de um desvio sobre estacionamento. A limpeza é onde está o valor, e é onde a maioria das ferramentas desiste em silêncio e entrega a transcrição com um resumo grampeado no topo.

Os comportamentos anunciados — corrigir gralhas, filtrar muletas sem significado, organizar a lógica e os destaques usando o contexto — descrevem um fluxo que trata a gravação como matéria-prima e não como produto final. O resultado é uma página, o que significa que tem secções, hierarquia e provavelmente um título que ninguém disse em voz alta.

Os métodos de entrada chineses têm aqui uma vantagem fácil de subestimar. Escrever em pinyin significa que o teclado já corre um modelo de linguagem sobre tudo o que se escreve, o dia inteiro, a corrigir e a prever. Aplicar essa mesma classe de modelo à fala é um salto mais curto do que para um fabricante de teclados ocidental, porque a camada de correção já é infraestrutura que sustenta o produto, não um extra simpático.

A alegação dos diagramas merece escrutínio

Associar gráficos, ilustrações e protótipos interativos a uma gravação é uma alegação grande numa frase pequena, e divide-se em duas capacidades muito diferentes.

A versão modesta: fala-se de um processo em três passos e a ferramenta desenha um diagrama em três passos porque ouviu «primeiro, depois, por fim». É seleção de template, é genuinamente útil e está bem ao alcance.

A versão ambiciosa: descreve-se o fluxo de um produto e a ferramenta produz um protótipo interativo em que se pode clicar. Isso exige que o modelo infira estados, transições e disposição a partir de fala não estruturada, e que acerte com frequência suficiente para o utilizador não o apagar de imediato.

O meu palpite, e é um palpite, é que a versão que está a ser entregue se aproxima mais da primeira. Não é uma crítica. Um diagrama gerado que está mais ou menos certo é um bom primeiro rascunho; um protótipo gerado que está mais ou menos certo é uma sessão de depuração.

A pergunta sobre privacidade que ninguém na China faz em voz alta

Um teclado vê tudo. Palavras-passe, mensagens do banco, discussões de família, a pesquisa que se escreveu e depois se apagou. Acrescentar um gravador a essa superfície torna a relação de confiança mais densa, não mais simples.

O anúncio não entra no tratamento de dados, o que é normal num texto de produto e não é tranquilizador numa decisão de produto. Os pressupostos razoáveis são que a transcrição corre no dispositivo ou na nuvem do próprio WeChat, que a página resultante fica guardada no ecossistema WeChat e que a retenção é regida pelos mesmos termos que tudo o resto nesse ecossistema.

Para um utilizador individual na China, essa troca é familiar e em grande parte aceitável. Para uma empresa, «as nossas notas de reunião vivem no WeChat» é uma conversa de conformidade, não de produtividade. A funcionalidade vai espalhar-se pelo uso pessoal e vai ser bloqueada nas empresas, que é o percurso normal da IA de consumo naquele mercado.

Como se compara com um gravador dedicado

No papel, as aplicações especializadas ganham: melhor separação de vozes, sessões mais longas, integrações com calendários e CRM, exportação em condições. Na prática, a maioria perde na única métrica que conta no início de uma reunião, que é se alguém se lembrou de a abrir.

A troca é que se fica com menos controlo. Um gravador dedicado deixa escolher para onde vai o áudio. Um teclado não, e o anúncio não o diz. Para um memorando pessoal é uma troca aceitável. Para uma chamada com um cliente sob NDA, não é uma troca que se possa fazer unilateralmente.

Portanto a divisão realista é esta: o teclado para as coisas que de outra forma ficariam mal escritas, a aplicação especializada para as coisas que acabam num contrato. As duas vão existir, e o teclado vai tratar de muito mais volume.

A leitura estratégica

O WeChat passou uma década a ser criticado por não lançar funcionalidades de IA com rapidez suficiente. Isto é o movimento contrário: em vez de construir um chatbot, mete modelos pequenos nas superfícies que as pessoas já tocam cem vezes por dia. Um teclado. Uma mensagem de voz. Um ficheiro.

É uma estratégia mais difícil de demonstrar e muito melhor de distribuir. Um chatbot exige que se queira conversar. Um gravador dentro do teclado está lá quando se ia escrever de qualquer maneira.

Isso explica também o formato do resultado. Uma página estruturada é partilhável dentro do WeChat. Uma transcrição é um ficheiro que se exporta e se esquece. Ao tornar o artefacto nativo do ecossistema, a funcionalidade cria conteúdo que circula no sítio que o WeChat já domina.

O que vigiar

Se a página estruturada sobrevive à edição. Se é possível corrigir uma frase e a disposição aguenta, é uma ferramenta de documentos. Se editar quebra a estrutura, é uma captura de ecrã.

Se os diagramas são editáveis como objetos ou chegam como imagens planas. O primeiro é um fluxo de trabalho. O segundo é decoração.

E se o gravador ganha uma API. Se ganhar, os produtos interessantes não serão aplicações de notas — serão ferramentas que transformam uma conversa num resultado entregável sem ninguém abrir um portátil.

A funcionalidade em si será copiada dentro de um trimestre. A Baidu, a iFlytek e a Alibaba têm todas as peças. O que não será copiado depressa é a colocação, porque mais ninguém é dono do teclado em que meio país escreve.

É essa a lição que vale tirar deste lançamento, e não tem nada a ver com a qualidade do modelo. O melhor canal de distribuição para uma funcionalidade de IA é aquilo que os utilizadores já têm nas mãos.