Uma voz, dez lanes: um dia de ditado

Dois filhos, três startups, uma voz contou a história de origem: frentes paralelas de startup de alto risco, um segundo filho com menos de seis meses e um teclado que havia silenciosamente se tornado o ponto único de falha de tudo. Aquele post explicou por que o Keebye existe. As pessoas continuaram fazendo uma pergunta mais prática: como é um dia, na real?

Então aqui está esse dia. Não um dia típico, porque isso não existe, mas um formato real que se repete. Vou evitar números de propósito. Nunca medi uma melhoria em porcentagem e não confiaria numa se tivesse medido. O que consigo descrever é onde o canal de voz é usado, onde não é, e o que mudou na textura do trabalho.

Uma observação sobre "dez lanes". Não é vaidade. Uma lane é qualquer coisa que avança com uma frase minha: um agente de código no meio de uma tarefa, um code review que alguém está esperando, uma thread no Slack, um e-mail para o advogado de um investidor, o rascunho de um documento. Num dia movimentado existem de verdade mais ou menos essa quantidade abertas. A maioria está ociosa em qualquer momento dado. O problema é que as que acordam acordam no horário delas, não no meu.

Começo da manhã: um braço, três agentes

O dia começa antes da casa, o que significa que começa com um bebê em um braço. Essa é a hora em que a voz deixou de ser conveniência e virou necessidade.

Três lanes de agente já estão rodando desde a noite anterior, cada uma no próprio terminal, cada uma em um repositório diferente. A primeira coisa que eu faço é ler o que elas fizeram. Ler precisa de olhos, não de mãos, então o bebê está de boa. A segunda coisa é redirecionar as que foram para o lado errado, e é aí que um teclado costumava perder.

Agora: clique no terminal, segure a ⌘ direita, fale o redirecionamento, solte. "A migração está ok, mas você renomeou a tabela no model e não no script de seed. Corrija o seed e rode os testes de novo." O texto cai no prompt. Enter. Próxima lane.

Eu tenho um pequeno hábito que levou um tempo para aprender: falar em frases completas. Agentes se dão melhor com elas, e o ditado as produz naturalmente porque é assim que as pessoas falam. O estilo telegráfico que eu digitava ("corrige seed, roda de novo") era um artefato do teclado, não uma preferência.

Essa hora também expõe a única esquisitice do primeiro ditado que vale conhecer. O microfone aquece depois do primeiro ditado da sessão e mantém um pré-buffer de 500 ms a partir daí. O primeiríssimo segurar da manhã pode pagar um custo de início de stream e cortar uma palavra se eu começar a falar cedo demais. Eu aprendi a esperar uma batida. Por que apps de ditado comem a sua primeira palavra explica a mecânica; a versão curta é que isso é um problema da categoria com uma solução parcial, não resolvido.

Meio da manhã: a lane de review

Duas das startups com que trabalho têm code reviews me esperando quase toda manhã. Review é o melhor caso de uso possível para ditado: é leitura com uma saída ocasional de prosa curta, e a prosa é dirigida a um humano.

Eu leio o diff em uma aba do navegador. Quando algo precisa de comentário, clico na caixa, seguro, falo, solto. O dicionário personalizado carrega os identificadores do projeto, então reconnectBackoff sai como reconnectBackoff e não como três palavras em inglês. A limpeza é baseada em regras por padrão: vícios de linguagem e palavras repetidas saem, as minhas palavras ficam. Eu mantenho o polimento opcional por LLM local desligado para comentários de review, porque a proteção de fidelidade por trás dele é uma heurística contra perda severa de tokens, expansão ou repetição, não uma garantia de que uma negação sobreviveu, e em um review um "não" invertido muda o veredito.

Um desses times revisa em romeno. O mecanismo de 25 idiomas do Keebye lida com isso on-device; eu fixo o idioma na bandeja e a próxima fala é decodificada como romeno, identificadores em inglês incluídos. Ditando code reviews no seu próprio idioma tem os detalhes, incluindo a lista honesta de quais idiomas são cobertos e quais não são.

Fim da manhã: as lanes humanas

Não é toda lane que é um agente. Por essa hora, as threads do Slack e os e-mails que envelheceram durante a noite precisam de resposta, e era aqui que o dia silenciosamente perdia horas. Não porque as respostas fossem difíceis, mas porque cada resposta significava sair de uma lane, e sair de uma lane tem um custo de reentrada.

A voz mudou a economia de uma resposta. Uma resposta de duas frases no Slack é um segurar de hotkey, falado dentro da caixa de mensagem enquanto os meus olhos ainda estão metade no terminal ao lado. E-mails perto de investidores são mais longos e eu ainda os escrevo com cuidado, mas o primeiro rascunho agora é falado, depois editado. Falar um rascunho põe o formato no papel rápido; editar digitando é onde entra a precisão.

Essa também é a hora em que a exigência de privacidade mais importa. O que eu dito aqui é o interior das empresas de outras pessoas: produtos não lançados, discussões de segurança, dinheiro. O Keebye transcreve on-device, funciona com o Wi-Fi desligado depois do download do modelo, mantém um histórico local só de texto que se apaga depois de 30 dias e não envia telemetria. Para onde vai a sua voz é a versão longa de por que isso era não negociável para mim.

Tarde: trabalho profundo, e as lanes que acordam

As tardes são para a lane que exige pensamento de verdade: um design, um bug difícil, um documento que precisa estar certo. Isso é digitado. A voz é um canal de controle, não um canal de pensamento, e um problema difícil não fica mais fácil por ser falado.

Mas as outras lanes não sabem que é hora de trabalho profundo. Um agente termina e faz uma pergunta. Um revisor responde ao meu comentário com um contra-argumento. Antes, cada um desses era uma decisão: quebrar o foco e trocar de janela, ou deixar envelhecer. Agora a maioria é uma olhada e uma frase. Olho a pergunta do agente, clico, falo "sim, mas mantenha o endpoint antigo vivo até o cliente ser lançado", clico de volta. A janela de trabalho profundo continua praticamente intacta porque a interrupção são alguns segundos de fala em vez de uma troca completa de contexto para o problema de outra pessoa.

Quero ser preciso na afirmação aqui. A voz não torna as interrupções gratuitas. Ela torna o custo mecânico de responder pequeno o bastante para que o custo restante seja só o pensamento — que sempre foi o custo real, de todo jeito.

Noite: a lane cheia de terminal

Uma das startups roda boa parte do trabalho operacional sobre SSH, dentro do tmux, em servidores onde colar pela área de transferência não existe como conceito. É aqui que ferramentas de ditado normalmente caem, porque a maioria delas insere texto colando.

O Keebye também cola por padrão, com dosagem sensível ao terminal para shells. Para SSH e tmux eu ligo o modo de digitação opt-in, que injeta o texto como toques de tecla Unicode em vez de depender de uma área de transferência. Ele funciona com layouts não QWERTY, o que importa para o teclado romeno de uma das máquinas. Ditado que sobrevive ao terminal cobre a configuração e o guia do terminal cobre as trocas.

O Keebye também recusa inserir em campos de entrada segura, então quando um servidor pede uma passphrase, a hotkey não faz nada. É ocasionalmente irritante e inteiramente correto.

O que não mudou

Um dia assim pode parecer que a voz resolveu o problema de ter lanes demais. Não resolveu. Ela resolveu um gargalo específico: o custo físico de entregar uma frase à lane que precisava dela. Todo o resto é igual.

Pensar continua sendo o gargalo do trabalho difícil. Ler continua levando o tempo que leva. Agentes continuam indo para o lado errado e continuam precisando de redirecionamento, e um redirecionamento mal formulado produz um resultado mal formulado, falado ou digitado. A voz é um complemento às mãos, não um substituto; eu digito bastante, só não mais como o único ponto de estrangulamento atrás do qual toda lane espera.

E o app tem as arestas de software jovem. Identificadores são ouvidos errado. A primeira palavra do dia às vezes corta. Não existe vocabulário de comandos de voz, então navegar entre janelas continua sendo um clique. Ele roda só no macOS.

O formato da coisa

A antiga imagem do desenvolvedor 10x era uma pessoa digitando mais rápido. A imagem que de fato chegou é uma pessoa regendo: várias lanes, algumas automatizadas e algumas humanas, cada uma esperando uma frase. Nesse mundo, alavancagem não é velocidade de digitação. É o quão baratinho você consegue entregar intenção à lane que precisa dela, em qualquer situação física em que você estiver, inclusive com um braço ocupado.

Se o seu dia tem esse formato, o guia para desenvolvedores é o ponto de partida prático, e se você está pesando apps de ditado para isso, a visão geral de alternativas ao Keebye é uma comparação honesta que diz onde cada um serve melhor. O teste tem 14 dias e começa no seu primeiro login no desktop, então uma semana real de lanes é exatamente para o que ele serve.