Nem sempre é IA: quando o problema começa na informação

Nos últimos meses, as pessoas da área de Tecnologia têm ouvido cada vez mais a frase: “precisamos de uma IA para isso” ou “mas com IA dá para resolver esse problema”. É quase automático em reuniões com áreas não técnicas, esse tipo de demanda aparecer.

A sensação da área de tecnologia ao ouvir esse tipo de solicitação é que basta colocar um modelo no fluxo e todos os problemas estarão resolvidos.

Mas, na prática, a realidade é outra. Muitas vezes, o problema não está na IA, mas sim na forma como é utilizada e em como a informação chega até ela.

O problema começa na origem

Um exemplo que eu entendo ser prático: atendimento ao cliente. Vamos imaginar uma empresa que recebe milhares de tickets por dia. Se a mensagem chega assim: “Preciso de ajuda com meu pedido”, o modelo de IA precisa deduzir de qual pedido estamos falando, se é uma troca, um cancelamento ou apenas uma dúvida de entrega.

Esse esforço faz o prompt ficar mais pesado. Como explicam James Phoenix e Mike Taylor em Prompt Engineering for Generative AI, quando a entrada não está bem definida, o modelo precisa compensar com mais contexto, mais tokens e mais inferência, o que aumenta custo e tempo de resposta. E, mesmo assim, a chance de erro continua alta. O cliente pode receber uma resposta incompleta ou incorreta, e isso gera retrabalho.

Agora, se o ticket já vem com número do pedido, categoria da solicitação e prazo de resposta, o papel da IA muda. Ela não precisa adivinhar nada, apenas melhora a comunicação, prioriza casos urgentes e ajuda a empresa a responder de forma mais rápida e eficiente.

O processo determinístico x probabilístico

Essa diferença ficou mais clara para mim assistindo a aula do Cezar Taurion no MBA de IA que estou fazendo.

• RPA é determinístico: se o input é X, a saída será Y, sempre. Fácil de testar, auditar e repetir.
• IA é probabilidade: ou seja, modelos de linguagem. Mesmo com prompts perfeitos, o resultado pode variar. Eles trabalham com distribuições de probabilidade.

“Language models assign probabilities to sequences of text. The model generates text by sampling from this probability distribution over possible next tokens.”

Brown et al., Language Models are Few-Shot Learners (2020)

É por isso que fluxos com IA exigem outra mentalidade. Não basta testar só no desenvolvimento. É preciso monitorar em produção, colocar pontos de supervisão humana e redesenhar processos para lidar com bifurcações que antes não existiam.

Mais uso, mais riscos

A especialista em IA, Chip Huyen, resume bem essa ideia no livro AI Engineering (2025):

“The more AI is used, the more opportunities there are for catastrophic failures, and therefore, the more important evaluation becomes.”

Chip Huyen, AI Engineering

Quanto mais colocamos IA em processos de negócio, maior a chance de falhas inesperadas. E isso só reforça que não é sobre plugar IA em tudo. É sobre engenharia. É sobre entender onde a IA agrega valor, quais limites ela precisa ter e como reduzir os riscos no caminho.

E onde a DB pode apoiar

Na prática, isso significa que as empresas precisam de muito mais do que apenas escolher um modelo de IA. É preciso pensar em:

• Qualidade e governança dos dados: sem dados bem tratados, a IA só devolve incerteza em escala.
• Arquitetura e plataformas: escolher ambientes que suportem o uso intensivo de modelos, equilibrando custo, latência e segurança.
• Automação e orquestração de fluxos: estruturar processos ponta a ponta, onde a IA é apenas uma peça dentro de uma engrenagem maior.
• Integração de tecnologias: combinar IA com RPA, low-code e APIs, criando ecossistemas coesos em vez de soluções isoladas.
• Avaliação contínua: monitorar resultados, custos por inferência e impactos de negócio, porque modelos probabilísticos não têm respostas únicas.
• Capacitação de pessoas: formar equipes que saibam trabalhar com IA, supervisionar decisões e intervir quando necessário.

Já apoiamos clientes no mapeamento de processos, na construção de fluxos automatizados e na definição de onde a IA deve ou não atuar. Sempre com um cuidado especial em dois pontos que fazem toda a diferença: o custo de ambiente e a responsabilidade que cada tecnologia deve assumir.

Já desenvolvemos assistentes conversacionais com modelos avançados, criamos soluções de leitura de documentos complexos para acelerar operações de RH, usamos IA em desenvolvimento guiado de software, implementamos transcrições de áudio com análises avançadas em dashboards e embarcamos IA em fluxos de negócio de forma controlada, sempre dentro daquilo que faz sentido para o cliente.

O resultado é que a IA realmente agrega valor. Ela não é a responsável por corrigir falhas de informação, mas sim a peça que potencializa um processo já estruturado e bem definido.

Conclusão

O aprendizado é simples. A IA não deve ser usada para corrigir falhas de comunicação ou ausência de dados. Ela funciona melhor quando recebe informações bem estruturadas e quando já está claro qual parte do processo realmente é dela.

Antes de decidir qual modelo usar, a pergunta certa é: estamos entregando informações de qualidade para que a IA trabalhe bem?

Se a resposta for não, talvez seja hora de voltar algumas casas, arrumar a base e só depois deixar a IA brilhar, mas quem sabe tendo uma supervisão humana ;)

Referências

• Brown, Tom B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165. Disponível em: https://arxiv.org/abs/2005.14165
• Huyen, Chip. (2025). AI Engineering. O’Reilly Media.
• Phoenix, James; Taylor, Mike. (2023). Prompt Engineering for Generative AI. O’Reilly Media.
• Taurion, Cezar. Aula e materiais no MBA em Inteligência Artificial, PUCRS Online.