“Onde vocês acham que a IA poderia ajudar?”

Parece um excelente começo.

Eu desconfiaria das respostas.

Não porque as pessoas estejam mentindo.

O motivo é mais interessante.

Em 1977, dois pesquisadores fizeram uma descoberta meio inconveniente

Richard Nisbett e Timothy Wilson publicaram Telling More Than We Can Know.

O trabalho ficou conhecido por discutir um limite estranho da nossa própria cabeça:

nem sempre temos acesso às causas reais do nosso comportamento.

Você pergunta para alguém:

“Por que você escolheu isso?”

Ela responde.

A resposta faz sentido.

Ela acredita nela.

Só que a explicação pode ter sido construída depois.

Não é necessariamente mentira.

É introspecção limitada.

Isso parece uma discussão de psicologia.

Até alguém decidir fazer um workshop de oportunidades de IA.

“Onde a IA poderia ajudar no seu trabalho?”

Uma pessoa responde:

“Nos meus e-mails.”

Outra:

“Fazendo propostas.”

Outra:

“Preenchendo CRM.”

Outra:

“Resumindo reunião.”

Ótimo.

Eu anotaria tudo.

Depois iria assistir essas pessoas trabalhando.

Porque talvez o problema do primeiro funcionário não seja escrever e-mail.

Ele leva dois minutos escrevendo.

E 35 procurando a informação necessária para conseguir escrever.

Abre o CRM.

Depois o ERP.

Pergunta alguma coisa no Slack.

Procura um PDF.

Confere uma planilha que alguém criou três anos atrás e que, por algum motivo, sabe mais sobre a operação do que o sistema oficial.

Finalmente volta para o e-mail.

Se eu colocar um LLM para escrever a mensagem em quinze segundos, automatizei brilhantemente os dois minutos menos importantes do processo.

A demo fica ótima.

A empresa continua perdendo 35 minutos.

É aqui que muita estratégia de IA começa torta

A pergunta:

“Onde você gostaria de usar IA?”

captura percepção.

Eu quero também comportamento.

Isso muda bastante o discovery.

Em vez de procurar apenas tarefas que as pessoas dizem querer automatizar, eu procuraria vestígios de trabalho mal resolvido.

Copy e paste entre sistemas.

Planilhas paralelas.

Campos preenchidos duas vezes.

Informação procurada repetidamente.

Aprovação feita por WhatsApp porque o sistema oficial é lento demais.

Documentos pessoais com “as respostas certas”.

Gente alternando entre sete abas para tomar uma decisão simples.

Tickets recorrentes.

Exceções resolvidas manualmente.

Workarounds.

Tem uma ideia emprestada da perícia criminal que eu gosto muito aqui.

Todo contato deixa um rastro

Edmond Locard formulou um princípio clássico da ciência forense:

Todo contato deixa vestígios.

Produtos e operações também deixam.

Quando alguém precisa contornar seu sistema todos os dias, aquilo deixa rastros.

A planilha paralela talvez seja mais interessante do que a entrevista.

Porque a entrevista diz:

“Seria legal se o sistema fizesse X.”

A planilha diz:

“Isso dói tanto que eu já construí minha própria solução.”

Essa diferença vale dinheiro.

Depois do vestígio, eu decomporia o trabalho

Encontrar um processo doloroso ainda não significa colocar um agente nele.

Eu separaria o trabalho.

1. Existe uma regra clara?

Se sim, provavelmente começo com software normal.

Se valor > 50.000 (EXEMPLO), então solicitar aprovação.

Eu não preciso pagar um modelo de linguagem para filosofar sobre isso.

Regra determinística é barata, previsível e fácil de auditar.

2. Existe linguagem ou contexto para interpretar?

Agora um LLM começa a ficar interessante.

Ler e-mail.

Classificar solicitação.

Extrair informação de documento.

Interpretar uma reclamação.

Comparar cláusulas.

Entender uma conversa.

É um tipo de trabalho em que modelos de linguagem podem reduzir bastante o esforço humano.

3. A resposta depende de conhecimento espalhado?

Aí pode entrar RAG, Retrieval-Augmented Generation.

Em português normal:

Antes de responder, o sistema procura a informação relevante nas fontes da empresa e entrega esse contexto ao modelo.

O vendedor não precisava necessariamente de uma IA que escrevesse melhor.

Talvez precisasse de uma IA que encontrasse em segundos o histórico do cliente, a condição comercial, os últimos contatos e a política aplicável.

O texto do e-mail vira quase o detalhe.

4. Precisa mexer em algum sistema?

Agora entramos em tool use e, dependendo da autonomia necessária, agentes.

A IA deixa de apenas responder e passa a conseguir chamar ferramentas.

Consultar pedido.

Atualizar CRM.

Criar ticket.

Gerar proposta.

Agendar alguma coisa.

Só que uma pergunta aparece imediatamente:

Até onde ela pode ir sozinha?

Aí entram os guardrails, limites técnicos e de negócio para impedir que uma interpretação probabilística vire uma ação que a empresa jamais autorizaria.

Consultar o limite de desconto é uma coisa.

Inventar um limite de desconto é outra.

5. Como saberemos se melhorou?

Aqui entram os evals.

Não basta lançar e perguntar se “parece melhor”.

Eu quero uma bateria de casos reais para comparar o sistema antes e depois.

E não avaliaria apenas:

“A IA conseguiu executar a tarefa?”

Também perguntaria:

Ela resolveu o gargalo original?

Porque existe uma maneira bem sofisticada de construir IA inútil:

melhorar radicalmente uma etapa que nunca foi o problema.

Tem ainda uma pista melhor que perguntar

Observar escolha.

Na economia, a ideia de preferência revelada é simples e poderosa:

o comportamento real costuma dizer mais do que aquilo que alguém declara preferir.

Eu aplicaria isso também à busca por oportunidades de IA.

Não quero apenas ouvir:

“Eu usaria muito uma IA para isso.”

Quero ver:

Quanto tempo você já gasta tentando resolver isso?

Quantas vezes por semana acontece?

Que gambiarra você criou?

Quanto custa hoje?

O que quebra se ninguém fizer?

Quem espera essa resposta?

Quantas pessoas estão envolvidas?

Agora começamos a sair da lista de desejos e entrar numa tese de investimento.

Meu mapa seria mais ou menos este

O trabalho encontrado	Primeira opção que eu avaliaria
Segue regra conhecida	Software determinístico
Exige interpretar linguagem	LLM
Exige encontrar conhecimento	Retrieval / RAG
Exige escolher entre muitos candidatos	Ranking / modelo preditivo
Exige agir em sistemas	Tool use / agente
Tem ações sensíveis	Guardrails + regras + aprovação
Tem qualidade difícil de medir	Evals antes de escalar
É raro e barato manualmente	Talvez não automatizar

Isso não é uma fórmula.

É só uma maneira de evitar o reflexo de transformar qualquer dor operacional em:

“Vamos fazer um agente.”

Então eu mudaria a pergunta

Em vez de entrar numa área e perguntar:

“Onde você gostaria de usar IA?”

eu perguntaria:

“Me mostra uma terça-feira ruim.”

Quero ver onde a informação some.

Onde alguém espera.

Onde existe retrabalho.

Onde a decisão trava.

Onde aparecem as planilhas secretas.

Onde alguém copia uma coisa de um sistema e cola em outro há quatro anos.

Depois eu decido se aquilo precisa de integração, regra, busca, modelo, RAG, agente ou absolutamente nenhuma IA.

Nisbett e Wilson estavam estudando comportamento humano em 1977.

Quase cinquenta anos depois, o alerta continua útil.

As pessoas são excelentes fontes sobre a experiência de um problema.

Nem sempre são a melhor fonte sobre a causa dele.

E se você errar a causa, a IA só ajuda a construir a solução errada com uma arquitetura muito mais cara.