Quando a primeira verificação apontou registros que nunca estiveram quebrados
Uma pessoa não consegue acesso, ou uma página não mostra o que deveria, e a reclamação parece simples de resolver em minutos. O instinto é corrigir o problema visível o quanto antes. Isso é razoável, e também é assim que um erro pequeno vira um erro maior.
Em um dos sistemas, a nossa primeira verificação apontou vários registros como errados. O passo seguinte, aparentemente óbvio, era uma limpeza em massa. Olhando mais de perto, vimos que a maioria deles eram registros válidos em um estado incomum, mas intencional (Ler em inglês). Só um grupo menor precisava de correção.
Se tivéssemos tratado aquele primeiro resultado como a resposta, a limpeza teria alterado conteúdo perfeitamente válido. A correção de aparência mais rápida teria editado os registros antes de alguém verificar se o caso incomum era mesmo um erro.
Incomum e errado não são a mesma coisa
A maioria das empresas já tem informação de sobra. Planilhas, formulários, cadastros de clientes, listas de tarefas e relatórios contam uma história. O problema é que um valor surpreendente nem sempre é um valor ruim.
Um campo vazio pode significar que o registro está incompleto. Pode também significar que o campo não se aplica. Uma pessoa sem acesso pode estar sem endereço de e-mail. Ou o sistema pode estar usando o endereço certo para a pessoa errada. Um relatório pode parecer inconsistente porque os dados estão danificados, ou porque mostra duas partes legítimas do processo que nunca foram feitas para coincidir.
A diferença importa porque a automação é rápida. Se você mandar um processo automático limpar tudo o que parece incomum, ele pode cometer um erro com toda a confiança, e muito mais rápido do que uma pessoa.
Para que a IA serve aqui
A IA se justifica quando ajuda uma pessoa a fazer perguntas melhores antes de agir. Ela pode comparar registros, agrupar casos parecidos, descrever inconsistências em linguagem simples e preparar uma lista curta de itens que vale a pena conferir. Um monte de informação confusa vira um pequeno conjunto de decisões que uma pessoa consegue de fato revisar. A IA não entrega a resposta pronta, e não deve fazer a correção nem tratar um padrão como prova.
Uma boa verificação, que só olha e não altera nada, deve deixar três coisas claras:
- O que parece incomum.
- O que o sistema acredita que esse resultado incomum significa.
- O que vai mudar se alguém aprovar uma correção.
Esse terceiro ponto é o mais importante. No nosso caso, uma prévia deixou a diferença visível antes de qualquer mudança. Ela mostrava o que seria preservado e o que seria corrigido. A prévia deixou o processo mais seguro e a decisão mais fácil de confiar.
Experimente no seu próprio trabalho
Pense em um processo que hoje depende de alguém rolando uma planilha, pesquisando na caixa de entrada ou consultando vários sistemas antes de decidir o que está errado.
A primeira melhoria com ajuda de IA talvez nem seja uma correção automática. Pode ser um relatório só de leitura (Ler em inglês) que responde a uma pergunta: o que está realmente diferente aqui, e o que aconteceria se a gente mudasse isso?
Um relatório assim tira o chute da jogada sem fingir que o julgamento é dispensável. Ele dá às pessoas um ponto de partida mais claro, reduz a chance de uma limpeza apressada e facilita a passagem do trabalho para outra pessoa.
Deixe uma pessoa na aprovação
Por isso, crie o relatório só de leitura antes de automatizar qualquer correção. Faça com que ele separe um erro de verdade de um registro incomum, mas válido. Depois, deixe uma pessoa examinar essa evidência, decidir se a correção se justifica e aprovar qualquer mudança que importe. Um processo fica mais seguro quando consegue distinguir esses dois casos, e quando alguém revisa o resultado antes de qualquer coisa ser tocada.