Resposta direta
Classificação automática funciona quando as categorias são poucas e definidas, existe exemplo real de cada uma, o erro é reversível e alguém revisa os casos duvidosos. Não funciona quando a categoria depende de julgamento com consequência — prioridade de cliente, risco, valor. Nesses casos, a IA pode sugerir e a pessoa decide. Meça o acerto em um conjunto de casos reais, incluindo os ambíguos, antes de colocar em produção.
- Objetivo
- Orientar implementação
- Formato indicado
- Workshop executivo
- Atualizado em
O que esta página acrescenta: Exige revisão dos casos duvidosos e medição em conjunto com casos ambíguos.
Por que a classificação falha
Porque as categorias foram definidas sem exemplo e com fronteiras vagas. 'Urgente' e 'importante' significam coisas diferentes para cada pessoa — e para o modelo também.
O segundo motivo é não tratar o caso duvidoso: quando a confiança é baixa, o sistema escolhe a categoria mais provável e o erro segue adiante.
Como implantar com segurança
Escreva as categorias com exemplo e contraexemplo. Rode sobre casos passados e compare com a classificação humana.
Encaminhe os casos de baixa confiança para revisão e use a revisão como fonte de melhoria das categorias.
Limites
Categoria que exige julgamento com consequência não deve ser automatizada na decisão — apenas sugerida.
E há volume baixo em que classificar à mão é mais rápido e mais preciso que manter o fluxo automático.
Recurso prático
Quatro condições antes de classificar com IA
- As categorias são poucas (até cinco) e definidas por escrito?
- Existe exemplo real de cada categoria?
- O erro é reversível — dá para reclassificar sem prejuízo?
- Alguém revisa os casos de baixa confiança?
- A taxa de acerto foi medida em casos reais, incluindo os ambíguos?
O item 4 é o que impede o erro de chegar ao cliente: caso duvidoso vai para pessoa, não para a categoria mais provável.
Sobre o que está escrito aqui
Conceitos relacionados: classificação · categoria · caso duvidoso · taxa de acerto. Exemplos são ilustrativos. Não há cliente, resultado, preço, prazo ou certificação nesta página. Quando o formato indicado é Workshop executivo, ele descreve uma possibilidade de trabalho — a conversa inicial avalia contexto e aderência.
Para continuar
- IA aplicada e agentes — Página central do tema
- Avaliar resposta de IA — Conjunto de teste
- Regras x IA — Quando a regra basta
Páginas relacionadas
Outras leituras em IA aplicada e agentes
- Conjunto de teste fácil demais: onde a avaliação engana — Explica por que uma amostra formada só por casos fáceis produz avaliação otimista e quais sinais indicam que o conjunto de teste precisa ser refeito.
- Agente que age sem registro: o que medir — O que registrar, onde fica o ponto de decisão e quem responde quando um agente executa ação sem trilha de auditoria.
- Política interna de uso de IA: como comparar modelos — Compara três modelos de política interna de uso de IA: permissiva com responsabilidade, com aprovação prévia e por camada de dado. O que cada uma resolve.
- Limites de uso de IA: o que registrar e quem responde — Um processo para reunir os limites de uso de IA em um registro, com dono, verificação e ponto de disparo quando o consumo se aproxima do teto.
- Resposta automática sem identificação: o que comparar — Compara formas de tratar respostas automáticas não identificadas, com critérios de custo, responsabilidade, espera e exposição a retrabalho.