Resposta direta
Erro de IA tratado como falha da pessoa se corrige separando três coisas no registro: o que o modelo devolveu, o que a regra permitia decidir e o que a pessoa aprovou. Só a terceira parte é desempenho individual. As outras duas são falha de desenho do processo e pedem dono, não advertência. A separação só vale se o registro for feito no momento em que o erro aparece, com a saída da IA anexada. Sem isso, a discussão vira memória contra memória e volta ao mesmo lugar na próxima ocorrência.
- Objetivo
- Organizar um processo
- Formato indicado
- Workshop executivo
- Atualizado em
O que esta página acrescenta: As outras páginas do tema tratam de limite de autonomia e de teste de resposta antes da produção; esta trata da atribuição de causa depois que o erro já ocorreu e já chegou ao time.
O que precisa estar registrado no momento do erro
A apuração só é possível se o registro guardar quatro itens: a saída que a IA entregou, a regra ou o critério em vigor, os dados disponíveis na hora e a decisão tomada pela pessoa. Sem a saída original anexada, a conversa passa a depender de memória e de quem fala primeiro.
O registro cabe no fluxo normal de trabalho, no ponto em que o erro é detectado. Anotar depois, em reunião de revisão, perde o dado principal: a diferença entre o que o sistema ofereceu e o que a decisão exigia.
Quem responde por cada parte
Falha de regra pertence a quem definiu o critério e a quem mantém o dado. Falha de aceitação pertence a quem aprovou o resultado sem conferir. São responsabilidades distintas e pedem correções distintas: uma muda o processo, a outra muda o acompanhamento.
Quando as duas se misturam, a resposta costuma ser treinar a pessoa de novo. Treinar não corrige regra ambígua nem dado faltante. Definir o dono de cada parte antes de abrir a apuração evita que a conversa de desempenho carregue um problema de desenho.
O que a separação não resolve
Separar causa não elimina o erro humano. Existe decisão que a pessoa podia tomar de outro modo com a informação que tinha, e isso continua sendo desempenho. A separação apenas impede que essa parcela absorva o restante.
O processo não se aplica quando o volume de erros é baixo demais para formar padrão, quando não há registro da saída da IA, ou quando uma única pessoa concentra regra, dado e aprovação. Nesses casos a discussão de causa vira opinião. Também não substitui a decisão sobre onde a IA pode operar sem revisão: isso é desenho anterior, não apuração posterior.
Recurso prático
Divisão da origem dos erros em uma janela
Taxa_regra = E_regra ÷ E_total; Taxa_aceitacao = E_aceitacao ÷ E_total; Horas_por_ocorrencia = H_retrabalho ÷ E_total; Recorrencia = E_mesma_causa ÷ E_total
- E_total
- ocorrências
- erros registrados na janela, cada um com a saída da IA anexada e a decisão tomada
- E_regra
- ocorrências
- erros em que a regra, o critério ou o dado disponível não permitiam decidir de outro modo
- E_aceitacao
- ocorrências
- erros em que a pessoa aprovou um resultado que podia conferir e não conferiu
- H_retrabalho
- horas
- tempo gasto refazendo o que o erro interrompeu, somado na mesma janela
- E_mesma_causa
- ocorrências
- erros que repetem uma causa já registrada na janela anterior
O erro mais comum é classificar como falha de aceitação todo erro que gerou retrabalho, porque o retrabalho aparece primeiro. A causa de regra só se confirma quando o registro mostra que a saída da IA e o critério em vigor levavam àquela decisão. Sem essa evidência, E_regra fica subestimado e o volume migra para desempenho individual.
Conceitos usados nesta página
- Responsável nomeado — Responsável nomeado é a pessoa identificada — não a área — que responde por um número, processo ou entrega.
- Critério de aceite — Critério de aceite é a condição objetiva que define quando uma entrega, tarefa ou automação é considerada concluída — verificável por quem recebe, não por quem produziu.
Sobre o que está escrito aqui
Conceitos relacionados: registro de causa · saída do modelo · revisão humana · dono do processo · critério de aceitação. 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
- Agente sem supervisão: riscos e onde colocar… — agentes sem supervisão
- Avaliar resposta de IA antes de produção: um… — respostas incorretas
Páginas relacionadas
O mesmo problema em outro objetivo
- Erro de IA cobrado como falha da pessoa: o que apurar — Diagnosticar
- Erro de IA cobrado da pessoa: onde fica a causa — Comparar alternativas
- Erro de IA tratado como falha da pessoa: o que medir — Explicar medição
- Erro de IA tratado como falha da pessoa: onde fica a causa — Orientar implementação
- Erro de IA tratado como falha da pessoa: o que contratar — Orientar avaliação e contratação
Outras leituras em IA aplicada e agentes
- Tarefa de julgamento na automação: o que exigir no contrato — O que separar entre execução e julgamento antes de contratar automação, que critérios registrar e o que a automação não decide.
- Modelo escolhido por reputação: o que verificar na contratação — O que separar entre reputação e evidência ao contratar um modelo de IA: critérios de avaliação, responsabilidade e o que fica fora do contrato.
- Resultado de IA sem origem: o que checar antes de decidir — Roteiro de diagnóstico para quando a resposta de IA chega sem a origem do dado: o que rastrear, o que registrar e quando o resultado não serve.
- Promessa de automação total: o que registrar no contrato — Critérios para avaliar e contratar automação anunciada como total: escopo da decisão, caminho da exceção, dono da revisão e critério de aceite.
- Modelo escolhido por reputação: como testar antes de escalar — Descreve como separar reputação de ajuste ao processo e quais critérios observar antes de ampliar o uso de um modelo de IA.