Gestão com IA 9789896932220 by Grupo Lidel

ÍNDICE Lista de Siglas, Acrónimos e Abreviaturas..............................................................................

Sobre o Livro....................................................................................................................................

Introdução........................................................................................................................................

PARTE I 01

GESTÃO NUMA ERA DE SISTEMAS INTELIGENTES..................................

GERIR É DECIDIR....................................................................................................................

1.1.

Decisões implícitas e decisões explícitas: o que está realmente em jogo......

1.2.

Mapear decisões e clarificar quem decide...........................................................

1.3.

Onde a inteligência artificial entra (e onde não entra)......................................

1.4.

Reduzir a carga cognitiva da informação para a gestão....................................

1.5.

Caso............................................................................................................................

Melhorar o processo de tomada de decisão.....................................................

MODELOS NÃO SÃO PREVISÕES........................................................................................

2.1.

Modelos como hipóteses sobre o mundo............................................................

2.2.

A ilusão da precisão..................................................................................................

2.3.

Onde está exatamente o erro e como o resolver...............................................

2.4.

O erro como instrumento de aprendizagem.......................................................

2.5.

Caso............................................................................................................................

Analisar ganhos e perdas invisíveis....................................................................

COMO OS MODELOS PENSAM.......................................................................

DO IMPACTO AO EFEITO CAUSAL......................................................................................

3.1.

Caso............................................................................................................................

Analisar os ganhos invisíveis numa campanha de marketing.......................

3.2.

O que este modelo revela sobre como as organizações decidem...................

3.3.

O que mais podemos aprender com modelos deste tipo.................................

3.4.

O limite que o modelo não resolve.......................................................................

MODELOS GERAIS E MODELOS CONTEXTUAIS...............................................................

4.1.

Conhecimento genérico e conhecimento contextual........................................

4.2.

Caso............................................................................................................................

Criar um chatbot interno de apoio às operações............................................

PARTE II 03

VI GESTÃO COM IA

MACHINE LEARNING E DEEP LEARNING..............................................................................

5.1.

O problema operacional clássico: prever para gerir...........................................

5.2.

O problema técnico: que modelo usar para resolver o problema de gestão?..................................................................................................................

5.3.

Dois regimes de aprendizagem, dois tipos de exigência...................................

5.4.

Antes de continuar, vale a pena pausar................................................................

5.5.

As ferramentas como escolhas, não como decoração.......................................

5.6.

Além do retalho, onde vemos este problema de forma recorrente?..............

5.7.

Caso............................................................................................................................

Prever receitas e procura......................................................................................

FINANÇAS: DECIDIR SOB INCERTEZA REAL..............................................

119

ANTECIPAR MUDA TUDO.....................................................................................................

121

6.1.

Custos e benefícios: os dilemas da gestão financeira de curto prazo.............

122

6.2.

O sistema deve concentrar-se na decisão............................................................

127

6.3.

O erro do forecast como matéria-prima de gestão.............................................

128

6.4.

Caso............................................................................................................................

129

Criar um forecast de caixa assistido por IA.......................................................

129

CRESCIMENTO SUSTENTÁVEL.............................................................................................

149

7.1.

Como é que a IA pode ajudar a equilibrar o crescimento sustentável?...........

151

7.2.

Caso............................................................................................................................

152

Decidir aceitar uma obra nas condições propostas........................................

152

A EMPRESA QUE NÃO GOVERNA O QUE APROVA.........................................................

173

8.1.

A ilusão do controlo orçamental............................................................................

173

8.2.

As fragilidades dos processos de procurement....................................................

175

8.3.

Quando a complexidade é causa ou consequência............................................

176

8.4.

Os três níveis de anomalias do Isolation Forest....................................................

176

8.5.

Classificação semântica com NLP: ler o conteúdo das faturas.........................

178

8.6.

O modelo de linguagem como tradutor para a gestão.....................................

180

8.7.

Caso............................................................................................................................

183

Analisar o conjunto das despesas.......................................................................

183

A REVERSIBILIDADE E O IMPACTO DAS DECISÕES DE GESTÃO...................................

197

9.1.

O custo de esperar: quando adiar tem valor.......................................................

198

9.2.

Porque as decisões grandes correm mal..............................................................

198

9.3.

Onde a IA entra e onde é vedada..........................................................................

199

9.4.

O que o cálculo não pode alucinar: visibilidade e auditabilidade.....................

201

PARTE III 06

Índice VII

9.5.

A régua estava lá o tempo todo.............................................................................

203

9.6.

Caso............................................................................................................................

205

Expandir o negócio.................................................................................................

205

SISTEMAS VIVOS DE DECISÃO COM IA.......................................................

209

PARTE IV

AGENTES: QUANDO A IA DECIDE E EXECUTA..................................................................

211

10.1. Do recomendar ao agir............................................................................................

212

10.2. O estrangulamento desloca-se da execução para a seleção.............................

212

10.3. Caso............................................................................................................................

213

Tratar documentos em quantidade....................................................................

213

10.4. Como mudam os modelos de negócio, para lá da consultoria.........................

217

Conclusão..........................................................................................................................................

219

Referências bibliográficas...........................................................................................................

225

Índice Remissivo..............................................................................................................................

231

ANEXOS.............................................................................................................................................

235

A1 – MÉTRICAS E CONCEITOS........................................................................................................

237

A2 – DIAGNÓSTICO EXPLORATÓRIO E SEGMENTAÇÃO DA PROCURA..................................

243

A3 – MAPA DE MODELOS POR PERGUNTA DE GESTÃO............................................................

247

A4 – GLOSSÁRIO DE CONCEITOS A RETER...................................................................................

249

SOBRE O LIVRO A inteligência artificial coloca às organizações um dilema de governação da decisão, “vestido” de problema técnico. Quando sistemas passam a observar, aprender e agir com autonomia crescente, a questão central muda: quem decide, com base em quê e com que responsabilidade. Este livro está organizado como uma resposta progressiva a esse problema.

PARTE I – GESTÃO NUMA ERA DE SISTEMAS INTELIGENTES Começa por reenquadrar o ponto de partida. Antes de falar de modelos ou de inteligência artificial, é necessário compreender como as organizações decidem hoje, muitas vezes de forma implícita, difusa e sem responsabilização clara. Esta parte estabelece a tese central do livro: gerir é decidir, e decisões que não são explicitadas não podem ser delegadas, auditadas ou melhoradas.

PARTE II – COMO OS MODELOS PENSAM Introduz os modelos como aquilo que realmente são: hipóteses operacionais sobre o mundo. Aqui o foco não está na previsão nem na sofisticação técnica, mas na relação entre modelo, realidade e decisão. Esta parte mostra porque é que modelos errados podem sustentar decisões aparentemente racionais, porque distinguir correlação de efeito causal muda a forma como o marketing aloca capital, e porque o contexto governado da organização vale mais do que o modelo escolhido. Aqui, tornar pressupostos explícitos é uma disciplina de gestão, não um detalhe técnico.

PARTE III – FINANÇAS: DECIDIR SOB INCERTEZA REAL

Leva essa lógica ao terreno onde o erro custa mais caro. Antecipação, crescimento sustentável, governação da despesa e decisões irreversíveis são tratados como problemas de decisão, não como falhas de cálculo. O objetivo é decidir melhor dentro da incerteza, não eliminá-la.

XII GESTÃO COM IA

PARTE IV – SISTEMAS VIVOS DE DECISÃO COM IA Trata a inteligência artificial como aquilo que se está a tornar nas organizações: uma infraestrutura cognitiva. Não uma ferramenta isolada, mas um sistema que, através de agentes autónomos, passa a decidir e a executar. Esta parte aborda os limites da delegação, o risco da terceirização cognitiva e a necessidade de governação explícita quando sistemas passam a participar ativamente na decisão.

ANEXOS Os anexos, no final do livro, reúnem métricas e conceitos, o diagnóstico exploratório do caso de crescimento sustentável, um mapa de modelos por pergunta de gestão e um glossário de conceitos.

O CASO PRIO – COMO UMA JOVEM EMPRESA DE COMBUSTÍVEIS ESTÁ A TRANSFORMAR A GESTÃO COM IA Na Prio, a adoção de inteligência artificial começou de forma pragmática, a partir de problemas operacionais concretos e da procura de ganhos claros de eficiência e retorno. Como em muitas organizações, o ponto de partida foi a necessidade de resolver melhor processos organizacionais que motivou o arranque. Um dos primeiros contextos de ação com inteligência artificial foi o onboarding digital de clientes para cartões de frota e mobilidade elétrica. Estes processos implicam risco operacional e financeiro, sobretudo num setor onde a fraude associada a pedidos aparentemente legítimos é uma realidade conhecida. A introdução de verificações automáticas, cruzamento de dados e validações simples permitiu reduzir drasticamente um risco que se poderia revelar financeiramente relevante. Este tipo de aplicação ilustra bem como a inteligência artificial e a automação começam, muitas vezes, por resolver problemas básicos, não porque sejam triviais, mas porque têm impacto direto na operação. Pequenas melhorias sistemáticas em pontos críticos do processo geram resultados imediatos e libertam capacidade para avançar para domínios mais exigentes. Com essa base, a Prio começou a explorar modelos de previsão e planeamento em diferentes áreas do negócio. Em alguns casos, os resultados foram promissores; noutros, revelaram limitações importantes. Um exemplo ilustrativo surgiu fora do combustível, na tentativa de prever produção e vendas

Sobre o Livro XIII

em contextos com perecibilidade, como na gestão dos inventários nas lojas dos postos de abastecimento. Embora os modelos apresentassem coerência estatística, a ausência de dados fiáveis sobre quebras e desperdício limitou a sua utilidade operacional. A aprendizagem foi clara e prática: modelos dependem menos da sua sofisticação técnica e mais da qualidade da informação que os alimenta. A introdução de inteligência artificial tornou visíveis fragilidades que já existiam nos processos de recolha de dados, criando pressão para melhorar a infraestrutura de dados antes de avançar para modelos complexos. Um passo seguinte relevante foi a utilização de modelos de linguagem para apoiar operações no terreno. A Prio possui um volume elevado de documentação interna – procedimentos, normas de segurança, regras operacionais, campanhas – cuja consulta rápida é crítica em contexto operacional. A criação de um assistente interno, capaz de responder a perguntas em linguagem natural com base exclusivamente nessa documentação, permitiu reduzir o custo de acesso à informação e aumentar a consistência na execução dos processos. A passagem destes sistemas de prova de conceito para utilização efetiva exigiu trabalho adicional: controlo de versões documentais, definição de fontes autorizadas, gestão de custos computacionais e garantia de tempos de resposta adequados. Estes aspetos, mais organizacionais do que tecnológicos, tornaram-se centrais à medida que a utilização se alargava. À medida que diferentes aplicações foram surgindo, a questão da governação ganhou importância. A Prio optou por capacitar utilizadores de negócio com ferramentas de criação de automatismos e aplicações, mantendo limites claros em matéria de segurança, arquitetura e controlo de custos. A inteligência artificial passou a ser tratada como parte da infraestrutura de gestão, integrada nos fluxos existentes, e não como um conjunto disperso de iniciativas isoladas.

O padrão que emerge deste percurso é simples e comum a muitas organizações: a inteligência artificial entra pela via da eficiência, expande-se pela aprendizagem prática e consolida-se quando passa a ser gerida como uma competência organizacional. Na adoção da inteligência artificial nas empresas nem sempre ocorre um momento único de viragem, é mais frequente uma sucessão de decisões pequenas, acumuladas ao longo do tempo.

XIV GESTÃO COM IA

É neste sentido que o caso da Prio ajuda a enquadrar o tema central deste livro. A inteligência artificial cria valor quando é integrada no modo como a empresa planeia, executa e decide – como prática de gestão. O caso da Prio não é a origem direta dos casos fictícios desenvolvidos nos capítulos do livro. Serve antes como referência real de uma trajetória de adoção: começar por problemas concretos, aprender com os limites dos dados e, gradualmente, transformar a inteligência artificial numa capacidade de gestão. Foi a partir da minha colaboração em projetos de formação e consultoria com empresas que encontrei motivação para organizar e desenvolver este conhecimento sob a forma de um livro, centrado no impacto da inteligência artificial nos desafios reais da gestão. Os nomes de empresas, clientes e fornecedores dos casos práticos, bem como os respetivos dados, são fictícios. Este livro dirige-se a gestores, dirigentes e profissionais que participam em decisões organizacionais e pretendem compreender onde a inteligência artificial cria valor, que riscos introduz e como deve ser governada, não exigindo formação técnica prévia.

INTRODUÇÃO A IA NAS ORGANIZAÇÕES Numa sessão de formação, um gestor experiente perguntou-me: “Então, afinal, o que posso fazer com a inteligência artificial na minha empresa?”. Devolvi a pergunta à sala. Cada participante lançou uma resposta diferente e sem relação entre si. A inteligência artificial chegou às organizações antes de existir uma linguagem comum para a pensar. Entrou de forma discreta, não como uma rutura implacável, nem como uma grande decisão visionária, mas como uma sucessão de pequenas capacidades incrementais: previsões um pouco melhores, recomendações de decisão automáticas, sistemas que parecem saber exatamente o que fazer a seguir, com pouca intervenção humana. Essas capacidades conduziram muitas empresas a lançar, de baixo para cima, iniciativas-piloto focadas em problemas específicos: reduzir custos operacionais, automatizar trabalho humano, acelerar decisões locais. Durante anos, a inteligência artificial foi explorada de forma fragmentada, experimental e frequentemente fora de enquadramento estratégico. A adoção da inteligência artificial nas empresas é o resultado de uma evolução longa, marcada por ciclos de inovação, frustração e renascimento tecnológico. As origens da inteligência artificial remontam à investigação teórica dos anos 1950, passaram por ciclos de aplicação, descrédito e renascimento, e ganharam novo fôlego com o avanço do machine learning e do deep learning entre as décadas de 2000 e 2010.

As origens da inteligência artificial Em 1950, Alan Turing publicou o artigo seminal “Computing Machinery and Intelligence”, onde propôs o conceito do Turing Test (também chamado “Imitation Game”) para determinar se uma máquina é inteligente. Turing colocou a pergunta fundamental: “Pode uma máquina pensar?” de forma operacional, se uma máquina pudesse enganar um juiz humano em conversação, teria demonstrado inteligência. O termo “artificial intelligence” (inteligência artificial) foi oficialmente cunhado em 1956, cinco anos após o trabalho de Turing, no Dartmouth Conference onde John McCarthy e outros investigadores estabeleceram a disciplina académica de inteligência artificial.

XVI GESTÃO COM IA

O primeiro robô industrial Unimate foi implementado pela General Motors em 1961 (precedendo os anos 1980, mas marcou o início), seguido de desenvolvimento significativo de robôs durante o boom industrial dos anos de 1980. Os anos de 1980 constituíram o “AI Boom”, período de investimento corporativo extraordinário. A indústria criou sistemas especialistas que geravam valor considerável. Em 2006, Geoffrey Hinton, Simon Osindero e Yee-Whye Teh publicaram o paper “A Fast Learning Algorithm for Deep Belief Nets” na revista Neural Computation que resolveu um obstáculo fundamental no treino de redes profundas.

A partir de 2022, com a emergência da inteligência artificial generativa, essa evolução tornou-se mais visível e acelerada. O que durante décadas foi experimental ou restrito a contextos específicos passou, num curto espaço de tempo, a integrar processos quotidianos em organizações de todas as dimensões e setores. Para muitos gestores, esta entrada foi desconcertante. A tecnologia apareceu antes de existir uma linguagem clara para a pensar. O léxico da gestão passou a incluir modelos, algoritmos, dados e aprendizagem automática, frequentemente tratados como conceitos novos, quando, na realidade, não o são. Grande parte do que hoje designamos por inteligência artificial assenta em ideias antigas. A maioria dos algoritmos de inteligência artificial existe há décadas. No momento da publicação deste livro, esta fase de exploração fragmentada está a chegar ao fim. A inteligência artificial está a sair do território da experimentação local e a entrar no domínio da decisão de gestão: a adoção deliberada, top-down, com governança formal, alocação de capital explícita e responsabilidade clara sobre a tomada de decisão. Segundo um inquérito da Gartner de junho de 2024, 55% das organizações participantes tinham um AI board. Num estudo distinto da IAPP/Credo AI publicado em 2025, 77% das organizações inquiridas estavam a trabalhar em governação de IA. Os números apontam na mesma direção, mas não pertencem ao mesmo estudo.

No entanto, esta é ainda uma transição em curso, não consumada: a maioria das organizações está em fases intermédias de maturidade. Este livro parte

02 MODELOS NÃO SÃO PREVISÕES

Que modelo mental está a produzir decisões erradas apesar de métricas certas? Uma das maiores obsessões das organizações é a perseguição pelos números corretos. Investe-se muito tempo e esforço a acertar no número (ao cêntimo). Mas um dos maiores erros de gestão é decidir com base num modelo que já não descreve a realidade, mesmo quando os números estão certos.

2.1. MODELOS COMO HIPÓTESES SOBRE O MUNDO Um modelo de gestão é uma hipótese operacional sobre como o mundo funciona neste momento e como a organização atua sobre ele. Simplifica e agrega dimensões para tornar a melhor decisão possível. Enquanto essa hipótese continua válida, o modelo orienta boas decisões. Quando usamos o modelo errado ou a realidade muda e a hipótese não é revista, o modelo pode continuar matematicamente correto, as métricas podem continuar corretas, mas induzir decisões erradas. É esta tensão – entre hipótese e realidade – que abordamos neste capítulo.

2.2. A ILUSÃO DA PRECISÃO

Somos gestores experientes. Andamos nisto há anos. Conhecemos o negócio como ninguém. E é exatamente isto que nos coloca numa posição perigosa. A experiência cria confiança. E a confiança, quando não é testada (ou desafiada), transforma-se em complacência. Com o tempo, deixamos de questionar os modelos que usamos para explicar como a empresa ganha e perde

30 GESTÃO COM IA

dinheiro, melhora ou piora a satisfação dos seus clientes e colaboradores. Continuamos a decidir todos os dias, mas já não paramos para verificar se os modelos que sustentam essas decisões ainda descrevem a realidade que estamos a gerir. 2.2.1. COMO É QUE ISTO ACONTECE NO MUNDO REAL? Um padrão consistente com a literatura de segmentação de serviços de subscrição ilustra bem este problema: numa base de utilizadores típica, a taxa agregada de churn pode rondar 2-3%, mas esta média esconde heterogeneidade estrutural: utilizadores novos (primeiros 90 dias) apresentam frequentemente taxas entre 8 e 12%, utilizadores fidelizados com consumo regular ficam abaixo de 1%, e os inativos situam-se algures no meio. Tal sugeria um negócio estável e bem controlado. Churn Este padrão de heterogeneidade é consistente com a literatura de segmentação de bases de subscrição. Para taxas de referência do setor de streaming (Antenna, 2024), que documenta taxas mensais de churn entre 1 e 6%, consoante o serviço e maturidade da base de subscritores. Blattberg et al. (2009) apresentam uma referência fundacional sobre heterogeneidade de valor e retenção em bases de clientes. A utilização da Netflix como referência ilustrativa é consistente com estudos de caso académicos sobre segmentação de churn em serviços de subscrição digital, mas a empresa não publica dados de churn por segmento comportamental.

O problema é que esta média escondia uma heterogeneidade estrutural extrema: • Utilizadores novos – Que subscreveram o serviço há menos de 90 dias, apresentam uma taxa de churn entre 8 e 12% e um LTV1 baixo; • Utilizadores fidelizados – Que consomem mais de três horas do serviço por semana, apresentam uma taxa de churn inferior a 1% e um LTV superior a €400; • Utilizadores inativos – Que se situam algures no meio. A Figura 2.1 sintetiza a relação entre churn e valor do cliente nos segmentos considerados. 1

LTV significa Lifetime Value e é uma estimativa do valor monetário total, ao longo de toda a vida útil, de um cliente.

Modelos não são previsões 31

Figura 2.1

Churn e valor do cliente por segmento comportamental

Quando 40% da base está concentrada no segmento “novo”, a média começa a induzir em erro o gestor que confia nela. Um orçamento de retenção distribuído de forma uniforme “porque o churn médio é baixo”, significa investir demasiado onde o risco é estruturalmente reduzido e demasiado pouco onde o churn é previsível e evitável. O desvio é estatisticamente trivial e economicamente devastador: dezenas de milhões de euros por ano. A média está correta, mas não deve ser usada como unidade de decisão num sistema heterogéneo onde os comportamentos são radicalmente distintos por segmento, algo que a própria Netflix reconhece nos seus estudos recentes sobre segmentação e personalização.

Imagine-se um modelo que assume que um aumento de 10% no preço reduz sempre a procura em 15%. Essa relação equivale a tratar a elasticidade-preço como constante.

32 GESTÃO COM IA

A literatura de economia comportamental e pricing dinâmico documenta sistematicamente que a elasticidade-preço da procura não é constante: varia com o contexto, a sazonalidade e o estado psicológico do consumidor. Durante períodos de promoção intensa como liquidações, os consumidores tornam-se mais sensíveis ao preço. Em períodos de compra por necessidade ou urgência, menos. Assumir elasticidade constante num modelo de pricing é, portanto, uma hipótese que pode produzir decisões sistematicamente erradas. A variação sazonal e contextual da elasticidade-preço está bem documentada na literatura de economia comportamental e gestão de receitas (revenue management): • Chevalier, et al. (2019) documentam a variação sistemática de elasticidade em retalhistas online em função de promoções e calendário; • Também Anderson et al. (2010) mostram como os consumidores respondem diferentemente a variações de preço consoante o contexto de compra; • Para aplicações em e-commerce e sazonalidade.

Eis um exemplo que demonstra o erro de assumir linearidade constante no modelo, ainda que baseado em métricas corretas. EXEMPLO Os call centers usam a métrica Average Handle Time (AHT) para medir o tempo médio de atendimento. Este indicador é simples de medir e facilmente compreendido por todos, basta dividir o tempo total de minutos em chamadas com clientes pelo número total de chamadas. Parece indiciar que menos AHT representa menos custo operacional para a empresa. Tal assenta em pressupostos implícitos errados: • A qualidade da resolução de problemas é independente do tempo de chamada*; • O custo de rechamada é negligenciável; • A velocidade é sinónimo de eficiência na resolução de problemas**.

Modelos gerais e modelos contextuais 71

sempre como se soubesse. Essa é uma das suas forças e um dos seus riscos. Quando não tem contexto suficiente, continua a responder, preenchendo lacunas com padrões prováveis. Numa conversa informal isso pode ser aceitável. Numa organização, sobretudo quando a resposta envolve regras, prazos, obrigações ou proibições, pode tornar-se perigoso. Murty & Kumar (2026) mostram precisamente isso ao descrever empresas com processos comerciais aparentemente idênticos, mas com lógicas internas diferentes. O mesmo sinal pode ser interpretado como prudência necessária numa organização regulada e como oportunidade de antecipação noutra orientada para velocidade. O que muda é o contexto em que esse processo é lido, validado e transformado em decisão. O processo, em si, pode até ser idêntico. O mesmo vale para modelos de linguagem: sem contexto organizacional, a resposta tende a ser genérica. Com contexto, pode tornar-se operacional. Por isso, a vantagem competitiva não está apenas em aceder a um modelo poderoso. Esses modelos tornam-se rapidamente acessíveis a todos. A diferença começa quando uma organização consegue ligar esse modelo ao seu próprio contexto, e fazê-lo de forma disciplinada. O ativo raro vive no contexto bem governado, não no modelo: dados, documentos, metadados, regras de precedência e capacidade de recusa quando a base é insuficiente. No fundo, um modelo geral sabe falar sobre o mundo. Uma organização precisa de respostas que façam sentido dentro do seu próprio sistema de decisão. É essa passagem, do conhecimento genérico para o conhecimento contextual, que prepara a entrada do RAG. Aqui o RAG funciona como âncora: prende o modelo à realidade específica onde a resposta vai ser usada.

4.2. CASO CRIAR UM CHATBOT INTERNO DE APOIO ÀS OPERAÇÕES Responder a perguntas críticas com base em documentação interna

4.2.1. APRESENTAÇÃO DO CASO O Hospital São Gabriel é um hospital privado de média dimensão, localizado numa área urbana, com operação orientada para atividade assistencial

72 GESTÃO COM IA

de volume e para convenções com seguradoras. Tem quatro características interessantes: • Urgência com triagem por cores, onde a pressão operacional é alta e as decisões têm impacto imediato. • Bloco e procedimentos invasivos, onde coexistem decisões clínicas e constrangimentos administrativos (pré-autorização, cobertura, faturação). • Front office e call center intensivos, que lidam diariamente com pedidos de informação clínica, prazos, consentimentos e exceções operacionais. • Infraestrutura documental relativamente madura, com políticas e procedimentos formais, mas também com o típico ruído organizacional: FAQs simplificadas, atas temporárias, e-mails de chefia e notas de turno que criam regras informais. Em suma: é o tipo de organização onde uma resposta plausível a um problema não é uma resposta aceitável. Assim, decide criar um chatbot interno de apoio às operações que permita à equipa obter rapidamente respostas precisas e sustentadas no sistema documental interno, fundamentadas em regras e procedimentos. 4.2.2. FALHA DA SOLUÇÃO GENÉRICA (CHATGPT) Numa primeira abordagem, o Hospital São Gabriel tentou uma solução genérica, baseada em ChatGPT, mas deparou-se com os problemas característicos deste tipo de solução: o chatbot apoiava-se em boas práticas genéricas sem considerar o contexto operacional interno, gerando decisões erradas e desconsideração pela hierarquia de importância documental. Esta solução expunha riscos legais e de conformidade sérios e por isso não vingou. 4.2.3. CORPUS E MANIFEST No hospital, a estrutura da documentação é a que se apresenta na Tabela 4.1.

Modelos gerais e modelos contextuais 77

4.2.4. COMO ORGANIZAR O CORPUS PARA UM ASSISTENTE INTERNO Antes de avançarmos para a criação de uma pasta num “document folder” do SharePoint, convém notar que quando se começa um projeto destes, não devemos tratar corpus como “tudo o que existe”. Isto destrói o sistema logo à partida, porque mistura “documentos que mandam” com “documentos que apenas sugerem”, mistura versões vigentes com versões arquivadas, e mistura regras formais com ruído operacional. 4.2.5. DISTINGUIR DOCUMENTOS DE FICHEIROS A unidade base do corpus é o DocID2 e a versão, independentemente de existir em PDF, o DOCX ou ambos. O ficheiro é apenas a sua renderização. O que interessa ao assistente é saber “que documento é este, que versão é e que autoridade tem”. O ponto central do corpus é um ficheiro designado manifest. O manifest é um contrato simples materializado num ficheiro: para cada documento, define o mínimo indispensável para o assistente conseguir decidir se pode ou não usar aquela fonte. Esta abordagem transforma um conjunto de ficheiros num sistema governável. O manifest funciona como camada de controlo entre os documentos e o assistente: para cada fonte, define identidade documental, versão, estado, autoridade, validade e localização do ficheiro. Mais do que inventariar documentos, este ficheiro explicita que conhecimento pode ser usado, em que condições e com que peso na resposta. Eis um excerto do ficheiro manifest.csv que usaremos neste caso:

Figura 4.1

Excerto do ficheiro manifest.csv usado para governar o corpus documental

Material disponível para download na página do livro em www.pactor.pt.

A inteligência artificial (IA) está a mudar a forma como as empresas analisam, preveem e decidem. Se, por um lado, é fácil aceder à tecnologia, por outro é difícil saber onde a aplicar, com que dados e com que resultados. A IA já não é uma opção, está integrada nos fluxos de trabalho, nas decisões e nas plataformas do dia a dia, tornando acessível a todos o que antes exigia especialistas em ciência de dados. Hoje, empresas de todas as dimensões podem começar a usar IA em horas, transformando processos, decisões e modelos de negócio. Gestão com IA – Transformar Empresas Inteligentes é um guia prático para gestores, analistas, decisores e responsáveis de TI que querem transformar a IA em resultados. É um convite à ação, mostrando como podem deixar de ser meros consumidores de tecnologia e tornar-se arquitetos de soluções práticas, capazes de gerar valor real, criar vantagem competitiva e liderar a inovação nas suas organizações. Com 10 casos empresariais, este livro mostra como combinar IA, dados, automação e ferramentas low-code para resolver problemas de gestão reais: prever receitas e tesouraria, analisar gastos, processar documentos em quantidade ou criar assistentes de conhecimento interno.