Todo processo tem um método escondido?
O que precisamos descobrir antes de decidir o que automatizar
Ao longo desta série, fomos ampliando a escala da Apropriação Profissional da IA. Começamos pela capacidade individual, passamos pelo compartilhamento entre pessoas e chegamos ao ponto em que múltiplas Jornadas começam a revelar características do próprio sistema de trabalho.
Essa ampliação traz agora uma pergunta particularmente importante para qualquer organização que esteja automatizando processos com IA:
quanto há de método escondido dentro do processo que estamos tentando automatizar?
A pergunta parece abstrata até olharmos para a forma como os processos normalmente são descritos.
Receber uma demanda, analisar, validar, aprovar, encaminhar.
Esse tipo de representação é útil para organizar responsabilidades, controlar andamento e estruturar sistemas. O problema é que verbos como analisar, avaliar, validar, priorizar, revisar ou decidir podem esconder uma quantidade enorme de trabalho cognitivo.
Duas pessoas podem executar exatamente a mesma etapa formal e chegar a resultados diferentes porque não estão apenas seguindo um fluxo. Estão interpretando situações, relacionando evidências, utilizando critérios, reconhecendo exceções e mobilizando experiência.
O processo mostra o percurso operacional.
O método, quando existe, ajuda a explicar como determinadas transformações cognitivas são produzidas ao longo desse percurso.
Essa diferença se torna decisiva quando começamos a decidir o que entregar à IA.
Automatizar o processo descrito pode significar automatizar uma descrição incompleta do trabalho
Imagine uma etapa chamada “avaliar solicitação”.
Do ponto de vista do fluxo, ela parece simples. Uma solicitação chega, alguém analisa e uma decisão é produzida.
Mas, ao observar o profissional trabalhando, podemos descobrir que ele começa verificando a qualidade das informações recebidas, identifica qual tipo de caso está diante dele, compara a situação com referências anteriores, procura exceções, pondera riscos e só então forma um julgamento.
O processo contém uma caixa chamada avaliar.
Dentro dela existe uma arquitetura de pensamento.
Se automatizamos apenas a caixa, talvez façamos uma pergunta parecida com:
“A IA consegue avaliar esta solicitação?”
Mas ainda não sabemos exatamente o que significa avaliar bem naquele contexto.
É possível que parte da atividade seja claramente delegável. A IA pode recuperar informações, organizar evidências, comparar documentos ou verificar requisitos objetivos. Outra parte talvez se beneficie de cocriação, principalmente quando o profissional precisa explorar hipóteses, confrontar alternativas ou perceber inconsistências. E pode haver um ponto em que a decisão precisa continuar humana porque envolve responsabilidade, interpretação contextual ou consequências que não deveriam ser transferidas ao sistema.
Sem compreender essa arquitetura, Delegar, Cocriar e Preservar julgamento se tornam escolhas genéricas.
A P3HD procura transformá-las em decisões de projeto.
Método não é sinônimo de procedimento
Existe aqui uma distinção importante.
Nem todo processo contém um método sofisticado. Muitas atividades são predominantemente operacionais e podem ser automatizadas com pouca perda cognitiva. Conferir um identificador, transportar informação entre sistemas, gerar um arquivo ou verificar uma condição objetiva não exige necessariamente uma arquitetura complexa de julgamento.
O problema aparece quando tratamos da mesma maneira atividades mecanicamente simples e atividades cognitivamente densas.
Um procedimento costuma responder com clareza:
o que precisa ser feito?
Um método acrescenta outra pergunta:
que caminho de pensamento ajuda a produzir uma transformação de qualidade?
É por isso que um método não precisa estar formalmente registrado para existir. Ele pode viver na experiência de um profissional.
Uma pessoa experiente aprende que determinada informação, apesar de aparentemente secundária, muda completamente a interpretação de um caso. Descobre que duas evidências nunca deveriam ser avaliadas isoladamente. Sabe quando uma regra geral deixa de ser suficiente e qual pergunta precisa ser feita antes de continuar.
Talvez nada disso apareça no manual do processo.
Ainda assim, é parte real do trabalho.
Nesse sentido, alguns métodos estão escritos em livros, frameworks e procedimentos. Outros permanecem distribuídos entre hábitos, critérios e formas de pensar que os profissionais desenvolveram ao longo do tempo.
Alguns métodos estão escritos em livros. Outros estão escondidos dentro dos processos de trabalho.
Torná-los visíveis pode ser uma etapa essencial antes de decidir como a IA deverá participar.
A experiência profissional costuma morar entre as etapas
Há uma razão pela qual esse conhecimento permanece tão frequentemente implícito.
Processos são construídos para representar regularidades. Precisam ser compreensíveis, repetíveis e administráveis. A experiência profissional, ao contrário, aparece muitas vezes justamente quando a regularidade encontra uma situação concreta.
É na passagem entre duas etapas que alguém percebe que falta contexto. É diante de uma exceção que um critério se torna visível. É quando duas evidências entram em conflito que descobrimos qual delas realmente possui maior peso. É quando uma recomendação aparentemente correta causa desconforto que conseguimos formular uma regra que até então existia apenas como intuição.
Por isso, observar o trabalho real frequentemente revela muito mais do que ler sua documentação.
As adaptações que as pessoas fazem, as perguntas que acrescentam, os pontos em que hesitam e as situações em que buscam uma segunda opinião podem ser sinais de que ali existe um Momento Cognitivo que o processo não descreveu adequadamente.
Esse reconhecimento muda a conversa sobre automação.
Em vez de perguntar apenas quais etapas podem ser executadas pela IA, passamos a investigar onde existe pensamento relevante dentro delas.
O método pode ser descoberto pelos Momentos Cognitivos
A ideia de Momento Cognitivo oferece uma forma particularmente útil de fazer essa investigação.
Em vez de tentar documentar todo o raciocínio de um especialista, podemos procurar situações em que pensar melhor realmente altera o resultado.
Talvez um processo tenha vinte etapas, mas apenas quatro delas concentrem decisões cognitivamente relevantes. Em outras, a maior parte do esforço é busca, organização, transporte ou preenchimento.
Essa distinção é valiosa porque evita dois extremos.
O primeiro seria preservar trabalho humano em todas as etapas apenas porque historicamente elas sempre foram realizadas por pessoas. O segundo seria automatizar tudo aquilo que pode ser tecnicamente automatizado sem perguntar se estamos retirando do processo justamente o ponto em que ocorre julgamento relevante.
Os Momentos Cognitivos ajudam a separar essas duas coisas.
Quando encontramos um deles, podemos aprofundar sua estrutura: que questão precisa ser enfrentada, que contexto importa, quais critérios interferem na decisão, que evidências precisam ser consideradas e que consequência será produzida.
O método começa então a deixar de ser uma abstração e passa a aparecer como um mapa.
Tornar o método explícito não significa engessar o profissional
Uma preocupação legítima aparece quando falamos em tornar métodos mais claros.
Se formalizarmos demais o raciocínio, não corremos o risco de transformar julgamento profissional em checklist?
Corremos, se confundirmos método com algoritmo rígido.
Um bom mapa cognitivo não precisa determinar qual resposta deve ser produzida. Ele pode tornar explícitas as perguntas que merecem atenção, os critérios que precisam ser considerados e os pontos em que diferentes interpretações continuam legítimas.
Isso é especialmente importante com IA.
Quanto mais estruturamos um método, maior é a tentação de transformá-lo diretamente em uma sequência automatizada. Mas explicitar o raciocínio deveria primeiro nos ajudar a decidir quais partes da arquitetura podem ser delegadas e quais precisam continuar abertas à interpretação.
Há situações em que a padronização melhora muito o resultado. Há outras em que a qualidade depende justamente da capacidade de reconhecer que o caso presente não cabe bem no padrão.
A P3HD não procura eliminar essa diferença. Procura torná-la deliberada.
Delegar, cocriar ou preservar: agora com um objeto mais claro
Quando o método escondido começa a aparecer, a relação humano-digital pode ser discutida com muito mais precisão.
Uma etapa que antes parecia única pode revelar três movimentos distintos.
Primeiro, existe uma parte de preparação em que informações precisam ser recuperadas, organizadas e comparadas. Aqui, delegar pode fazer bastante sentido.
Em seguida, o profissional precisa confrontar interpretações possíveis, avaliar exceções ou questionar uma hipótese. Nesse ponto, a IA pode funcionar melhor como parceira de cocriação do que como executora autônoma.
Finalmente, chega uma decisão cuja legitimidade depende de julgamento profissional e responsabilidade. A IA pode informar, simular consequências ou provocar reflexão, mas a participação humana precisa ser preservada.
O ganho não está em escolher uma única dessas opções para todo o processo.
Está em perceber que uma mesma etapa operacional pode conter diferentes relações humano-digitais.
Esse é um dos motivos pelos quais simplesmente colocar IA dentro de workflows existentes costuma produzir resultados limitados. O processo foi desenhado para coordenar trabalho, não necessariamente para revelar sua arquitetura cognitiva.
Antes de decidir quem — pessoa ou máquina — executará cada trecho, precisamos compreender melhor aquilo que está sendo executado.
A IA também pode ajudar a descobrir o método
Há aqui uma possibilidade interessante.
A IA não precisa entrar apenas depois que o método foi documentado. Ela pode participar da própria investigação.
Pode analisar registros de decisões, comparar exemplos, identificar perguntas recorrentes, encontrar diferenças entre casos aparentemente semelhantes e ajudar profissionais a explicitar critérios que normalmente utilizam de forma tácita.
Pode inclusive confrontar o especialista:
“Você afirmou que estes dois casos seguem a mesma regra, mas chegou a conclusões diferentes. O que mudou?”
Esse tipo de provocação é valioso porque conhecimento profissional nem sempre está disponível na forma de uma explicação pronta. Muitas vezes conseguimos reconhecê-lo melhor quando comparamos situações concretas.
Ainda assim, a IA não deveria concluir sozinha qual é o método.
Ela pode ajudar a revelar padrões e hipóteses.
Os profissionais precisam interpretar se essas regularidades realmente representam a lógica do trabalho, exceções legítimas ou apenas hábitos históricos que talvez nem devam ser preservados.
Tornar o método explícito também é uma oportunidade para questioná-lo.
O método revelado pode mudar o próprio processo
Esse ponto talvez seja o mais interessante da passagem entre as perspectivas metodológica e sistêmica.
No início, poderíamos imaginar que estamos apenas descobrindo o método existente para automatizar melhor um processo já conhecido.
Mas a investigação pode mostrar que o processo formal está mal desenhado.
Talvez duas etapas deveriam acontecer em ordem diferente porque uma decisão depende de contexto que só aparece mais tarde. Talvez uma revisão precise ser independente e, portanto, não deveria receber determinadas conclusões anteriores. Talvez um gestor esteja participando de dezenas de casos em que sua presença só agrega valor diante de exceções. Talvez duas atividades aparentemente distintas compartilhem exatamente o mesmo Momento Cognitivo.
Quando isso acontece, o método deixa de ser apenas uma camada interna do processo.
Ele começa a oferecer evidência para redesenhar o sistema de trabalho.
A perspectiva metodológica passa então a alimentar diretamente a sistêmica.
Não estamos mais perguntando apenas:
“Como fazemos esta atividade?”
Estamos perguntando:
“Como o trabalho deveria ser organizado para sustentar melhor a forma como essa decisão precisa ser construída?”
Antes de automatizar, vale perguntar onde realmente está a inteligência
Talvez uma forma prática de aplicar essa reflexão seja escolher uma etapa do seu trabalho descrita por algum verbo aparentemente simples: analisar, revisar, priorizar, validar, aprovar, recomendar.
Em seguida, observar como alguém experiente realmente executa essa atividade.
Que perguntas essa pessoa faz? O que procura primeiro? Em que ponto sente necessidade de contexto adicional? Que critérios utiliza para diferenciar dois casos? Que exceções reconhece? Onde existe uma decisão clara e onde existe apenas execução operacional?
Se essas perguntas revelarem uma arquitetura de interpretação e julgamento, talvez você não esteja diante de uma simples etapa de processo.
Pode estar diante de um método parcialmente implícito.
E esse método deveria ser compreendido antes de decidir como a IA irá participar dele.
Não porque tudo precise permanecer humano, mas porque não conseguimos desenhar bem a relação humano-digital enquanto ainda não sabemos onde a inteligência realmente está sendo empregada.
A próxima fronteira: conseguir continuar pensando
Ao tornar métodos mais explícitos, produzimos mapas, critérios, decisões e artefatos que podem ser utilizados por outras pessoas e sistemas.
Mas isso nos devolve a uma questão que atravessou todos os artigos desta série.
De pouco adianta compreender melhor uma atividade se a inteligência construída em um ponto do trabalho se perde antes da próxima decisão.
A capacidade de produzir mais com IA não resolve, por si só, esse problema. Em alguns casos, pode até agravá-lo ao multiplicar rapidamente a quantidade de artefatos e análises que precisam circular.
O próximo passo desta investigação será, portanto, olhar diretamente para essa infraestrutura quase invisível do trabalho aumentado:
como preservar aquilo que precisa continuar produzindo valor quando pensamento, contexto e responsabilidade mudam de pessoa, momento ou sistema?
Esse será o tema do próximo artigo: Continuidade Cognitiva como infraestrutura do trabalho profissional ampliado por IA.
Respostas