Dados não tiram o ser humano da decisão. Eles tornam mais difícil fingir que uma preferência, um medo ou uma aposta era um fato desde o começo.

TL;DR

Eu quero usar IA e dados para diminuir o espaço ocupado por impulso, memória seletiva e opinião dita alto demais numa reunião. Isso é útil. Mas dado não escolhe objetivo, valor, risco aceitável ou consequência humana. Métrica, amostra e modelo carregam escolhas feitas antes do gráfico aparecer. Uma decisão orientada por dados não é uma decisão sem humano nem sem emoção: é uma decisão em que evidência, hipótese, preferência e responsabilidade ficam separadas, documentadas e verificáveis. Agentes podem procurar evidência contrária, comparar cenários e expor incerteza. Não recebem, por isso, o cargo de árbitro moral.

Existe uma frase que parece adulta em qualquer sala de reunião:

“Vamos decidir só com base nos dados.”

Eu entendo a intenção. E, na maior parte das vezes, concordo com o incômodo que ela tenta resolver.

Tem decisão demais tomada por memória conveniente, urgência teatral, hierarquia, vaidade, uma conversa de corredor ou pela pessoa que consegue falar com mais segurança durante quinze minutos sem entregar uma evidência. Dados organizados podem esfriar a cabeça, recuperar contexto, testar projeções e mostrar que a história confortável tinha um buraco do tamanho do orçamento.

O problema é o “só”.

Dados não decidem. Eles reduzem o espaço para você mentir para si mesmo.

E essa é uma diferença enorme.

Um gráfico não escolhe o que importa

Imagine uma empresa escolhendo onde reduzir custo. O painel mostra que o atendimento é caro. Parece objetivo: corte ali.

Mas antes de virar decisão, alguém já escolheu o que entra como custo, qual período conta, como mede qualidade, que perda de receita aparece depois, quanto risco de reputação é aceitável e qual promessa ao cliente pode ser quebrada. O gráfico não escolheu nada disso. Ele apenas tornou visível uma forma específica de olhar para o problema.

Isso não torna o número inútil. Torna a conversa honesta.

Uma métrica pode dizer que o tempo médio de atendimento caiu. Ela não diz, sozinha, se o cliente resolveu o problema, se casos difíceis foram empurrados para outra fila ou se a equipe passou a encerrar conversas cedo para proteger o indicador. Um modelo pode prever maior chance de atraso. Ele não define se a consequência deve ser uma mensagem, uma revisão humana, uma mudança de processo ou uma punição automática.

Objetivo, limite e consequência continuam sendo decisões humanas.

O National Institute of Standards and Technology (NIST) publicou o AI Risk Management Framework: um guia voluntário para organizar como uma empresa identifica, mede, acompanha e reduz riscos de sistemas de IA. Ele não resolve isso por decreto. É amplo e não certifica uma arquitetura. Mas reforça a disciplina certa: risco, escopo, benefício esperado, custo, tolerância ao risco e supervisão humana precisam ser definidos e documentados no ciclo de vida. Não entram no sistema por osmose depois que alguém abre um dashboard.

O dado também tem bastidor

Há uma fantasia confortável de que o dado chega cru, neutro e pronto para salvar a reunião de todos os seus humanos imperfeitos.

Não chega.

Alguém decide o que registrar. Alguém deixa de registrar outra coisa. Alguém define a categoria, remove duplicatas, escolhe uma janela de tempo, lida com ausências e decide que um conjunto de campos representa “qualidade”, “risco”, “cliente bom” ou “operação saudável”. O modelo, quando existe, aprende e calcula em cima dessas escolhas.

Isso não é uma acusação moral contra planilhas, bancos de dados ou estatística. É a descrição do trabalho.

O artigo acadêmico Datasheets for Datasets propõe documentar motivação, composição, processo de coleta e usos recomendados de um conjunto de dados. A ideia não é burocratizar tudo até ninguém conseguir trabalhar. É impedir que quem recebe uma tabela trate como fato natural algo que nasceu de recortes, limitações e decisões anteriores.

Quando uma planilha não mostra de onde veio, o que ficou de fora e em que condição foi atualizada, ela não é uma fonte de verdade. É uma fonte que ainda precisa de perguntas.

IA pode apertar o parafuso certo. Não virar a chave da empresa inteira

Aqui entra a parte que eu acho promissora.

Um bom agente pode fazer, em minutos, uma parte do trabalho que costuma morrer entre a reunião e a decisão: levantar documentos dispersos, comparar versões, localizar números que contradizem a primeira tese, apontar premissas escondidas, simular cenários e listar o que ainda não sabemos.

Ele pode perguntar:

• qual fonte sustenta este número?
• que dado contrário ficou fora da análise?
• a projeção muda se a taxa de conversão — a parcela de pessoas que conclui a ação esperada — cair dois pontos percentuais?
• estamos medindo a causa, um sintoma ou apenas o que é fácil medir?
• qual hipótese foi promovida a fato porque apareceu em três relatórios?

Isso é muito melhor do que usar IA para gerar um parágrafo elegante que confirma a decisão já tomada.

É a mesma exigência que descrevi em A melhor resposta não é a que mais me agrada: eu não quero um sistema que concorde comigo com boa gramática. Quero um sistema que aguente a pergunta “como você sabe?”.

Mas há um limite saudável. Um agente pode organizar alternativas. Pode dar visibilidade ao custo de cada uma. Pode descobrir que a base está incompleta. Pode registrar que a projeção depende de uma premissa frágil.

Ele não deve decidir, sozinho, qual dano é aceitável para uma pessoa, uma equipe ou um cliente. Isso não é falta de capacidade de processamento. É responsabilidade.

A separação que muda a qualidade da conversa

Eu gosto de colocar quatro coisas em mesas diferentes. Parece simples; na prática, evita uma quantidade indecente de confusão.

O que é	Pergunta que obriga a fazer	Exemplo
Evidência	O que foi observado e de onde veio?	“O tempo mediano de resposta subiu 18% no período X, segundo a fonte Y.”
Hipótese	Que explicação parece plausível, mas ainda precisa ser testada?	“A alta pode estar ligada à mudança de fila.”
Preferência	O que queremos priorizar?	“Preferimos preservar qualidade, mesmo aceitando custo maior.”
Decisão e responsabilidade	Quem escolhe o caminho, aceita o risco e responde pela consequência?	“A diretoria aprova o piloto limitado, com revisão em 30 dias.”

Quando essas camadas viram uma frase só — “os dados mostram que devemos cortar o atendimento” — a decisão já entrou disfarçada de descoberta.

E fica difícil discordar sem parecer que você está “contra os dados”.

Separá-las devolve a discordância ao lugar correto. É possível concordar com a evidência e discordar da interpretação. É possível aceitar a hipótese e rejeitar a decisão. É possível preferir outro valor, desde que assuma o custo e pare de chamar preferência de inevitabilidade técnica.

Essa é a disciplina por trás de Hipótese não vira fato só porque a IA repetiu. Repetir uma inferência em três dashboards não faz dela uma descoberta. Apenas deixa o problema mais bem diagramado.

Menos emoção não significa menos humano

Eu defendo usar dados para diminuir decisão capturada por impulso. Especialmente quando há dinheiro, prazo, pressão política ou alguém tentando proteger uma escolha antiga.

Mas “tirar a emoção” é uma fórmula ruim se ela significar fingir que emoções, vínculos e valores não existem.

Em uma decisão pessoal, medo pode sinalizar risco real ou uma proteção que já não serve. Desejo pode mostrar prioridade. Desconforto pode avisar que há uma conversa necessária. Em uma empresa, a preocupação de uma equipe pode revelar uma exceção que o painel não enxerga. Nada disso vira prova por si só. Mas também não é ruído que um algoritmo tem o direito de varrer para fora do problema.

O trabalho maduro é outro: identificar quando emoção está sendo vendida como evidência e quando uma evidência está sendo usada para esconder uma escolha de valor.

Um exemplo empresarial sem truque de palco

Pense em uma operação que quer usar IA para priorizar chamados de suporte.

Os dados podem mostrar volume, tempo de espera, produto afetado, histórico do cliente, reincidência e impacto estimado. Um agente pode agrupar padrões, sinalizar contradições e montar cenários para capacidade da equipe.

Mas alguém ainda precisa decidir se um cliente grande sempre passa na frente, se um caso de segurança sobe independentemente de receita, como proteger dados pessoais, quando a recomendação deve parar para revisão humana e como o cliente contesta um erro.

Se ninguém responde por essas escolhas, “o sistema priorizou” vira uma frase muito conveniente. Também vira uma forma cara de terceirizar responsabilidade para uma arquitetura que não pediu o cargo.

Na i-9.ai, é por isso que uma conversa útil começa pelo gargalo, pelos dados disponíveis, pelas exceções e por quem responde pelo resultado — como expliquei em Sua empresa não precisa descobrir onde colocar IA. A ferramenta vem depois. A responsabilidade, antes.

O agente como adversário útil

Se eu estou construindo um sistema para me apoiar, quero que ele tenha licença para me contrariar dentro de limites claros.

Não com moralismo automático. Nem com uma falsa neutralidade de quem despeja cinco lados de uma questão e chama isso de profundidade.

Quero uma contradição útil:

1. registrar a pergunta e a decisão que ela pretende apoiar;
2. separar fonte observada, transformação feita e hipótese produzida;
3. procurar evidência que enfraqueça a tese inicial;
4. comparar cenários com premissas explícitas;
5. declarar o que não foi possível medir ou verificar;
6. devolver uma recomendação com risco, alternativas e próximo passo;
7. exigir a pessoa responsável quando a escolha envolve valor, direito, impacto material ou consequência difícil de reverter.

Isso não transforma a IA em oráculo. Transforma-a em uma parte verificável de uma conversa que antes acontecia inteira na cabeça de alguém — ou, pior, em uma apresentação com transições bonitas.

Dados não são uma absolvição

No fim, talvez a pergunta mais útil não seja “o que os dados mandam fazer?”.

É esta:

o que é evidência aqui, o que é hipótese, o que é preferência e quem está disposto a responder pela escolha?

Quando essas respostas aparecem, a decisão continua humana. Só fica menos confortável mentir para si mesmo.

E eu acho que esse desconforto é uma das melhores coisas que IA e dados podem oferecer.

Referências e limites de uso

• NIST AI Risk Management Framework 1.0: sustenta a necessidade de definir escopo, risco, custo, tolerância e supervisão no ciclo de vida; é um framework voluntário, não uma certificação nem uma substituição para julgamento de contexto.
• Datasheets for Datasets: sustenta a necessidade de documentar origem, composição, coleta e uso de dados; documentar não elimina vieses nem decide quais valores priorizar.
• Model Cards for Model Reporting: sustenta a utilidade de declarar usos, avaliações e limites de modelos; transparência não é garantia de desempenho nem de decisão correta.
• Does Automation Bias Decision-Making?: sustenta a lente do risco de atribuir autoridade indevida a auxílio automatizado; o experimento não estudou modelos de linguagem atuais e não deve ser transferido automaticamente para eles.

Essas fontes não provam que toda decisão orientada por dados será melhor, que um agente é neutro ou que a responsabilidade humana pode ser automatizada. Essa conclusão é a minha síntese de arquitetura e governança.