Onde a IA ajuda de verdade (e onde ainda não)

Os quatro módulos anteriores deram o mecanismo, o papel do contexto, os padrões de erro e o critério de verificação. Este módulo aplica tudo isso a uma pergunta prática: em que tipo de tarefa vale a pena colocar IA agora, e em qual ainda não vale?

A resposta não é "depende da tarefa" de forma vaga — dá para usar um eixo concreto, direto do módulo 3: quanto o modelo tende a errar naquele tipo de trabalho, e quão caro é esse erro.

O eixo que organiza tudo

Cruze duas coisas que você já sabe avaliar:

• Verificabilidade. Dá para conferir a saída rápido, olhando para ela? Código roda ou não roda. Um resumo você compara com o original em minutos. Uma alegação sobre um fato obscuro pode não ter como ser checada sem a mesma pesquisa que a IA deveria ter poupado.
• Tolerância a variação. A tarefa aceita "quase certo, você ajusta" ou exige "certo ou não serve"? Um rascunho de e-mail tolera variação — você edita. Um cálculo em uma planilha financeira não tolera nada.

Tarefas com alta verificabilidade e alta tolerância a variação são onde a IA ajuda mais hoje. Tarefas com baixa verificabilidade e baixa tolerância são onde ela ainda atrapalha mais do que ajuda — mesmo quando a resposta parece boa.

Onde a IA ajuda de verdade hoje

Primeiro rascunho de qualquer coisa que você vai revisar. E-mail, resumo, esboço de documento, estrutura de apresentação. Você tem tolerância a variação (vai editar mesmo) e verificabilidade alta (é o seu texto, você reconhece o que está errado nele).

Reformatar e reorganizar informação que já existe. Transformar notas soltas em lista estruturada, extrair dados de um texto para uma tabela, adaptar o mesmo conteúdo para públicos diferentes. O material de entrada já é verdade — a IA só reorganiza, o que é fácil de conferir.

Explorar alternativas antes de decidir. Gerar cinco abordagens diferentes para um problema, mesmo sabendo que quatro serão descartadas. Errar aqui não custa nada porque você mesmo escolhe no final — é geração de opções, não decisão.

Tarefas de reconhecimento em volume. Classificar, triar, extrair um dado específico de muitos documentos parecidos. Cada erro individual é barato e, em volume, você audita uma amostra em vez de checar tudo — o que já é o padrão de qualquer processo em escala, com ou sem IA.

Onde ainda não ajuda tanto

Decisão final sobre algo irreversível. Fechar um contrato, enviar uma comunicação pública, decidir uma demissão. Baixa tolerância a variação, e o erro, se existir, muitas vezes é silencioso (módulo 3) — ninguém percebe até já ter acontecido.

Fato específico e verificável só de cabeça. Uma citação exata, uma data, um número regulatório. É exatamente o padrão de alucinação por lacuna do módulo 3 — e verificar de cabeça, sem fonte, tem a mesma baixa verificabilidade do problema original.

Julgamento que depende de contexto que não está escrito em lugar nenhum. Decisões que dependem de política interna não documentada, de relacionamento com uma pessoa específica, de histórico que só existe na cabeça de quem decide. O modelo não tem acesso a esse contexto (módulo 2) e vai preencher a lacuna com algo genérico.

O padrão por trás dos dois grupos

Repare que nenhum item das duas listas é sobre "a IA ser boa ou ruim em geral" — é sobre a forma da tarefa. A mesma IA que escreve um ótimo primeiro rascunho de contrato não deveria decidir sozinha se esse contrato deve ser assinado. Não é o modelo que muda; é a verificabilidade e a tolerância a erro da etapa específica.

Isso também explica por que times inteiros às vezes desistem de IA depois de uma má experiência: testaram justamente no tipo de tarefa com baixa verificabilidade e baixa tolerância, generalizaram a conclusão para tudo, e pularam as tarefas onde teria funcionado bem.

Exercício

Liste três tarefas do seu trabalho. Para cada uma, marque verificabilidade (alta/baixa) e tolerância a variação (alta/baixa). Veja em qual quadrante cada uma cai.

Se alguma tarefa caiu em "baixa verificabilidade, baixa tolerância" e você já tentou usar IA nela, isso pode explicar por que o resultado decepcionou — não porque a IA "não serve", mas porque a tarefa era do tipo errado para o momento.

O que fica

• O critério não é "a tarefa é fácil ou difícil" — é verificabilidade da saída cruzada com tolerância a variação.
• IA ajuda mais hoje em: primeiro rascunho, reorganização de informação existente, geração de alternativas, reconhecimento em volume.
• IA ajuda menos em: decisão final irreversível, fato específico não verificável de cabeça, julgamento que depende de contexto não escrito.
• Uma má experiência em uma tarefa do quadrante errado não prova que a IA não serve — prova que o quadrante era o errado.