A primeira grande promessa da inteligência artificial nas empresas foi relativamente simples: fazer mais, mais rápido e com menos esforço humano. Redação, classificação, pesquisa, atendimento, processamento de documentos e inúmeras tarefas administrativas passaram a ser executadas ou assistidas por modelos cada vez mais capazes. O ganho é real, mas começa a surgir uma questão mais difícil: o que acontece quando a situação encontrada pela IA não corresponde exatamente àquela que o processo previa?

Um artigo recente da Harvard Business Review, produzido a partir de análises e experimentos realizados por Accenture e Google, chama atenção para um território frequentemente negligenciado pelas estratégias corporativas de IA: o middle office. É nele que se concentram atividades como revisão de contratos, gestão de riscos, compliance e outros processos que não são inteiramente rotineiros. Segundo os autores, mais de quatro em cada dez tarefas da jornada de trabalho analisada em 18 setores estão nessa camada, justamente onde exceções e ambiguidades continuam exigindo julgamento humano.

Essa constatação ajuda a revelar uma mudança importante na discussão sobre automação. Depois de automatizar tarefas previsíveis, o desafio deixa de ser simplesmente executar o fluxo conhecido e passa a ser lidar com aquilo que escapa dele. O caso padrão pode ser processado por uma regra. A exceção exige interpretação. E é nesse intervalo entre aquilo que o sistema já sabe executar e aquilo que a realidade obriga alguém a interpretar que uma nova fronteira para a inteligência artificial começa a aparecer.

O middle office concentra processos intensivos em julgamento

Processos de middle office frequentemente funcionam bem enquanto as condições permanecem dentro do esperado. Uma fatura corresponde ao pedido, um contrato utiliza cláusulas conhecidas, uma operação atende aos critérios definidos ou uma solicitação comercial respeita os limites estabelecidos. Quando isso acontece, regras, automações e modelos conseguem avançar com eficiência. Mas basta uma condição relevante mudar para que o processo deixe de ser apenas operacional e passe a ser decisório.

O estudo apresentado pela Harvard Business Review propõe observar justamente a densidade de exceções e o custo de escalonamento de cada processo. Em sua pesquisa, quase um quarto das decisões de middle office dependia de raciocínios que nenhum documento de política conseguia abranger completamente. São situações em que a automação resolve a maioria dos casos, mas os demais continuam chegando à mesa de especialistas ou executivos porque alguma combinação de contexto, experiência e interpretação se tornou necessária.

Podemos chamar esses ambientes de processos intensivos em julgamento. Eles não são necessariamente os processos de maior volume nem aqueles com maior número de regras. São aqueles em que uma parcela relevante do valor depende da capacidade de reconhecer quando a situação mudou, interpretar o significado dessa mudança, comparar objetivos legítimos, considerar riscos e decidir se é possível avançar, revisar uma condição ou escalar o caso. Quanto maior a combinação entre exceções, conhecimento tácito, impacto e custo de escalonamento, maior a importância do julgamento.

A exceção revela aquilo que a empresa ainda não transformou em sistema

Uma exceção não é apenas um evento que deixou de corresponder a uma regra. Frequentemente ela revela que parte importante do processo existe apenas na experiência acumulada das pessoas. Políticas registram limites, procedimentos descrevem etapas e sistemas armazenam informações, mas critérios de interpretação, precedentes, heurísticas, sinais fracos e condições de preferência podem permanecer implícitos. É por isso que dois profissionais, diante das mesmas informações, nem sempre chegam à mesma conclusão.

O próprio artigo da HBR oferece um exemplo revelador. Duas faturas praticamente idênticas estavam relacionadas ao mesmo pedido: uma possuía autorização válida da matriz para faturamento de uma subsidiária; a outra apresentava quase todos os mesmos elementos, mas a autorização se referia à entidade errada. A diferença era pequena do ponto de vista documental, mas material para a decisão. Após a intervenção de um especialista, o sistema passou a distinguir situações semelhantes posteriormente.

O que esse caso demonstra é que informação e julgamento são coisas diferentes. Saber o conteúdo de uma política não significa necessariamente compreender como aplicá-la quando duas condições legítimas entram em tensão. Conhecer os dados de um cliente não determina automaticamente se uma exceção comercial deve ser aceita. Recuperar contratos anteriores não resolve sozinho qual precedente é comparável ao caso atual. Processos explicam o que normalmente deve ser feito; a experiência revela como decidir quando a realidade deixa de seguir o processo. Essa distinção também está no centro da tese de agentes cognitivos aplicada pelo DecisionMind a domínios nos quais critérios, heurísticas, exceções e limites permanecem concentrados em especialistas.

Mais contexto não significa necessariamente contexto decisório

Os modelos atuais são extraordinariamente capazes de inferir relações a partir das informações que recebem. Documentos, políticas, históricos, bases de conhecimento e sistemas corporativos podem tornar uma IA muito mais informada sobre a empresa. Mas existe uma diferença entre conhecer a realidade da organização e compreender suficientemente como aquela organização precisa decidir dentro dessa realidade.

Quando uma situação não está integralmente coberta pelas regras disponíveis, o modelo precisa preencher lacunas por inferência. Isso não significa que necessariamente produzirá uma resposta inadequada. Significa que, se os critérios organizacionais relevantes não estiverem suficientemente representados, a resposta pode ser tecnicamente plausível e ainda assim não ser a mais coerente com aquela empresa. Capacidade inferencial não determina automaticamente prioridades, autoridade, tolerância ao risco, condições de exceção ou os trade-offs que uma organização considera aceitáveis. Essa é uma das tensões que orientam atualmente a tese do DecisionMind.

Imagine uma política comercial que autorize descontos de até determinado percentual. Essa informação é fácil de disponibilizar a um agente. Muito mais difícil é representar que, em determinada empresa, uma concessão excepcional somente é considerada adequada quando preserva um preço de referência, possui contrapartidas verificáveis, não cria um precedente indesejado, respeita determinado horizonte temporal e permanece dentro da autoridade daquele papel. A primeira camada fornece informação para responder. A segunda fornece uma estrutura para interpretar a decisão. É essa diferença que se torna especialmente importante quando o caso deixa de seguir o padrão.

Do conhecimento da empresa à sua estrutura de decisão

É diante desse problema que o Forward Deployed Cognition ganha relevância. A premissa é que, em ambientes nos quais a qualidade da decisão depende materialmente da realidade particular da organização, não basta implantar um modelo e conectá-lo às informações disponíveis. Parte da inteligência necessária precisa ser construída junto à própria empresa, tornando explícitos os elementos de contexto e julgamento que orientam suas decisões reais. No DecisionMind, essa abordagem situada recebe o nome de Forward Deployed Cognition, ou FDC.

O objetivo não é converter toda experiência humana em um conjunto rígido de regras. É permitir que a lógica decisória organizacional esteja suficientemente representada para que um agente cognitivo consiga analisar novas situações a partir do espaço de decisão da empresa. Isso inclui reconhecer que determinadas variáveis importam mais do que outras, que certos objetivos entram legitimamente em tensão, que algumas condições permitem exceções enquanto outras exigem escalonamento e que decisões semelhantes podem exigir respostas diferentes porque o contexto mudou.

Essa mudança transforma o papel potencial de um agente empresarial. Em vez de apenas recuperar informações ou produzir uma resposta provável para uma situação, ele passa a poder interpretar o cenário a partir de referências decisórias mais aderentes à organização. Quando surge uma solicitação comercial fora do padrão, uma situação de risco não prevista, uma condição contratual incomum ou uma decisão operacional ambígua, o problema deixa de ser simplesmente descobrir qual regra aplicar. Passa a ser compreender o que está em jogo naquela organização e analisar a exceção de maneira convergente aos seus objetivos, critérios e limites.

A próxima fronteira está entre a regra e a exceção

Isso também modifica a forma como deveríamos medir o sucesso da IA nos processos corporativos. A Harvard Business Review argumenta que a taxa bruta de automação é insuficiente e sugere observar indicadores como resolução de exceções, redução de escalonamentos e tempo devolvido aos especialistas. O artigo alerta ainda para um risco particularmente importante: velocidade pode mascarar uma decisão equivocada. Em processos críticos, eficiência precisa vir acompanhada de qualidade, rastreabilidade e capacidade de revisão.

O resultado não deveria ser retirar especialistas da equação, mas mudar onde sua capacidade é aplicada. No caso de uma instituição financeira descrita no estudo, a IA passou a identificar automaticamente quase 70% de mais de 1,5 milhão de documentos recebidos mensalmente. Isso liberou os analistas para situações como renda irregular, histórico de crédito atípico e outros casos que uma lista de verificação não consegue resolver. Em outra organização, advogados passaram a delegar atividades contratuais rotineiras para concentrar sua atuação em estratégia de negociação e avaliação de risco. Quanto mais o trabalho previsível é absorvido pela automação, mais o trabalho restante tende a se concentrar justamente no julgamento especializado.

Talvez, portanto, a próxima grande fronteira da IA corporativa não esteja em eliminar todas as exceções, mas em construir sistemas capazes de lidar melhor com elas. O middle office torna esse desafio especialmente visível porque ocupa o espaço em que processos, conhecimento e julgamento se encontram todos os dias. Quando a regra termina, a decisão começa. E à medida que agentes de IA avançam para esse território, a vantagem competitiva não virá apenas de modelos capazes de inferir mais, mas da capacidade das organizações de tornar sua própria lógica de decisão suficientemente explícita para que a inteligência artificial possa operar de forma situada, coerente e responsável dentro dela.