Questionário
Ambição em IA e automação
Onde deixa os agentes de IA decidir, onde apenas aconselhar, e que portões humanos se mantêm? Não "IA em todo o lado", mas uma escolha direcionada por caso de uso — com responsabilidade humana nos sítios certos.
Atualizado em 18/05/2026
Questionário · 4.12
Porquê agora — e não mais tarde
A tentação é arrumar a IA como “fase 2” (“primeiro estabilizamos, depois IA”). Mas as escolhas de configuração que faz agora — classificações, estrutura da base de conhecimento, campos dos tickets — determinam diretamente o quão bem a IA poderá funcionar depois. Decida agora que nível pretende por caso de uso; é isso que orienta a qualidade dos dados que assenta hoje.
O que entrega?
Matriz de ambição em IA
Por caso de uso: nível (aconselhar / assistir / agir), com critérios de sucesso e dono.
Portões humanos
Onde é que um humano intervém: em cada ação, em alto impacto, em caso de incerteza?
Requisitos de qualidade de dados
Que classificações, artigos de conhecimento e histórico são necessários para concretizar a matriz?
Governação e transparência
Que registos, auditorias e explicações dá aos utilizadores finais e aos reguladores?
Os três níveis
Nível 1 — Aconselhar
A IA sugere (categoria, resolução, resposta). O agente decide e age. Ponto de partida mais seguro.
Nível 2 — Assistir
A IA executa ações parciais (classifica, encaminha, redige a primeira resposta). O humano revê e confirma.
Nível 3 — Agir
A IA age por si própria dentro de limites pré-definidos. O humano verifica via dashboards ou auditoria a posteriori.
Perguntas-chave
- 1Que casos de uso quer apoiados por IA — classificação de tickets, primeira resposta, pesquisa na base de conhecimento, deteção de no-show, anomalia de ocupação, encaminhamento automático?
- 2Por caso de uso: que nível (1/2/3) é o seu alvo na fase 1, e qual o roadmap para a fase 2/3?
- 3Fronteiras — que decisões a IA nunca pode tomar de forma autónoma (médica, jurídica, financeira acima de X €)?
- 4Transparência para o utilizador final — como informa os utilizadores de que é a IA a responder? Etiquetas, avisos, opção de recusar?
- 5Requisito de qualidade dos dados — que profundidade de classificação e maturidade da base de conhecimento precisamos para atingir cada nível com fiabilidade?
- 6Ciclo de feedback — como recolhe correções (o agente rejeita uma classificação errada)? Isto alimenta o modelo?
- 7Conformidade e AI Act — que casos de uso caem em que categoria de risco? Documentação, registo, supervisão humana?
- 8Privacidade e uso de dados — que dados pode a IA ver (todo o conteúdo do ticket, apenas metadados)? Anonimizar? Contrato de tratamento de dados?
- 9KPIs de sucesso da IA — taxa de adoção, exatidão, correções pelos agentes, tempo poupado, satisfação dos utilizadores.
- 10Procedimento de rollback — se a IA errar, como faz rapidamente o regresso de um caso de uso ao nível 1?
Modelo — Matriz de ambição por caso de uso
| Caso de uso | Fase 1 | Fase 2 | Fronteira (nunca) | Requisito de qualidade de dados | Dono |
|---|---|---|---|---|---|
| Classificação de tickets | Aconselhar | Assistir | Incidentes major | Classificação de 3 níveis + 500+ tickets históricos | Service Manager |
| Resposta da base de conhecimento | Assistir | Agir | Questões de RH/jurídicas | 200+ artigos KB com tags FAQ | Gestor de Servicedesk |
| Deteção de no-show | Aconselhar | Agir | Boardroom e salas VIP | Dados de check-in ≥ 3 meses | Gestor FM |
| Anomalia de ocupação | Aconselhar | Aconselhar | Planeamento de pessoal | Sensores IoT ativos | Workplace lead |
| Encaminhamento automático de tickets | — | Assistir | Incidentes P1 | Grupos de trabalho + skill tags definidos | Service Manager |
| … | … | … | … | … | … |