Hoje, toda apresentação de fornecedor, apresentação para o conselho e estratégia de reunião gira em torno de uma promessa intoxicante: a IA vai erradicar o atrito da sua empresa. Vamos automatizar os gargalos, eliminar a burocracia e executar na velocidade da máquina.

O problema não é que a IA não possa fazer essas coisas. O problema é que ela absolutamente pode.

Quando você dá a uma empresa o poder de vaporizar instantaneamente o atrito operacional, a coisa mais perigosa que ela pode fazer é começar a eliminar tudo sem perguntar para que aquele atrito servia originalmente.

Entra o livro de G.K. Chesterton de 1929, The Thing, especificamente um capítulo intitulado “The Drift from Domesticity” (A Deriva da Domesticidade), que introduziu um princípio que silenciosamente se tornou o santo padroeiro da engenharia de sistemas: A Cerca de Chesterton.

A premissa é simples. Você está caminhando por uma estrada e encontra uma cerca bloqueando seu caminho. Você não vê motivo para ela estar ali. O instinto do reformador moderno (ou do líder de projeto de IA) é derrubá-la.

A resposta de Chesterton?

“Se você não vê a utilidade dela, certamente não vou deixar você removê-la. Vá embora e pense.”

O ponto dele não era que a cerca tinha que permanecer ali. Era que você não tinha o direito de removê-la até entender por que ela foi construída. Depois de entender seu propósito, você poderia decidir de forma informada se aquele propósito ainda importava.

Na pressa de implantar IA empresarial, estamos arrancando cercas antes de saber por que foram erguidas. Estamos confundindo resiliência estrutural com burocracia.

Na era dos agentes autônomos, o atrito não é necessariamente um problema. Às vezes, é a característica mais importante do sistema.

A “Regra Inútil” Pode Ser um Disjuntor Oculto

O atrito em um processo de negócios pode servir a propósitos que nunca aparecem na documentação do processo. Às vezes esses propósitos foram intencionais. Às vezes surgiram completamente por acidente.

Pegue o procurement padrão. Um gerente precisa de uma licença de software, mas o pedido necessita de três aprovações e fica em uma fila por quatro dias. Um fornecedor de IA aparece: “Nosso agente valida o orçamento, verifica o razão geral e emite a ordem de compra em segundos.”

O CIO assina o cheque. Atrito eliminado. Processo otimizado.

Mas e se esses quatro dias estavam fazendo algo que ninguém pensou em medir?

Talvez um responsável pelo procurement teria notado que o fornecedor estava sob escrutínio regulatório. Talvez alguém lembrasse que o marketing havia comprado uma ferramenta quase idêntica na semana passada. Talvez um revisor experiente questionasse por que uma compra de software aparentemente rotineira requeria acesso a dados sensíveis dos clientes.

O processo não estava apenas fazendo contas. Estava criando oportunidades para as pessoas notarem coisas que não faziam parte dos critérios formais de decisão.

Claro, às vezes a fila realmente é só uma fila. Ninguém revisa nada relevante, e o pedido passa quatro dias acumulando poeira digital.

Esse é justamente o ponto.

Você não pode dizer com que tipo de atrito está lidando apenas medindo o tempo que leva.

Aqui está a reviravolta: às vezes a burocracia não foi colocada por um arquiteto sábio tentando garantir segurança. Às vezes o processo é apenas desajeitado, irritante e mal projetado. No entanto, totalmente por acaso, esse gargalo irritante produz consequências positivas não intencionais.

Ele cria um amortecedor natural. Retarda a propagação de erros. Dá às pessoas uma chance de reconsiderar decisões antes que se tornem caras ou irreversíveis.

Se uma regra foi projetada para proteger o sistema ou apenas acontece de protegê-lo, remover essa regra pode eliminar salvaguardas que você nunca percebeu que tinha.

O fato de ninguém ter previsto que um processo proteja não significa que ele não esteja protegendo.

Amplificando o Raio de Impacto

Protótipos de IA tendem a mostrar o “Caminho Feliz” — dados limpos, prompts perfeitos, execução impecável. Em um ambiente de teste, o atrito simplesmente parece falta de imaginação.

Mas o mundo real não é um ambiente de testes.

O mundo real é onde a realidade bagunçada colide com a automação rígida, onde exceções são mais interessantes que regras, e onde as falhas mais graves geralmente surgem de condições que ninguém pensou em incluir na suíte de testes.

Existe uma enorme lacuna entre inteligência e autoridade.

Inteligência é analisar dados e raciocinar sobre um problema. Autoridade é mudar sistemas centrais, reescrever regras de segurança ou gastar dinheiro real da empresa.

Ao otimizar estritamente para velocidade, corremos o risco de dar à IA ambos, presumindo que porque um agente produz respostas convincentes, ele pode ser confiável para agir com base nelas.

Mas a capacidade de um sistema recomendar uma ação nos diz muito pouco sobre se ele deveria ter permissão para executar essa ação.

Um pedido parado na fila de um humano por quatro dias pode ser terrivelmente ineficiente. Mas uma revisão significativa pode dar a um operador experiente tempo para cruzar referências com eventos recentes, desafiar suposições e notar consequências que não foram incluídas na solicitação original.

Um agente autônomo pode executar a mesma decisão equivocada em toda a operação antes mesmo do erro aparecer em um painel.

E, ao contrário de um funcionário humano tomando uma decisão questionável de cada vez, uma rede coordenada de agentes pode propagar um erro simultaneamente por sistemas, departamentos e até organizações.

Aplicar um agente de IA a um processo de negócios quebrado ou mal compreendido não o conserta. Pode simplesmente ajudar você a cometer erros terríveis na velocidade da luz.

Ao derrubar a cerca da supervisão humana, não apenas liberamos um gargalo.

Podemos ter ampliado o raio do impacto.

Testando Ambições da Indústria contra a Cerca

A tentação de eliminar o atrito é mais forte em ambientes complexos e de alto risco. São também os lugares onde um processo humano aparentemente ineficiente pode estar cumprindo várias funções ao mesmo tempo.

Considere a saúde.

O sonho é que a IA cuide das chamadas de admissão de pacientes, combine sintomas com diretrizes clínicas e direcione os pacientes ao atendimento adequado.

Há valor genuíno nessa ambição. Melhor triagem, respostas mais rápidas e acesso facilitado ao cuidado são objetivos válidos.

Mas enfermeiros não são simplesmente árvores de decisão ambulantes.

Pacientes frequentemente estão aterrorizados, envergonhados, confusos ou simplesmente péssimos em articular o que realmente está errado. Um profissional clínico pode reconhecer que uma queixa rotineira esconde algo mais sério, ou que um paciente está omitindo informações porque ainda não se sente confortável para compartilhá-las.

Um sistema de IA pode fazer perguntas clinicamente apropriadas. Alguns pacientes podem até achar mais fácil revelar informações sensíveis para uma máquina. Mas isso não elimina a importância de relacionamentos, contexto e responsabilidade profissional.

O risco não é que a IA participe da admissão do paciente. É que confundamos coleta de informações eficiente com o cuidado integral do paciente.

Ou pense na cadeia de suprimentos.

Se um fornecedor atrasa uma entrega, um agente autônomo poderia vasculhar o mundo, avaliar alternativas, negociar termos e executar um contrato substituto antes que alguém do procurement termine o café da manhã.

Parece fantástico.

Mas procurement não é apenas um exercício matemático de casar especificações com preços.

Profissionais experientes entendem relacionamentos, históricos de fornecedores, ambiguidades contratuais, riscos geopolíticos e a diferença entre o que um fornecedor promete e o que pode entregar de fato.

Às vezes a pergunta crucial não é respondida pelos dados disponíveis. Surge quando alguém questiona por que a explicação do fornecedor mudou, solicita evidências de uma alegação desconfortável ou lembra um problema de três anos atrás que nunca foi registrado no banco de dados do fornecedor.

A IA pode ajudar a analisar esses riscos. Pode até identificar padrões que humanos perdem. Mas otimizar com base em critérios conhecidos não é o mesmo que saber se esses critérios capturam o risco real.

Imagine a indústria de seguros.

A ambição é criar um app onde clientes carreguem fotos de danos à propriedade, um IA avalia a imagem, verifica a apólice e paga em segundos.

Para sinistros simples e bem compreendidos, isso poderia ser um avanço tremendo.

Mas quando um perito visita uma cozinha incendiada, ele não está apenas avaliando o custo de reposição dos armários. Está lidando com uma pessoa cuja casa pode ter sido destruída.

Está avaliando evidências, investigando inconsistências, entendendo circunstâncias e explicando decisões que podem ter enormes consequências para a vida de alguém.

Isso não significa que peritos humanos possuem alguma habilidade mágica para detectar fraude por intuição ou linguagem corporal. Não possuem. O julgamento humano é falível, e suspeita não é evidência.

Significa que o processo de sinistro envolve mais que calcular danos. Envolve investigação, discrição, comunicação, justiça e capacidade de desafiar uma conclusão inicial.

Quando automatizamos a transação, precisamos ter certeza de que não automatizamos essas responsabilidades.

Em finanças, a IA pode monitorar milhões de transações e identificar padrões de comportamento suspeito em uma escala que nenhuma equipe humana conseguiria.

Isso é progresso.

Mas lavagem de dinheiro é um problema de comportamento humano além de um problema de dados. Padrões evoluem. Criminosos se adaptam. Transações legítimas podem parecer suspeitas, e transações suspeitas podem parecer perfeitamente normais.

Um analista humano investigando uma anomalia pode entender circunstâncias econômicas locais, relacionamentos comerciais ou comportamentos incomuns mas legítimos que não estão representados no modelo.

A questão importante não é se humanos ou máquinas são melhores em detectar transações suspeitas.

É se a arquitetura combina suas forças ao mesmo tempo que preserva a capacidade de investigar, contestar e corrigir decisões.

Finalmente, considere recursos humanos.

Um chatbot de IA poderia lidar com disputas iniciais dos funcionários, resumir reclamações, avaliar painéis de desempenho e redigir planos de melhoria de desempenho sem esperar uma reunião com RH.

Para trabalhos administrativos rotineiros, isso pode ser exatamente o que os funcionários precisam.

Mas disputas no local de trabalho não são apenas desacordos sobre política.

Envolvem poder, medo, histórias pessoais, tensões não ditas e pessoas que podem estar correndo riscos consideráveis ao pedir ajuda.

Um sistema pode citar o manual do funcionário com precisão enquanto compreende totalmente a situação humana em que o manual está sendo aplicado.

Um profissional experiente de RH pode reconhecer quando um processo disciplinar formal é inadequado, quando uma conversa precisa acontecer em particular ou quando o problema aparente é apenas um sintoma de algo mais profundo.

Humanos também podem lidar mal dessas situações. Isso não é um argumento contra a automação. É um argumento contra confundir correção processual com sabedoria organizacional.

Em todas essas indústrias, o padrão é o mesmo.

Identificamos uma interação humana cara, definimos como atrito e projetamos um sistema que pode contorná-la.

Só depois descobrimos que a interação fazia mais do que a transação que medimos.

O Gargalo que Vale a Pena Manter

O verdadeiro desafio não é decidir se a IA deve substituir o trabalho humano.

É decidir onde o julgamento humano cria valor, onde ele apenas atrasa, e onde um sistema automatizado deveria poder agir independentemente.

Considere engenharia de software.

Um agente de IA pode gerar uma migração de banco de dados, modificar um serviço de autenticação ou reescrever uma configuração de implantação com velocidade extraordinária.

Pode produzir código excelente.

Mas o engenheiro sênior que insiste em revisar a migração antes de ir para produção não é necessariamente um obstáculo à produtividade.

Ele está fazendo perguntas que nem sempre aparecem na especificação.

O que acontece se precisarmos reverter isso? Quais suposições estamos fazendo sobre os dados existentes? Que outros sistemas dependem desse comportamento? O que ocorre quando essa mudança interage com uma falha que não está coberta pelos nossos testes?

O engenheiro não é valioso simplesmente por ser humano. É valioso porque entende consequências, dependências e a história das decisões que moldaram o sistema.

Esse engenheiro sênior é o atrito.

E seu atrito pode ser o ativo mais valioso que a empresa possui.

O objetivo deve ser automatizar o trabalho tedioso que impede especialistas de exercer julgamento — não automatizar o julgamento em si.

Às vezes a arquitetura certa elimina dez etapas de aprovação e fortalece a décima primeira.

Às vezes permite que agentes tomem milhares de decisões rotineiras enquanto preserva autoridade humana sobre aquelas que podem causar danos irreversíveis.

Às vezes substitui uma fila de quatro dias por uma decisão automática em segundos.

E às vezes introduz deliberadamente uma pausa.

O ponto não é que todo processo precise de um humano. É que toda decisão consequente precisa de um mecanismo apropriado para contestação, correção e responsabilidade.

Velocidade é uma capacidade.

Julgamento é uma responsabilidade.

Confundir os dois é como organizações transformam progresso tecnológico em fragilidade institucional.

Como Abordar a Cerca

A lição aqui não é congelar sua empresa no âmbar.

A Cerca de Chesterton não é uma desculpa para acumular burocracia inchada ou defender sistemas legados só porque são antigos.

Algumas cercas estão obsoletas. Algumas foram mal projetadas. Algumas protegem interesses arraigados em vez das pessoas que deveriam servir.

E algumas deveriam ter sido derrubadas há décadas.

A lição é que o entendimento deve preceder a otimização.

Antes de substituir um fluxo de trabalho humano por um agente autônomo, você deve entender o que esse fluxo realmente realiza — não apenas o que o diagrama do processo diz que ele realiza.

Que decisões as pessoas tomam que nunca são registradas? Que erros são capturados informalmente? Que relacionamentos estão sendo mantidos? Que riscos são absorvidos por atrasos, revisões e oportunidades de reconsideração?

E se essas funções importam, como o novo sistema as preservará?

Talvez a IA possa executá-las melhor. Talvez um processo redesenhado elimine aprovações desnecessárias enquanto oferece salvaguardas mais fortes. Talvez o sistema possa ser ao mesmo tempo mais rápido e mais seguro.

Esse é o resultado que devemos buscar.

Mas você tem que demonstrar que considerou as consequências, não apenas que acelerou a transação.

Pare de perguntar, “Como usamos IA para fazer isso mais rápido?”

Comece a perguntar, “Que desastre esse processo lento estava prevenindo, que conexão humana estava preservando, e como saberemos se perderemos algum dos dois?”

Se você puder responder essas perguntas, e demonstrar que sua nova arquitetura de IA leva em conta os riscos, então você ganhou o direito de derrubar a cerca.

Até lá, respeite o atrito.

Pode ser a única coisa impedindo o telhado de desabar.


Fontes e leituras adicionais