Dez situações reais de escritório e de tribunal. Cada grupo indica a família tecnológica adequada e justifica. Duas das dez se resolvem melhor sem IA nenhuma.
Dizer a que categoria conhecida uma coisa pertence.
Estimar um valor ou resultado futuro a partir de histórico.
Descobrir grupos que ninguém definiu antes.
Encolher mantendo o essencial: resumir, destacar, reduzir a palavras-chave. Sai menos do que entrou.
Mudar a forma sem perder conteúdo: extrair, tabular, traduzir. Sai a mesma informação, em outro formato.
Produzir texto novo a partir de instrução.
Regra clara e dado estruturado. Uma busca, um filtro, um gatilho — e nenhuma linha de IA.
As categorias já existem. É o caso mais clássico de classificação, e a IA generativa é a escolha cara aqui.
Ninguém definiu as categorias. É agrupamento, e o resultado precisa de leitura humana para receber nome.
Sai menos do que entrou, e alguém decide o que some. Compare com a situação 9: lá nada deveria sumir. Esta é a diferença entre simplificar e transformar, e é a que mais cai na prova da vida.
A tarefa mais automatizável da pirâmide, e a que mais precisa de revisão antes de sair assinada.
Pede dado histórico estruturado, não texto gerado. Modelo de linguagem não faz isso, por mais convincente que a resposta pareça.
Regra clara e dado estruturado. Uma busca de texto resolve, custa quase nada e é auditável. Aqui a turma quase sempre marca gerar.
É gatilho por regra, ou seja, automação pura. Não há nada para aprender: a data ou está dentro da janela, ou não está.
Dentro do padrão ou fora dele: duas categorias conhecidas. Vira agrupamento só se ninguém souber definir o padrão.
Extração estruturada: a mesma informação, em outro formato, e dá para conferir campo a campo contra a certidão. O gargalo não é o modelo, é a qualidade do escaneamento.
Previsão sobre decisões públicas. Legítimo como estatística, e é aqui que começa a conversa sobre os limites do profiling.