O que a IA não vai aprender com você

Transportadora, 540 pessoas, frota própria e agregados. A programação de cargas é feita por três pessoas, e uma delas, com 19 anos de casa, resolve os casos difíceis. Perguntada sobre como decide, ela responde coisas verdadeiras e inúteis: 'depende do cliente', 'esse aí não aceita entrega depois das 15h', 'quando é aquela rota eu não mando o motorista novo'. Nenhuma dessas frases está escrita em lugar algum.

A empresa tentou colocar um agente para propor a programação. O agente tinha acesso a tudo o que estava em sistema — pedidos, distâncias, disponibilidade, custo. Errava justamente nos casos que a pessoa de 19 anos resolvia em trinta segundos. Não é falha de modelo. É um problema com nome desde 1966.

01O paradoxo de Polanyi #

Michael Polanyi publicou The Tacit Dimension em 1966, condensando numa frase o argumento que atravessa o livro: sabemos mais do que conseguimos dizer. O conhecimento tácito é aquele que se demonstra na execução e não se transmite por descrição — reconhecer um rosto, andar de bicicleta, perceber que um cliente vai reclamar antes de ele reclamar.

David Autor trouxe a ideia para a economia do trabalho em 'Why Are There Still So Many Jobs?', publicado no Journal of Economic Perspectives em 2015. O argumento dele: tarefas que dependem de conhecimento tácito resistem à automação não por serem complexas, mas por não conseguirmos especificar as regras que seguimos ao executá-las. Autor batizou isso de paradoxo de Polanyi.

Uma ressalva honesta, que o próprio Autor antecipa: o aprendizado de máquina contorna parcialmente o paradoxo, porque aprende de exemplos em vez de regras. Onde há muitos exemplos rotulados, a barreira cai. Onde não há — e na programação de cargas de uma transportadora média não há —, ela continua exatamente onde estava.

02Por que isso decide o resultado do agente #

Um agente decide com base no que percebe. O que ele percebe é o que está registrado. Na transportadora, o sistema registrava o pedido e a entrega; não registrava que o cliente X recusa entrega no fim da tarde, que a rota Y tem um trecho que motorista novo não faz bem, ou que aquele agregado atrasa sempre no primeiro dia útil do mês.

Essas três informações não são segredo nem complexidade: são conhecimento tácito operacional, guardado em três cabeças. Enquanto estiverem lá, nenhum modelo as descobre — e o agente vai continuar propondo programações que a pessoa experiente rejeita em trinta segundos, o que rapidamente encerra o projeto por descrédito.

A conclusão operacional é direta e pouco animadora para quem esperava atalho: IA rende na proporção do contexto que a empresa consegue tornar explícito. A parte cara do projeto não é o modelo; é a conversa com quem sabe.

03O que dá para explicitar, e como #

Nonaka descreveu, no artigo de 1991 na Harvard Business Review, o movimento de converter conhecimento tácito em explícito — e a condição para isso: proximidade, observação e diálogo, não formulário. Traduzido para a transportadora, funcionou assim.

1. Observar a decisão acontecendo. Alguém sentou ao lado da programadora por quatro turnos e anotou cada exceção com o motivo dito em voz alta. Trinta e uma exceções em quatro dias.
2. Perguntar pelo caso, não pela regra. 'Por que esse não pode?' rende resposta; 'quais são seus critérios?' não rende nada.
3. Transformar exceção em campo. Vinte e duas das trinta e uma exceções viraram atributos registráveis: janela de entrega por cliente, restrição de rota por experiência, histórico de pontualidade por agregado.
4. Deixar as nove restantes com a pessoa. São as que dependem de leitura de situação. O escopo do agente foi desenhado para parar nelas.
5. Registrar na origem. Os novos atributos passaram a ser preenchidos no momento da decisão, não em um cadastro paralelo que envelhece em dois meses.

Quer ver como isso fica dentro de uma operação de verdade? Conheça a plataforma.

O quarto item é o mais importante e o mais ignorado. A tentativa de explicitar tudo produz documentação falsa: a pessoa escreve o que acha que deveria fazer, não o que faz. Aceitar que uma parte permanece tácita é o que torna o resto confiável — é o mesmo cuidado descrito em o que só o Paulo sabe.

Vale lembrar o limite prático disso. Explicitar conhecimento é trabalho de gente ocupada, e conhecimento explicitado envelhece: a regra de crédito escrita em março deixa de valer quando a política comercial muda em julho. Por isso o registro só se sustenta quando tem dono, data de revisão e um lugar único onde vive — de preferência o mesmo lugar onde o processo roda, e não um arquivo que ninguém reabre. Quando o registro fica fora da operação, ele vira documentação morta em poucos meses, e a empresa volta a depender da memória de uma pessoa. O que sobrevive é o que é usado todo dia, corrigido no atrito e mantido por quem executa, não por quem documenta.

04A conta do contexto #

Premissas declaradas, na escala da transportadora — refaça com os seus números:

Quatro dias de observação alteraram mais o desempenho do agente do que qualquer troca de modelo teria alterado. É um resultado sem glamour, e é o resultado típico. Vale registrar também a proveniência desse contexto: quem informou, quando, e com que validade — a prática de documentar a origem dos dados que alimentam um sistema, defendida por Timnit Gebru e colegas em 'Datasheets for Datasets' (Communications of the ACM, 2021), vale igual para o contexto operacional de uma transportadora.

05O que fazer nesta semana #

Na Relevanti, o contexto que a operação torna explícito fica no mesmo lugar em que o agente trabalha, em vez de num documento à parte — veja a plataforma, o recorte por área em soluções ou traga a sua decisão mais dependente de uma pessoa só para uma conversa.

Polanyi não escreveu contra a automação: escreveu sobre o que é o conhecimento humano. Sessenta anos depois, a frase dele virou a régua mais prática que existe para projetos de IA — o agente aprende o que você conseguiu dizer, e nada além disso.