IA na gestão da qualidade: o que automatizar e o que não

Fui bolsista na graduação em Engenharia de Produção e passei pela empresa júnior. A primeira coisa que me pediram num projeto de qualidade foi escrever procedimento. Escrevi, mandei, e nunca soube se alguém leu. Levei anos de indústria para dar nome ao incômodo. Num sistema de gestão da qualidade quase todo o esforço vai para alimentar o sistema. Muito pouco volta dele como decisão. É esse desequilíbrio que a IA na gestão da qualidade mexe.

Este texto não trata do que a inteligência artificial é. Ele trata do que ela faz com as cinco peças que sustentam a gestão da qualidade no dia a dia. São elas: procedimento, registro, não conformidade, indicador e análise crítica. Em cada uma eu separo o que a máquina adianta do que continua sendo trabalho de gente. E digo quanto custa errar essa separação. É uma separação prática, não filosófica. Ela define quem assina o quê.

A régua do texto são os sete objetivos da Gestão da Qualidade que Andreoli e Bastos listam. Eu os reproduzo no capítulo 2 do meu livro, na página 16. Cada objetivo vira uma linha de decisão. No fim você baixa a tabela preenchida para levar à sua próxima reunião de análise crítica. A discussão deixa de ser sobre a tecnologia e passa a ser sobre a sua operação.

O que a IA muda na gestão da qualidade

A IA na gestão da qualidade automatiza a parte documental e analítica do sistema. Ela redige e revisa procedimento, extrai dado de registro manuscrito e agrupa não conformidade por semelhança. Também calcula indicador e prepara a pauta da análise crítica. A decisão sobre risco, prioridade e recurso continua sendo humana.

Repare no que essa frase não diz. Ela não diz que a máquina decide melhor. Ela diz que a máquina assume o transporte de informação. É aí que a gestão da qualidade gasta a maior parte das horas de quem trabalha nela.

Alguém digita o que já estava escrito. Alguém copia da planilha para o slide. Alguém procura em qual pasta ficou a versão vigente. Esse trabalho tem valor zero para o cliente e ocupa a agenda inteira do time.

Quando eu era coordenador, a conta que eu fazia era simples e desconfortável. De cada dez horas do meu analista, sete iam para produzir o registro e três para olhar o que ele dizia. Inverter essa proporção sempre foi o objetivo de qualquer programa de melhoria contínua que eu vi funcionar. A diferença é que agora existe uma ferramenta capaz de fazer a inversão. E ela faz isso sem contratar mais ninguém e sem trocar o sistema.

Vale desarmar uma confusão de vocabulário antes de seguir. Automatizar tarefa de escritório com regra fixa é automatização de processos. Isso a área de gestão da qualidade faz desde a primeira macro de planilha. O que mudou com os modelos de linguagem é a capacidade de lidar com texto ambíguo, escrito por gente diferente, sem regra prévia.

Essa parte antes exigia leitura humana. Agora não exige mais.

E existe o outro lado. É por causa dele que este artigo não se resolve em três seções. Sistema de gestão da qualidade é um objeto auditável. Ele responde a requisito de norma, a cliente e, em muitos setores, a órgão regulador. Colocar uma ferramenta generativa no meio de um processo auditável sem definir quem assina o resultado é criar um passivo.

Ele não aparece hoje. Aparece na próxima auditoria.

A pergunta que organiza o resto do texto é sempre a mesma, aplicada peça por peça. Essa tarefa termina em documento ou termina em assinatura? Se termina em documento, a máquina ajuda muito. Se termina em assinatura, ela prepara e alguém responde. Essa pergunta única mantém a conversa sobre IA na gestão da qualidade fora do terreno da opinião. Ela se responde olhando o processo, não a ferramenta.

Os sete objetivos do livro virados em linha de decisão

O capítulo 2 do meu Guia Prático Lean Seis Sigma Black Belt se chama “Melhoria Contínua e Gestão da Qualidade”. Na página 16 eu escrevo: “Na obra Gestão da qualidade: Melhoria Contínua e busca pela excelência, Andreoli e Bastos destacam os objetivos da Gestão da Qualidade no contexto organizacional”. São sete, e nenhum deles fala de documento. Todos falam de resultado: conformidade, otimização de processo, menos retrabalho e gente capacitada. Falam também de relação com o consumidor, controle contínuo do desempenho e flexibilidade para se ajustar.

Essa lista é a régua mais honesta que eu conheço para testar qualquer novidade que chega na área. Se a ferramenta não move nenhum dos sete, ela é entretenimento. A tabela abaixo passa a IA por cada objetivo. Ela separa duas colunas que quase todo fornecedor mistura: o que a máquina adianta e o que continua dependendo de julgamento humano.

A coluna da direita é a que costuma sumir das apresentações comerciais. Ela é a parte cara. É também a parte que a norma cobra de você. Nenhum requisito de sistema de gestão da qualidade admite resposta do tipo “o algoritmo entendeu assim”. Alguém responde pelo achado, com nome e função.

Repare também na natureza das duas colunas. A da esquerda é feita de leitura, comparação e cálculo. Ela cresce sem limite com o volume de dado. A da direita é feita de presença, contexto e responsabilidade, e não escala. Toda vez que uma empresa tenta escalar a coluna da direita com software, ela produz um sistema que parece completo. Esse sistema não sustenta uma auditoria de meio dia.

É por isso que eu resisto a discutir IA na gestão da qualidade em termos de porcentagem de automação. A pergunta não é quanto do trabalho a máquina cobre. A pergunta é qual metade ela cobre, e quem fica com a outra.

Baixar a tabela de decisão: automatizar, apoiar ou manter humano

Procedimento: escrever é barato, manter é que sai caro

Todo mundo que trabalha com padronização conhece a curva. O procedimento nasce bem escrito e é aprovado com festa. Depois envelhece em silêncio.

Dois anos mais tarde ele descreve um processo que não existe mais. O operador faz certo apesar do documento, não por causa dele.

Escrever a primeira versão é onde a IA na gestão da qualidade rende mais rápido. Você entrega a ela a gravação da conversa com o operador, o desenho do fluxo e o padrão de formatação da sua casa. Em minutos recebe um rascunho estruturado. O que demorava porque alguém precisava sentar e redigir passa a demorar o tempo de revisar.

O ganho maior, porém, não está na escrita. Está na manutenção. Um modelo consegue ler os cem procedimentos da sua pasta. E responde perguntas que ninguém tem paciência para responder na mão:

• quais documentos citam um equipamento que já foi desativado;
• quais se contradizem quanto ao mesmo limite de processo;
• quais referenciam um formulário que mudou de código;
• quais nunca foram revisados desde a última mudança de layout;
• quais usam um termo que a sua casa aposentou há três anos.

Essa varredura é chata e é mecânica. É exatamente o tipo de tarefa em que a máquina não se cansa. Feita por gente, ela consome uma semana de analista e ninguém a faz. Feita pela máquina, vira rotina mensal. E alimenta o plano de revisão documental do ano.

A varredura também tem onde errar, e vale saber onde antes de confiar nela. Contradição de limite numérico ela acha bem, porque o número está escrito no documento. Referência a formulário que mudou de código ela acha quando o código aparece no texto, e perde quando o procedimento cita o formulário só pelo nome. Equipamento desativado ela só acha se a lista de desativados for junto no lote. Sem essa lista, o modelo não tem como saber que a bomba 7 saiu de operação em março.

A regra que eu uso é curta. O rascunho pode ser da máquina. A aprovação nunca.

Quem assina o documento é quem responde por ele na auditoria. Assinar sem ler o que a máquina escreveu é a forma mais rápida de colocar no sistema uma instrução que ninguém consegue executar.

Vale um cuidado extra com o tom. Modelo generativo tende a produzir texto genérico e bonito. Procedimento bom é o contrário disso: específico, feio e curto. Se o rascunho voltar cheio de “garantir a excelência do processo”, jogue fora. Peça de novo com o verbo e o valor que o posto usa. Procedimento não é peça de comunicação institucional.

Eu demorei a enxergar o efeito de segunda ordem. Quando escrever fica barato, a empresa passa a escrever demais. E excesso de documento é um problema clássico da gestão da qualidade. O critério para criar procedimento continua sendo risco e repetição. Não é facilidade de produção. Sistema inchado é sistema que ninguém consulta.

Registro: o dado que ninguém lê

Existe uma quantidade enorme de informação parada em folha de verificação preenchida à mão. Está também em campo de observação de formulário e em relatório de turno. Ninguém lê. Não por preguiça, mas por aritmética. São milhares de linhas, e o analista tem uma semana de trabalho pela frente antes de qualquer leitura.

Aqui a IA na gestão da qualidade faz uma coisa que nenhuma planilha faz. Ela transforma texto solto em dado estruturado. A anotação “máquina 3 parou de novo, aquele barulho” vira equipamento, sintoma, turno e frequência. Depois disso é análise de dados comum. É o tipo de análise que a área já sabe fazer há décadas, e para a qual já existe ferramenta instalada.

Foi assim que eu deixei de ter medo da folha preenchida à mão. Durante anos eu tratei o campo livre como perda. A perda era minha. Estava tudo ali, o operador tinha escrito, e eu é que não tinha como ler. Ter cultura baseada em dados nunca foi ter mais dado. Sempre foi conseguir ler o que já existia dentro de casa.

Dois avisos práticos. O primeiro é a rastreabilidade. Guarde sempre o registro original ao lado da versão estruturada. O auditor vai pedir a evidência primária, e não a interpretação dela.

O segundo é a amostra de conferência. Antes de confiar na extração, pegue cinquenta registros, confira à mão e meça o acerto por campo.

Meça por campo, e não no agregado. O erro não se distribui igual. Data e turno saem quase sempre certos. Código de equipamento erra quando a nomenclatura interna é ambígua. Descrição de sintoma erra quando o operador usa gíria de setor. Saber onde a máquina erra é o que permite decidir. Você aceita um campo sem conferência e manda outro sempre para gente.

O ganho colateral costuma surpreender a liderança. Quando o registro passa a ser lido, o operador percebe. A qualidade do preenchimento sobe sozinha. Campo livre que ninguém lê vira campo livre mal preenchido, e essa é uma profecia que se cumpre nos dois sentidos. Gestão por processos também é isso. É fechar o laço entre quem registra e quem usa o registro.

Não conformidade: da descrição solta ao agrupamento útil

A não conformidade é o coração operacional da gestão da qualidade. É também o lugar onde o sistema mais mente para si mesmo. Cada pessoa descreve o mesmo problema de um jeito. Vazamento, gotejamento e perda de fluido viram três categorias diferentes. O diagrama de Pareto do fim do mês distribui em três barras baixas o que era uma barra alta.

Agrupamento semântico é uma das aplicações mais imediatas de IA na gestão da qualidade. O modelo lê as descrições, percebe que as três falam da mesma coisa e propõe a fusão.

O Pareto muda de forma. Com ele muda a prioridade da sua reunião. Essa reclassificação sozinha é capaz de mudar o foco de um plano anual inteiro, sem que nenhum dado novo tenha sido coletado.

O agrupamento erra de dois jeitos opostos, e cada um tem assinatura reconhecível. Ele funde demais quando duas falhas diferentes dividem o vocabulário do posto, e aí trinca de solda e trinca de pintura viram trinca. E funde de menos quando a mesma falha muda de nome entre turnos, porque cada turno herdou a gíria de um supervisor diferente. O primeiro erro esconde causa. O segundo mantém baixa a barra que você queria enxergar alta.

A segunda aplicação é a triagem por gravidade. Um modelo bem instruído lê a descrição e sugere classificação de risco. Isso acelera muito o começo do tratamento. A matriz GUT continua valendo como critério. Só que agora ela é preenchida em segundos e revisada por gente, em vez de discutida do zero em reunião de uma hora.

O limite aparece na causa-raiz. A máquina propõe hipótese plausível a partir do que está escrito. Plausível não é verificado. Ela nunca esteve no chão de fábrica, nunca ouviu o ruído e nunca viu o operador improvisar o ajuste que ninguém registrou. Confundir hipótese bem redigida com causa comprovada é o erro mais caro desta lista.

Ele gera ação corretiva que fecha o registro e não resolve o problema.

Esse erro tem um agravante estatístico. O modelo aprende do que está escrito. Por isso ele repete a explicação mais frequente no histórico. E a explicação mais frequente costuma ser a mais cômoda: falha do operador, falta de atenção, descuido. Quem trabalha com controle de qualidade há tempo suficiente sabe o que essa resposta esconde. Quase sempre é um problema de projeto ou de método.

Por isso eu mantenho o gemba walk no processo, inclusive quando o agrupamento vem pronto. A ida ao local não é folclore lean. É a única forma de transformar hipótese em evidência. E é também a única forma de descobrir o que ninguém escreveu porque achou óbvio demais para registrar.

Indicador: do fechamento mensal ao sinal contínuo

Quase todo indicador de qualidade que eu conheci nasceu atrasado. Ele mede o mês que passou e chega na reunião do mês seguinte. A essa altura o material já embarcou e o cliente já reclamou.

A gente chama isso de controle, mas é boletim escolar.

O que a IA na gestão da qualidade muda aqui é o tempo entre o evento e o sinal. Recalcular a série a cada lançamento é trivial para uma máquina. Detectar mudança de patamar é estatística conhecida, do tipo que o controle estatístico de processo formalizou décadas atrás. Junte as duas coisas e o indicador deixa de ser retrovisor.

Um risco aparece rápido nesse arranjo. Sinal automático em excesso vira ruído. Time que recebe alerta demais para de olhar alerta nenhum. Eu prefiro começar com dois indicadores críticos e alerta configurado com folga. Só aperto depois que o time confiar no que chega. Gestão à vista boa mostra pouca coisa com muita clareza.

A parte de interpretação não terceiriza. Distinguir causa comum de causa especial é julgamento técnico apoiado em regra, e a regra sozinha erra. Uma queda de produtividade pode ser deterioração do processo. Pode também ser a parada programada que alguém esqueceu de lançar no sistema. Só quem conhece a operação separa as duas coisas com segurança.

Vale medir também a capabilidade do processo com a mesma frequência. Indicador de resultado diz o que aconteceu. Capabilidade diz o que o processo é capaz de entregar amanhã, e essa é a informação que sustenta promessa comercial. Prometer prazo e tolerância sem olhar capabilidade é apostar. A conta chega na forma de reclamação de cliente.

Um cuidado de governança fecha a seção. Se o cálculo passa a ser feito por uma ferramenta, a fórmula precisa estar documentada e versionada. Ela é um item do sistema como qualquer outro. Governança de dados não é burocracia de TI aqui. É o que garante que o número de junho e o de dezembro medem a mesma coisa. É o que mantém a série histórica servindo para comparar.

Análise crítica: o que a direção deveria receber pronto

A reunião de análise crítica é a peça mais desperdiçada de todo o sistema de gestão da qualidade. Ela existe para a liderança decidir com base em evidência. Vira apresentação de slide construída na véspera. Quem constrói passou três dias copiando número de planilha.

Se existe um lugar em que a máquina devolve tempo puro, é esse. Consolidar resultado de auditoria, status de ação corretiva, desempenho de fornecedor, reclamação de cliente e evolução de indicador é trabalho de compilação. Compilação é o que ela faz melhor. O pacote pode chegar pronto na mesa antes da reunião, e não durante.

Quando o material chega pronto, o tempo da reunião muda de dono. Em vez de quarenta minutos de apresentação e dez de discussão, você inverte a proporção. Foi essa inversão que me convenceu de uma coisa. IA na gestão da qualidade não é assunto de TI. É assunto de agenda de liderança, e portanto de quem manda na agenda.

Há um uso adicional que quase ninguém explora e que eu recomendo. Peça à ferramenta o histórico de compromissos das últimas quatro reuniões, com o que foi prometido, por quem e com que prazo. A lista costuma ser constrangedora. É exatamente por isso que ela é útil. Sistema de gestão da qualidade que não cobra o próprio compromisso não fecha o ciclo que a norma pede.

Duas coisas continuam humanas, e são justamente as que dão sentido ao ritual. A primeira é a leitura política do dado. É enxergar o que o número não conta sobre a relação com aquele fornecedor. A segunda é o compromisso. Alguém precisa dizer o nome, a data e o recurso. Nenhum resumo automático assume responsabilidade, e a política da qualidade da casa existe para lembrar disso.

Foco no cliente e foco do cliente, com a máquina ouvindo

Há uma distinção no meu livro que parece detalhe de redação e não é. Foco no cliente é reconhecer que é ele quem define o sucesso do negócio. Analisa-se comportamento, situação financeira e perfil. Foco do cliente é ir além disso. É considerar sentimento, emoção e os demais fatores humanos que cercam a compra.

A diferença entre as duas nunca foi conceitual. Foi operacional. Comportamento e perfil cabem numa tabela, e por isso a área de gestão da qualidade sempre soube trabalhar com eles. Sentimento não cabe. Por isso ficou de fora por décadas, apesar de todo mundo saber que era ali que a recompra se decidia.

O que mudou é que texto virou dado analisável. Reclamação aberta, transcrição de atendimento, avaliação em loja e comentário de rede social podem ser lidos em volume. E podem ser classificados por tema e por intensidade. A pesquisa de satisfação deixa de ser a única fonte. Passa a ser a fonte que você usa para confirmar o que o texto espontâneo já apontou.

Cuidado com a armadilha da média. Classificar sentimento e reportar a nota agregada devolve você exatamente ao lugar de onde saiu. O valor está na cauda. É o punhado de clientes que descreve com precisão um defeito que sua inspeção de qualidade não pega. Satisfação do cliente se constrói lendo essas descrições, não a média delas.

Na prática eu peço três saídas para esse tipo de análise, e não uma. A primeira é o ranking de temas por volume, que é o que todo mundo já faz. A segunda é a lista de reclamações raras e específicas, que é onde mora o defeito novo. A terceira é a variação da linguagem ao longo do tempo. Mudança de vocabulário do cliente costuma anunciar problema antes do indicador acusar.

Esse é o uso de IA na gestão da qualidade que mais me surpreendeu na prática. Não porque a técnica seja difícil. É porque ele devolve para a área um material que sempre existiu e que ninguém conseguia abrir.

Planejar continua sendo trabalho de quem responde pelo processo

Uma seção curta do capítulo 2 trata do planejamento como base da gestão da qualidade. Ela envelheceu bem. A ideia é a de sempre. Qualidade não se inspeciona no fim, se planeja no começo. Quanto mais cedo você decide o que vai controlar, mais barato fica controlar.

Isso desmonta uma fantasia comum sobre IA na gestão da qualidade. Não existe modelo que escolha por você o que vale a pena controlar. Essa escolha depende de risco de negócio, de contrato com cliente e de apetite da diretoria. São informações que moram na cabeça de pessoas e em conversa fechada. Não estão no seu banco de dados.

O que a máquina faz muito bem é a fase seguinte. Depois que você definiu as características críticas, ela ajuda a montar o plano de controle. Sugere frequência de amostragem coerente com o histórico. E aponta onde o plano ficou frouxo em relação ao que já falhou antes. É trabalho de detalhamento, e detalhamento é barato para ela.

Ela também acelera a fase de geração de alternativas. Uma sessão de brainstorming com o time rende mais quando alguém traz uma lista prévia. São os modos de falha conhecidos daquele tipo de processo. O time não precisa aceitar a lista. Precisa reagir a ela, que é bem mais fácil do que partir da folha em branco.

Eu ordeno assim, e recomendo a mesma ordem para quem está começando. Primeiro a decisão humana sobre o que importa. Depois a máquina cobrindo o detalhamento. Inverter essa ordem produz um plano completo, elegante e desalinhado com o negócio. É o pior resultado possível, porque parece certo para quem lê de fora.

Certificação, auditoria e a assinatura que a máquina não dá

Mais adiante no mesmo capítulo eu falo das quatro principais certificações ISO. No Brasil a ISO está ligada à Associação Brasileira de Normas Técnicas, a ABNT, e as quatro são ISO 9000, ISO 14000, ISO/IEC 17025 e ISO 50001. Certificação é declaração de terceira parte sobre o seu sistema. Ela só vale porque alguém identificável colocou o nome embaixo.

É por isso que a pergunta “posso usar IA na gestão da qualidade para preparar auditoria?” tem duas respostas diferentes conforme o verbo. Preparar, sim, e muito. Levantar evidência dispersa, cruzar requisito com registro e apontar lacuna documental antes do auditor chegar é uso excelente. O risco que sobra é de procedência: o que vai para a pasta precisa ser o registro primário, e não a interpretação que a máquina fez dele.

Concluir, não. O parecer de auditoria interna é um julgamento assinado. Quando eu me formei auditor líder, a coisa que mais me marcou não foi a técnica de amostragem. Foi a responsabilidade pessoal do achado. Você escreve uma não conformidade e ela tem consequência para gente de verdade.

Pouca gente comenta o efeito colateral bom da preparação barata. Como ela custa pouco, dá para auditar mais vezes por ano com o mesmo time. A revisão de 2015 da ISO 9001 empurrou a gestão da qualidade para pensamento baseado em risco, e risco pede frequência.

Auditoria anual é foto. Auditoria trimestral é filme.

Antes de decidir qualquer coisa a partir de resumo produzido por modelo, vá à fonte. O texto e o escopo de cada norma se conferem no site da ISO, começando pela página oficial da ISO 9001:2015. A acreditação dos organismos que certificam no Brasil se confere no Inmetro. Resumo de norma é o tipo de conteúdo em que a alucinação passa despercebida. Ela soa exatamente como o original.

Três modos de falha que a ferramenta traz junto

O primeiro é a alucinação com cara de competência. O modelo cita uma cláusula de norma que não existe, com número, redação plausível e tudo.

Em conversa isso é constrangedor. Dentro de um procedimento aprovado, isso é achado de auditoria.

A alucinação de cláusula tem um padrão que ajuda a pegá-la. Ela erra o número com mais frequência do que erra o assunto, porque a redação plausível vem da estatística do texto e a numeração não tem regularidade que o modelo consiga imitar. Por isso a conferência barata é pelo número, contra o sumário da norma, e não pela leitura do parágrafo inteiro. Cláusula que não existe na numeração cai em dez segundos.

O segundo é a homogeneização. Quando todos os procedimentos passam pela mesma ferramenta, eles começam a se parecer. A especificidade que fazia o documento útil no posto some. O texto fica melhor de ler e pior de executar. Ninguém percebe até alguém errar seguindo a instrução.

O terceiro é o mais silencioso: a perda de competência do time. Se a máquina classifica toda não conformidade, o analista novo nunca aprende a classificar. Dois anos depois você tem um time que opera a ferramenta e não entende o método. Aí basta a ferramenta mudar de versão para a área parar.

Esse terceiro modo tem um custo que só aparece na crise. Um dia o sistema cai. Ou o cliente pede uma análise que a ferramenta não faz. Alguém precisa saber fazer na mão. Formar essa gente leva anos, e a decisão de não formar é tomada sem que ninguém a tome. Ela acontece por omissão, um mês de cada vez.

A defesa contra os três é a mesma e é barata. Amostragem humana permanente. Uma fração fixa do que a máquina produz é conferida por gente todo mês. O resultado fica registrado e acompanhado como indicador. É controle de qualidade aplicado ao próprio fornecedor de informação. É isso que a IA na gestão da qualidade passou a ser dentro da sua operação.

1. Defina a fração da amostra por tipo de tarefa, e escreva a fração no procedimento.
2. Registre acerto e erro por campo, não apenas o total, para saber onde a ferramenta falha.
3. Trate a queda de acerto como não conformidade, com tratamento e prazo.
4. Revise a fração a cada mudança de versão da ferramenta, porque desempenho anterior não vale.

Um piloto de IA na gestão da qualidade que cabe em trinta dias

A pergunta que eu mais recebo é por onde começar. Sem projeto grande, sem verba e sem depender da fila da TI.

Um caminho funciona porque ataca a dor mais óbvia. Ele produz evidência rápida o bastante para sobreviver à primeira troca de prioridade da empresa.

Escolha uma tarefa que seja frequente, textual e de baixo risco. Classificação de reclamação e extração de campo de folha preenchida à mão são as duas melhores portas de entrada para IA na gestão da qualidade. Fuja de liberação de lote e de decisão sobre desvio. Fuja de qualquer coisa que dependa de assinatura formal de aprovação. Ali o ganho é pequeno e o risco é enorme.

Meça o antes com honestidade. Quantas horas por semana essa tarefa consome hoje? E qual a taxa de erro atual, medida numa amostra que você mesmo conferiu? Sem esse número o piloto termina em impressão. Impressão não sustenta orçamento na reunião seguinte. Os indicadores de desempenho do piloto se definem antes dele começar, nunca depois.

A conferência da amostra também tem método, e o método muda o número que sai dela. Sorteie os registros, porque escolher os que você lembra puxa a amostra para os casos difíceis. Confira antes de ver a saída da máquina, porque ler a resposta primeiro contamina o julgamento de quem confere. E registre a divergência com o motivo, e não apenas o certo e o errado. O motivo é o que diz se o problema é da ferramenta ou de um campo mal desenhado no formulário.

Rode em paralelo por trinta dias. Máquina e pessoa fazendo a mesma tarefa, com resultado comparado toda semana. É mais trabalho durante um mês. E é o único jeito de saber onde a ferramenta erra antes de ela virar o processo oficial. No fim, você tem dado para decidir, e não uma demonstração de fornecedor.

Só então escreva o procedimento do novo processo. Diga o que a ferramenta faz, o que a pessoa confere e quem assina. A gestão da qualidade não muda de natureza porque entrou software novo no meio. Continua valendo o mesmo ciclo de padronizar, medir e corrigir que sustenta qualquer definição séria de qualidade.

O piloto por dentro: um caso ilustrativo de classificação de reclamação

O roteiro de cima fica mais fácil de julgar quando alguém o percorre inteiro. O caso desta seção é construído, montado para este artigo em cima do próprio roteiro, e não descreve cliente nenhum: não há empresa nomeada, não há pessoa nomeada, e os números estão aqui para mostrar a mecânica da decisão. O cenário é um operador logístico de porte médio, com quatro centros de distribuição e três pessoas na equipe da qualidade.

A tarefa escolhida foi a classificação de reclamação de cliente, que cumpre os três requisitos da seção anterior: frequente, textual e de baixo risco. As reclamações chegavam por três canais, o formulário do site, o e-mail da conta e a ligação transcrita pelo call center, e caíam todas numa planilha única, com um campo de texto livre e um campo de categoria. A lista de categorias tinha onze opções, criadas em épocas diferentes, e duas delas diziam a mesma coisa com palavras diferentes.

O volume rodava perto de mil e duzentas reclamações por mês. Uma pessoa gastava em torno de seis horas por semana só para classificar, e a conferência apontava divergência em pouco mais de um quinto dos registros: dois analistas liam a mesma reclamação e escolhiam categorias distintas. Divergência entre dois avaliadores sobre o mesmo registro é o que a análise do sistema de medição chama de reprodutibilidade, e ela vale para julgamento humano tanto quanto para instrumento.

O relatório mensal saía dessa planilha, e a decisão de onde investir saía do relatório. É por isso que categoria fragmentada não é problema de arquivo, é problema de prioridade.

A linha de base veio de uma amostra sorteada de cento e vinte registros, conferidos por duas pessoas antes de qualquer ferramenta entrar em cena. Esse é o passo que o piloto mais costuma pular, e sem ele a comparação do fim do mês vira impressão de melhora.

As duas voltas que a ferramenta levou antes de servir

A primeira volta saiu pior do que a equipe esperava, por um motivo que não era do modelo. A classificação acertava as reclamações longas e errava as curtas, de uma linha só, que eram a maior fatia do canal telefônico. A transcrição do call center chegava sem pontuação e escrita no vocabulário do atendente, não no do cliente, e não havia texto suficiente para sustentar escolha nenhuma.

A saída foi parar de mandar para a máquina o que ela não tinha como classificar. Transcrição de uma linha passou a ir direto para a pessoa, e o roteiro do call center mudou para registrar a frase do cliente em lugar do resumo do atendente. O defeito estava no insumo, e apareceu porque alguém foi olhar os erros um a um em vez de olhar a taxa.

A segunda volta trouxe o problema oposto. Recebendo as onze categorias de uma vez, a ferramenta passou a usar todas elas, inclusive o par que significava a mesma coisa, e a saída ficou mais espalhada do que a humana. A correção não foi treinar o modelo para escolher melhor.

Foi fundir as duas categorias e reduzir a lista para dez, uma decisão de gestão que estava atrasada havia tempo e que a máquina apenas deixou à vista. Lista de categoria é estratificação, e estratificação mal feita esconde a barra que deveria aparecer primeiro.

A ferramenta que ficou de pé no fim do mês não era a que entrou. Ela passou a receber o texto da reclamação, o canal de origem e a lista de dez categorias com uma frase de definição em cada uma, escrita pela própria equipe da qualidade em vez de copiada do sistema. E passou a devolver três coisas: a categoria, uma segunda categoria possível e o trecho do texto que sustentou a escolha.

Foi esse terceiro campo que tornou a conferência viável, porque dava para discordar sem reler a reclamação inteira.

No fechamento dos trinta dias, a divergência entre a máquina e a dupla de conferência estava perto de um décimo dos registros, contra o quinto que os dois analistas tinham entre si no começo. As seis horas semanais caíram para algo em torno de duas, quase todas gastas conferindo. E a classificação continuou saindo com nome de gente embaixo, que é o arranjo que a tabela da próxima seção chama de automatizar com validação humana.

Um caso construído não prova resultado, e não é para isso que ele está aqui. O que ele mostra é a forma do trabalho em IA na gestão da qualidade: medir antes, rodar em paralelo, e tratar o erro da ferramenta como informação sobre o processo em vez de defeito do fornecedor.

Vale reparar até onde a comparação vai: o quinto do começo mede dois analistas entre si, e o décimo do fim mede a máquina contra o consenso da dupla. São quantidades diferentes, e o piloto de verdade escolhe uma das duas para acompanhar. Os números acima são coerentes entre si e servem à demonstração. Os seus vão ser outros, e o único jeito de saber quais é medindo os seus.

A tabela que eu levo para a reunião

Reunião sobre automatizar tarefa da gestão da qualidade costuma travar no mesmo ponto. São dois lados com razão parcial, discutindo em abstrato.

O que destrava é uma tabela com uma linha por tarefa e três colunas de decisão. E ela cabe numa folha.

Essa é a tabela de decisão que eu deixo pronta para download, no mesmo formato em que eu uso. Leve preenchida para a reunião. Risque o que não se aplica à sua realidade e acrescente as tarefas que só existem na sua operação. Uma decisão registrada vale mais do que três reuniões de alinhamento. A folha traz uma coluna a mais: a pergunta que decide, para ler em voz alta na reunião. E a folha vira anexo da ata sem trabalho nenhum.

Baixar a tabela de decisão da IA na gestão da qualidade

Uma observação sobre como usar a coluna do meio. “Automatizar com validação humana” não é meio termo diplomático. É um arranjo com regra escrita. Ela diz qual fração passa por gente e o que acontece quando o acerto cai. Sem essa regra, a validação humana desaparece em três meses. O motivo é sempre o mesmo: a pressa de quem está com a agenda cheia.

Escrever a regra distingue a operação que controla a ferramenta daquela que apenas a usa e torce. É também o que um auditor pede para ver quando descobre que existe IA na gestão da qualidade no meio do processo.

O que eu faria diferente se começasse hoje

Eu começaria pelo registro, e não pelo documento. Documento é o que mais aparece quando se fala em IA na gestão da qualidade. O resultado é visível e a demonstração é bonita. Só que o documento já estava razoavelmente sob controle na maioria das empresas que eu conheço. O registro é que estava perdido.

Eu também mediria antes. A vontade de mostrar serviço faz o time pular a medição inicial. Sem ela você discute com impressão contra impressão. Nada nesta área é tão barato quanto meia hora cronometrando a tarefa que você quer automatizar. E nada é tão caro quanto descobrir no fim do ano que ninguém sabe dizer se melhorou.

E eu protegeria a competência do time desde o primeiro dia. A amostragem humana fica escrita no procedimento, e não combinada de boca. Ferramenta muda, fornecedor muda, versão muda. O que precisa sobreviver a tudo isso é a capacidade da sua equipe de fazer sem ela quando for preciso.

Também mudaria a conversa com a liderança. Eu passei tempo demais defendendo ferramenta. Passei tempo de menos mostrando o que a área faria com as horas liberadas. Diretor não compra automação. Compra problema resolvido. A pergunta certa nunca foi “o que a IA faz”. É “o que a gestão da qualidade vai fazer com o tempo que ela devolve”.

A gestão da qualidade sempre foi uma disciplina de disciplina. Ela pede constância mais do que genialidade. É por isso que ela combina tão bem com uma máquina que não se cansa e nunca inventa desculpa para não preencher. Use a máquina para a constância. Guarde as suas horas para o julgamento, que é a parte que ninguém mais pode fazer por você.

Os modelos prontos para levar essa conversa para a sua área estão no Kit de Ferramentas Lean Seis Sigma, na ordem em que se usa cada um. Quem aprende melhor com alguém do lado corrigindo o próprio caso tem as Academias de Certificação. E o capítulo que abriu este texto está no livro.

Se quiser continuar por aqui, o caminho natural é ver como o mesmo raciocínio se aplica a IA e melhoria contínua. Vale também olhar as fases do método DMAIC e o uso de DMAIC com inteligência artificial em projeto de Lean Seis Sigma. E se a sua dúvida ainda é de fundamento, comece pela pergunta mais simples. O que a IA na gestão da qualidade faz, e o que ela não faz, na tarefa que você tem na mesa hoje.