IA no Kanban: previsão de entrega e leitura de gargalo

Quase toda promessa de inteligência artificial na gestão esbarra no mesmo obstáculo: não existe dado para o modelo ler. Com IA no Kanban é diferente, e a diferença é estrutural. O quadro registra, cartão por cartão, a data e a hora em que cada trabalho entrou e saiu de cada coluna, e faz isso sem ninguém precisar preencher um formulário extra.

Esse histórico muda o que dá para perguntar. Em vez de estimar prazo em reunião, você conta em quantos dias 85% dos cartões parecidos ficaram prontos. Em vez de descobrir na sexta que um cartão apodreceu, você recebe o alerta na terça.

A parte incômoda vem junto. Toda essa leitura assume que o quadro descreve o trabalho, e em muitas equipes ele descreve o ritual de atualizar o quadro. Com cartões arrastados em lote na sexta à tarde, o modelo encontra padrão, relata com confiança e erra sobre a operação inteira.

Aqui eu cubro o que dá para prever com o histórico, por que percentil vale mais que média e como ler o gargalo pela permanência por coluna. Depois entram o alerta de cartão envelhecido, o limite de trabalho em andamento, o que a IA erra neste terreno e o pedido que produz análise conferível.

A amostra de 24 cartões que aparece nas tabelas foi montada para este artigo, no formato dos kits da Voitto. A média e os percentis 50, 85 e 95 foram calculados em Python sobre ela e conferidos um a um, assim como a decomposição do tempo por coluna. São números ilustrativos: mostram o método de leitura, não descrevem uma equipe real e não servem como referência de mercado.

Por que o Kanban é o terreno mais fértil para a IA

Pedem análise de causa raiz e entregam ao modelo três frases de ata. Pedem previsão de prazo e entregam uma planilha de datas prometidas, nunca de datas cumpridas.

O Kanban é a exceção. O quadro não é um relatório sobre o trabalho, é o próprio trabalho em movimento, e cada movimento deixa carimbo: arrastou o cartão de "Em execução" para "Aguardando revisão", o sistema grava a hora.

Em IA aplicada ao Lean, boa parte do desperdício que interessa nunca teve campo de banco. Em IA na melhoria contínua, o modelo depende de causa escrita à mão por quem estava na sala. Aqui o histórico já existe, está datado e é grande.

• Data e hora de entrada e de saída de cada coluna, por cartão
• Quem moveu o cartão e quando ele mudou de responsável
• Quantos cartões estavam abertos em cada dia do histórico
• Quantos cartões saíram por semana, ou seja, a vazão real
• Quais cartões voltaram para trás, o retrabalho que ninguém anota

O que um cartão registra sem ninguém pedir

Quase toda equipe subestima o acervo dentro de um cartão de ferramenta digital. Um quadro com dois anos de uso e trinta cartões por mês guarda mais de setecentas histórias completas de fluxo, com dezenas de milhares de transições registradas.

• Tempo de ciclo: da entrada na primeira coluna de execução até a conclusão
• Lead time: do pedido do cliente até a entrega, incluindo a fila antes de começar
• Tempo de toque: a soma das colunas em que alguém de fato trabalhou no cartão
• Tempo de espera: a soma das colunas de fila, que costuma ser a maior fatia
• Idade do cartão: há quantos dias ele está aberto, medida em tempo real

Quadro físico de papel na parede não gera nada disso. Ele é excelente como gestão à vista e péssimo como fonte de histórico, porque o post-it não guarda data. Quem quiser usar IA no Kanban precisa aceitar essa troca primeiro: o quadro tem que estar em uma ferramenta que grave as transições.

Previsão por percentil no lugar de estimativa

Estimativa é opinião sobre o futuro. Percentil é contagem do passado.

A resposta por estimativa depende de quem está na sala e da pressão de quem perguntou. A resposta por percentil olha os últimos cartões do mesmo tipo, ordena os tempos de ciclo e diz em quantos dias 85% deles ficaram prontos.

1. Selecione os cartões concluídos nos últimos três a seis meses
2. Filtre por tipo de demanda, porque bug e projeto não pertencem à mesma distribuição
3. Calcule o tempo de ciclo de cada um em dias úteis
4. Ordene do menor para o maior e leia os percentis 50, 85 e 95
5. Responda com faixa e probabilidade, nunca com um número seco

A IA faz a extração, limpa cartão duplicado, separa por tipo, recalcula toda semana e avisa quando a distribuição muda. O cálculo em si é aritmética de ordenação, e por isso dá para conferir a resposta dela linha por linha.

A amostra: 24 cartões e os percentis calculados

Abaixo, 24 cartões concluídos, com o tempo de ciclo de cada um em dias úteis. É pouco para uma decisão de contrato e suficiente para mostrar o método.

A soma dos 24 tempos é 206 dias. O percentil foi lido pelo método do posto mais próximo: a posição é o arredondamento para cima de p dividido por 100 e multiplicado por 24.

O que a média esconde

A média desta amostra é 8,6 dias e o p50 é 6. Vale a distinção: em Kanban o percentil se lê pela posição na lista ordenada, ou seja, um cartão que existiu de verdade. A mediana estatística desta amostra seria 6,5, a média entre as posições 12 e 13, e nenhum cartão levou 6,5 dias. Para prometer prazo, o valor observado vale mais que o interpolado. Já aí há um aviso: quando as duas se afastam, a distribuição é torta, e usar a média para prometer prazo é apostar contra a própria operação.

Dos 24 cartões, 16 ficaram abaixo da média e 8 ficaram acima. O maior deles levou 28 dias, mais de três vezes a média. É esse tipo de cartão que aparece na reunião do cliente, não o de dois dias.

• Média 8,6 dias: um número que nenhum cartão específico da amostra tem
• p50 de 6 dias: acerta metade das vezes e erra a outra metade, por definição
• Percentil 85, 14 dias: erra em 3 dos 24 casos
• Percentil 95, 21 dias: erra em 1 dos 24 casos, e esse é o cartão de 28 dias

Tempo de ciclo quase nunca se distribui como um sino: tem cauda longa à direita, porque existe piso para o trabalho rápido e não existe teto para o que trava. A média foi feita para distribuição simétrica, e aplicá-la aqui é erro de ferramenta, não de cálculo.

O resultado prático é conhecido: a equipe promete oito dias, entrega em quatorze, e a conversa vira sobre confiança em vez de virar sobre fluxo.

Probabilidade de cumprir um prazo, a pergunta que o dado responde

Com o histórico ordenado, o cliente deixa de perguntar "quando fica pronto" e ouvir um chute. Ele pergunta "dá para ficar pronto em dez dias" e ouve uma contagem.

A resposta honesta é: com esse histórico e esse tipo de demanda, a chance de cumprir dez dias é de três em quatro, e o que decide os 25% restantes está quase todo na fila de revisão.

• Até 6 dias: 12 de 24 cartões, 50%
• Até 10 dias: 18 de 24 cartões, 75%
• Até 14 dias: 21 de 24 cartões, 87,5%
• Até 21 dias: 23 de 24 cartões, 95,8%

O efeito colateral desse formato vale mais que a precisão: ele muda quem carrega o risco. A equipe para de garantir o impossível e passa a informar a aposta, e o cliente escolhe se quer 75% ou se quer pagar o custo de derrubar a fila para chegar a 95%.

Onde está o gargalo: permanência média por coluna

O tempo de ciclo total diz que existe problema, não diz onde. A decomposição por coluna diz, e quase sempre revela que o gargalo não está onde a equipe acha.

Metade do tempo de ciclo desta amostra é fila de revisão. O problema não é a revisão ser lenta, é o revisor estar ocupado com outra coisa quando o cartão chega.

Contratar mais gente para executar aumentaria a chegada na fila e pioraria o tempo de ciclo. A intervenção certa é liberar capacidade de revisão, ou reduzir a entrada.

O limite dessa leitura: ela mostra onde o tempo é gasto, não por que. A causa continua sendo trabalho de conversa com quem revisa, no espírito do Kaizen de sempre.

O cartão envelhecido e o alerta automático

Tempo de ciclo é medida de cartão morto: só existe depois que o trabalho terminou. A medida que age no presente é outra: a idade do cartão aberto.

A regra é simples de automatizar e quase ninguém usa. Passou do percentil 85 da própria coluna, dispara o aviso.

1. Calcule o percentil 85 de permanência de cada coluna, separadamente
2. Meça a idade atual de cada cartão em aberto naquela coluna
3. Sinalize todo cartão que passou do p85 da própria coluna
4. Leve os sinalizados para a reunião diária, na ordem da idade
5. Recalcule os percentis toda semana, para o alerta não congelar no passado

O ganho aqui não é analítico, é de atenção. Quadro com 40 cartões esconde o que está apodrecendo no canto direito, e o olho humano vai para o cartão que se mexeu, não para o que parou. O alerta inverte esse viés.

É o mesmo raciocínio do Kanban pessoal com limite de WIP aplicado ao time: o que trava atenção é a quantidade de coisa aberta, não a quantidade de coisa a fazer.

O limite de WIP que o dado sugere

Limite de WIP costuma ser definido por votação. Alguém propõe três por pessoa, ninguém discorda muito, e o número vira dogma.

A lei de Little diz que o tempo de ciclo médio é igual ao trabalho em andamento dividido pela vazão. Nesta operação, a vazão é de 2,8 cartões concluídos por dia e o WIP médio é 18 cartões. A conta dá 6,4 dias, compatível com o p50 de 6 dias que a amostra mostrou.

• Vazão observada: 2,8 cartões por dia
• WIP médio observado: 18 cartões
• Tempo de ciclo previsto pela lei de Little: 18 dividido por 2,8, igual a 6,4 dias
• Para manter p50 de 6 dias sem mexer na vazão: WIP de aproximadamente 17 cartões
• Para chegar a 4 dias sem mexer na vazão: WIP de aproximadamente 11 cartões

A frase que o modelo devolve é direta: se você quer tempo de ciclo menor e a vazão não vai subir, abra menos trabalho ao mesmo tempo. Não é opinião de consultor, é divisão.

Quem vem do Scrum costuma estranhar, porque lá o controle está no tamanho do compromisso do ciclo. Aqui o controle está na quantidade de coisa aberta em qualquer instante.

O diagrama de fluxo cumulativo lido por modelo

O diagrama de fluxo cumulativo empilha, dia a dia, quantos cartões já passaram por cada coluna. É a figura mais informativa do Kanban e a menos lida, porque exige prática para interpretar as bandas.

É a tarefa em que o modelo ajuda: ele não precisa "ver" o gráfico, precisa ler a tabela que gerou o gráfico.

• Largura da banda: quantos cartões estão parados naquela coluna, ou seja, o WIP por etapa
• Inclinação da linha de topo: a vazão, e se ela está acelerando ou perdendo ritmo
• Banda que engorda ao longo das semanas: entrada maior que saída, o gargalo se formando
• Linhas paralelas e finas: fluxo estável, o estado que se quer manter
• Degrau vertical: um lote inteiro movido de uma vez, quase sempre sinal de quadro mal usado

Uma leitura útil que o modelo entrega: "a banda de aguardando revisão engordou em 11 dos últimos 14 dias enquanto a linha de topo manteve a inclinação; a entrada está acima da saída nessa etapa há duas semanas".

Isso é descrição, não diagnóstico: serve como pauta da reunião, não como conclusão.

Quando o quadro mente: a sexta-feira de arrastar cartão

O erro mais caro desta pauta não é do modelo. É de quem liga o modelo em cima de um quadro que a equipe não usa de verdade.

Durante a semana, o trabalho acontece e o quadro fica parado. Na sexta à tarde, alguém abre o Kanban e arrasta oito cartões para "Concluído" de uma vez, porque a reunião de segunda vai cobrar. O histórico gravado não descreve o trabalho, descreve o ritual de atualização.

• Vários cartões com exatamente o mesmo tempo de ciclo, o que é estatisticamente improvável
• Concentração de transições em um dia da semana ou em uma faixa de horário
• Colunas intermediárias com permanência próxima de zero, porque foram puladas
• Cartões que nascem e morrem no mesmo movimento
• Volume de conclusões em picos semanais, sem nenhuma saída no meio da semana

O modelo, treinado para achar padrão, vai achar: relata tempo de ciclo de 5,0 dias e vazão concentrada na sexta, e as duas frases estarão corretas sobre o quadro e erradas sobre o trabalho.

Detectar isso é barato: as cinco checagens acima rodam em qualquer extração. Corrigir é caro, porque exige mudar hábito, e nenhuma ferramenta faz isso por você.

Qualidade do dado como pré-requisito, não como detalhe

Antes de qualquer previsão, vale uma auditoria de meia hora no histórico. Ela não precisa de IA e evita meses de decisão em cima de número inventado pelo registro.

1. O cartão é movido no momento em que o trabalho muda de estado, ou depois
2. As colunas do quadro representam etapas reais, ou são caixas de arrumação
3. Existe uma definição escrita do que significa "concluído", e todos usam a mesma
4. Cartões cancelados estão marcados como cancelados, e não como entregues
5. Cartões que voltaram de coluna estão registrados como retorno, e não reabertos como novos
6. O tamanho do cartão tem alguma consistência, ou um cartão é uma tarefa e o outro é um trimestre

Esses seis itens formam o trabalho padronizado do próprio quadro. Sem eles, a variação que você vai medir é a variação entre pessoas registrando, não entre trabalhos acontecendo.

Um teste rápido separa quadro bom de quadro decorativo: pegue cinco cartões concluídos no mês passado e pergunte a quem trabalhou neles se as datas batem com a memória. Se três dos cinco não baterem, você não tem base para previsão. Tem base para arrumar o registro.

O que a IA erra quando lê um quadro

A lista abaixo não é contra a ferramenta. É o inventário dos erros que aparecem quando se conecta um modelo à API de um quadro.

• Tratar quadro mal usado como dado bom: o modelo não sabe que o cartão foi arrastado em lote
• Misturar tipos de demanda na mesma distribuição, somando correção de uma hora com projeto de um mês
• Usar média onde a distribuição tem cauda longa, e prometer prazo em cima dela
• Confundir correlação com causa: "cartões com mais comentários demoram mais" costuma significar que o difícil gera discussão, não o contrário
• Ignorar cartões cancelados e nunca concluídos, o que enviesa a amostra para baixo
• Extrapolar a partir de amostra pequena sem dizer que ela é pequena
• Inventar nome de coluna, de responsável ou de política que não existe no quadro

O último é o mais difícil de flagrar. Modelo de linguagem preenche lacuna com o que é plausível: se a extração veio incompleta, ele inventa uma coluna "Homologação" que a sua empresa não tem, e o relatório fica coerente e falso.

A defesa é sempre a mesma: exigir que toda afirmação numérica venha com a contagem que a sustenta. Quantos cartões, em que período, de que tipo. Sem os três, a frase não entra na reunião.

Previsão serve para melhorar sistema, não para cobrar pessoa

Existe um jeito garantido de destruir a qualidade do histórico em três meses: usar o percentil para avaliar indivíduo. Assim que a equipe perceber que o tempo de ciclo vira nota de desempenho, o quadro passa a ser otimizado para a nota.

• Cartão grande vira três cartões pequenos, sem que o trabalho mude
• O cartão só entra em "Em execução" quando já está quase pronto
• A conclusão é registrada antes da entrega de fato
• Trabalho difícil deixa de ser puxado, porque estraga a média de quem puxar

Nada disso é desonestidade. É resposta racional a uma medida mal usada, sempre que o indicador de fluxo vira indicador de pessoa.

O uso legítimo aponta para o sistema: metade do tempo de ciclo em fila de revisão é propriedade do arranjo de trabalho, não do esforço de ninguém. O ajuste certo entra como um ciclo de melhoria comum, no formato do ciclo PDCA, com uma mudança por vez e medição depois.

A regra que eu recomendo deixar escrita, antes de ligar qualquer painel: as medidas de fluxo são de time e de sistema, nunca de pessoa. Quem quebra essa regra perde o dado, e o dado é a única coisa que tornava a IA útil aqui.

O assistente que resume o quadro para a reunião diária

A reunião diária em frente ao quadro tem um vício conhecido: ela vira ronda de status pessoa por pessoa, e o fluxo desaparece atrás da conversa. Um resumo automático enviado dez minutos antes muda a pauta.

1. Cartões que passaram do p85 da coluna em que estão, listados por idade
2. Colunas que estão acima do limite de WIP acordado
3. Cartões que voltaram de coluna desde ontem
4. Cartões bloqueados há mais de dois dias, com o motivo registrado
5. Uma linha de vazão: quantos saíram na semana contra a média das últimas oito

Repare que não há nada sobre quem está fazendo o quê. A pergunta da reunião passa a ser "o que está travando este cartão" em vez de "o que você fez ontem", e a diferença aparece na duração do encontro.

Vale olhar exemplos de Kanban de áreas diferentes antes de fixar o formato, porque a lista muda: em manutenção o item crítico é o bloqueio por peça, em comercial é a idade da proposta parada.

Classificação automática de tipo de demanda

Previsão por percentil só funciona se a amostra for homogênea. Somar correção de duas horas com projeto de um mês produz distribuição sem significado.

O problema é que quase nenhuma equipe classifica o tipo de demanda na entrada. Aqui a IA resolve um problema chato de verdade: ela lê o título e a descrição do cartão e propõe a classificação.

• Classifique em três a cinco tipos, não em vinte, ou nenhuma classe terá amostra suficiente
• Rode a classificação em cima do histórico inteiro, não só nos cartões novos
• Revise à mão uma amostra de trinta cartões classificados, para medir o acerto
• Trate a classe como sugestão editável, e registre quando alguém corrigir
• Recalcule os percentis por tipo, e compare com o percentil geral

Na amostra deste artigo, os cartões de correção ficam entre 2 e 6 dias e os de projeto vão de 7 a 28. O percentil 85 geral, de 14 dias, é pessimista para correção e otimista para projeto.

Quem trabalha com demanda de ritmo previsível pode ir além e comparar a vazão com o takt time da operação, mas isso já é outro problema.

O prompt que funciona e o que não funciona

A diferença entre uma análise útil e um texto bonito está quase toda no que você entrega ao modelo. Pedido vago com dado vago devolve o lugar-comum sobre metodologias ágeis.

O pedido que não funciona é este: "analise o meu quadro Kanban e diga como melhorar o fluxo". Sem dado anexo, ele devolve conselhos de blog. Com o dado anexo mas sem instrução de método, ele calcula média e escreve parágrafo motivacional.

• Anexe a extração em CSV com uma linha por cartão e uma coluna por transição de estado
• Diga o período, o número de cartões e quais tipos de demanda estão na base
• Exija percentis 50, 85 e 95, e proíba explicitamente o uso de média para previsão
• Peça a decomposição do tempo por coluna, em dias e em percentual
• Peça a lista das checagens de qualidade do dado antes de qualquer conclusão
• Exija que cada afirmação venha com a contagem de cartões que a sustenta
• Peça o cálculo em código, e não só o número final

Esse último item separa uso sério de uso decorativo. Quando o modelo escreve o script que faz a conta, você roda de novo no mês que vem, com dado novo, e confere se o cálculo está certo. Com um número solto, é impossível.

Uma frase final no pedido resolve metade dos problemas: se algum dado necessário não estiver na base anexada, diga o que falta em vez de estimar.

O protocolo, do começo ao fim

Este é o roteiro que eu seguiria para colocar inteligência artificial para trabalhar em cima de um quadro, sem produzir relatório bonito e falso.

1. Confirme que o quadro é digital e grava as transições com data e hora
2. Rode a auditoria de qualidade do dado: seis perguntas, meia hora, antes de qualquer análise
3. Cheque os cinco sinais de movimentação em lote, e conserte o hábito antes de medir
4. Extraia os cartões concluídos dos últimos três a seis meses
5. Classifique por tipo de demanda, com apoio do modelo e revisão humana em uma amostra
6. Calcule os percentis 50, 85 e 95 por tipo, e guarde o script que fez a conta
7. Abra o tempo de ciclo por coluna e veja onde está a maior fatia de fila
8. Calcule o WIP compatível com a meta pela lei de Little, e ajuste o limite do quadro
9. Ligue o alerta diário de cartão envelhecido, comparado ao p85 da própria coluna
10. Publique as respostas de prazo em formato de probabilidade, nunca como data única
11. Deixe escrito que as medidas são de sistema, não de pessoa
12. Recalcule tudo mensalmente, e compare a previsão anterior com o que aconteceu

O décimo segundo passo é o que quase ninguém faz e o único que revela se o método funciona. Previsão sem conferência posterior é opinião com decimal. Comparar o que foi prometido com o que saiu transforma o quadro Kanban em instrumento de aprendizado, não em mais um painel.

A IA não trouxe nenhuma métrica nova para o Kanban. Percentil, decomposição por coluna, idade de cartão e lei de Little existem há décadas. O que ela trouxe foi a possibilidade de tudo isso rodar sozinho, toda semana, sem depender de alguém com tempo livre e gosto por planilha.