Entre os erros mais comuns na modernização de serviços públicos, um costuma ser apontado por André de Barros Faria, CEO da Vert Analytics e líder em transformação digital e hiperautomação: automatizar uma etapa sem olhar para o fluxo inteiro. O resultado é uma operação mais rápida na entrada e igualmente lenta na saída, com o cidadão esperando o mesmo tempo de antes.
Nesse contexto, entendemos que o problema fica mais claro com um exemplo. O caso a seguir é fictício e simplificado, mas reúne situações que se repetem em órgãos de diferentes portes e esferas.
O órgão que acelerou a triagem e não ganhou nada
Imagine um órgão que recebe milhares de requerimentos por mês para a concessão de um benefício. Cada pedido chega com documentos anexados, e uma equipe de triagem confere se está tudo completo antes de encaminhar o processo para análise. A conferência leva dias, e a fila cresce.
A solução escolhida foi um agente de IA para fazer a triagem. Ele lê os documentos, verifica se estão legíveis e completos e devolve ao cidadão, em minutos, os pedidos com pendências. A etapa que levava dias passou a levar minutos.
Por que o ganho desapareceu no meio do caminho
A explicação está em um princípio conhecido da gestão de operações, popularizado pela teoria das restrições: a velocidade de um processo é definida pela sua etapa mais lenta. Acelerar qualquer outra apenas faz o trabalho se acumular mais rápido diante do gargalo.
Foi o que aconteceu. Os pedidos triados chegavam em volume maior à equipe de análise, que continuava com o mesmo tamanho e o mesmo método. A fila simplesmente saiu do balcão de triagem e foi parar na mesa dos analistas. A automação funcionou exatamente como projetada, e mesmo assim o cidadão não sentiu diferença.
Esse é o ponto que, segundo André de Barros Faria, mais se subestima em projetos de automação: o ganho de uma etapa só chega ao usuário quando as etapas seguintes acompanham o novo ritmo.
O que mudou no redesenho do fluxo?
A segunda tentativa partiu de outra pergunta: onde o tempo do analista estava sendo gasto? A resposta revelou que boa parte dos pedidos era simples, com documentação padrão e critérios objetivos, mas recebia o mesmo tratamento que os casos complexos.
O agente passou então a fazer mais do que conferir documentos. Nos pedidos simples, aplica as regras de concessão, prepara a decisão e a submete à validação rápida de um servidor. Nos complexos, entrega ao analista um resumo com os pontos que exigem julgamento, as inconsistências encontradas e o histórico relevante.
Com isso, a equipe deixou de gastar energia com o óbvio e passou a se concentrar no que exige experiência. O prazo de resposta caiu de verdade, e a qualidade das decisões difíceis melhorou.
As lições que valem além do setor público
A primeira lição que se revela essencial, conforme frisa André de Barros Faria, é mapear o fluxo completo antes de escolher onde automatizar. O ponto que mais incomoda raramente é o gargalo real.
A segunda é medir o resultado do ponto de vista de quem recebe o serviço. Tempo de triagem é um indicador interno; prazo até a resposta final é o que o cidadão percebe. Projetos avaliados apenas por métricas da etapa automatizada podem parecer um sucesso, enquanto nada melhora para quem está do lado de fora.
A terceira é manter o servidor no centro das decisões que exigem responsabilidade pública. A automação inteligente bem desenhada não substitui esse julgamento; ela o protege do volume.
Eficiência que se mede do lado de fora
O caso mostra que a tecnologia, sozinha, não garante impacto. Um agente autônomo de IA pode funcionar perfeitamente e, ainda assim, não mudar a experiência de quem depende do serviço, se for colocado no lugar errado do processo.
Na visão de André Faria, o impacto positivo da inteligência artificial nos serviços públicos depende menos da sofisticação do modelo e mais da disposição de redesenhar o trabalho em torno do resultado que importa: uma resposta mais rápida e mais justa para o cidadão.
