SITUAÇÃO 1
Separar as 4.000 reclamações recebidas este ano por assunto, usando a lista de assuntos que a casa já usa.
Classificar
As categorias já existem. É o caso mais clássico de classificação, e a IA generativa é a escolha cara aqui.
Uma situação por vez: os grupos apostam na família antes de a resposta aparecer. Dez no total, e duas delas se resolvem melhor sem IA nenhuma.
Separar as 4.000 reclamações recebidas este ano por assunto, usando a lista de assuntos que a casa já usa.
As categorias já existem. É o caso mais clássico de classificação, e a IA generativa é a escolha cara aqui.
Descobrir de que as pessoas estão reclamando, sem saber de antemão quais são os temas.
Ninguém definiu as categorias. É agrupamento, e o resultado precisa de leitura humana para receber nome.
Resumir um processo de 800 páginas para o sócio ler no táxi.
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.
Redigir a primeira minuta de uma notificação extrajudicial a partir do modelo da casa.
A tarefa mais automatizável da pirâmide, e a que mais precisa de revisão antes de sair assinada.
Estimar a chance de acordo numa carteira de 2.000 processos parecidos.
Pede dado histórico estruturado, não texto gerado. Modelo de linguagem não faz isso, por mais convincente que a resposta pareça.
Conferir se todos os contratos assinados este mês têm cláusula de eleição de foro.
Regra clara e dado estruturado. Uma busca de texto resolve, custa quase nada e é auditável. Aqui a turma quase sempre marca gerar.
Avisar o responsável sempre que um prazo processual entrar nos últimos cinco dias.
É gatilho por regra, ou seja, automação pura. Não há nada para aprender: a data ou está dentro da janela, ou não está.
Achar, no meio de 300 contratos, os que fogem do padrão da casa.
Dentro do padrão ou fora dele: duas categorias conhecidas. Vira agrupamento só se ninguém souber definir o padrão.
Transformar 900 certidões em PDF escaneado numa tabela com nome, data e resultado.
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.
Estimar quanto aquele juízo costuma arbitrar de dano moral em casos como o seu.
Previsão sobre decisões públicas. Legítimo como estatística, e é aqui que começa a conversa sobre os limites do profiling.