Por que uma única IA não deveria automatizar todo o processo público

Automatizar um processo público com um único modelo de IA generalista para tudo — ler documento anexado, validar critério técnico, redigir parecer, montar relatório gerencial — é trocar uma decisão de arquitetura por uma promessa de marketing. Cada uma dessas tarefas exige um tipo de competência diferente do modelo que a executa, e um único modelo otimizado para conversar bem nem sempre é o mais preciso para extrair um dado de uma certidão escaneada ou para cruzar um cálculo com uma regra urbanística. A pergunta que deveria orientar a escolha de uma plataforma não é “vocês têm IA?” — é “qual modelo faz o quê, e por quê”.

Ler um documento e redigir um parecer não são a mesma tarefa

Extrair um número de matrícula de uma imagem de baixa qualidade, validar se uma certidão foi emitida dentro do prazo exigido e redigir a fundamentação de um despacho são três operações com naturezas distintas: a primeira é leitura visual estruturada, a segunda é checagem de regra contra um dado, a terceira é composição de texto coerente com um padrão jurídico. Um modelo generalista consegue fazer as três coisas de algum jeito — a questão não é se ele consegue, é com que taxa de erro em cada uma, e se essa taxa é aceitável quando o resultado embasa um ato administrativo.

Tratar isso como “a IA já resolve” esconde exatamente a pergunta que importa para quem vai usar o sistema todos os dias: qual parte do fluxo tem menos margem para erro por natureza — normalmente a leitura documental que alimenta uma decisão vinculante — e qual parte tolera mais variação — normalmente a redação de um texto de apoio que um servidor ainda vai revisar. Um desenho de automação que não faz essa distinção aplica o mesmo nível de confiança a tarefas que não deveriam ter o mesmo nível de confiança.

Escolher modelo por tarefa é decisão de arquitetura, não item de proposta comercial

Quando um fornecedor descreve sua IA como um recurso único e genérico, o que geralmente existe por trás é uma camada que direciona cada tipo de tarefa para o modelo mais adequado a ela — leitura de imagem para um, análise técnica que exige raciocínio mais estruturado para outro, geração de relatório e exportação de dado para um terceiro. Essa decisão de roteamento não aparece numa demonstração rápida, porque o resultado final parece igual para quem está assistindo: o processo entra, o documento é lido, o relatório sai pronto.

A diferença fica visível depois, na operação em produção: num modelo escolhido por tarefa, uma atualização ou uma instabilidade num provedor de IA afeta só a etapa que depende dele, não o sistema inteiro. Num modelo único fazendo tudo, qualquer degradação de desempenho — mais comum do que se assume, porque provedores de IA atualizam seus modelos com frequência e sem aviso prévio detalhado — se propaga para leitura documental, cálculo e redação ao mesmo tempo, sem que o gestor público tenha como isolar onde o problema começou.

Multiplicar modelo também multiplica o que pode falhar — por isso importa quem orquestra

Isso não é um argumento para “quanto mais modelo, melhor”. Usar vários modelos sem uma camada que decide, registra e audita qual modelo respondeu a cada etapa cria o problema oposto: mais pontos de falha, mais provedores de dado processando informação do cidadão, e nenhuma trilha única para reconstruir por que um processo específico foi decidido daquele jeito. O ganho de precisão por tarefa só compensa o risco adicional quando existe uma camada de orquestração que registra, para cada etapa de cada processo, qual modelo agiu, com que resultado, e submetido a qual validação humana antes de virar ato administrativo.

É por isso que a pergunta certa para avaliar uma plataforma de automação não é sobre quantidade de modelo — um só ou vários — mas sobre rastreabilidade: se o processo puder ser questionado numa auditoria ou num recurso do requerente, o sistema precisa mostrar exatamente qual etapa foi automatizada, por qual modelo, e quem validou o resultado antes de ele virar decisão. Um único modelo genérico sem essa camada é tão opaco quanto vários modelos sem ela — o número de modelos não é o que resolve, é o registro do que cada um fez.

Conclusão

O erro não está em escolher um modelo só ou vários — está em tratar a escolha do modelo como detalhe de implementação que não precisa aparecer na avaliação de uma plataforma. Uma prefeitura, câmara municipal ou autarquia que está decidindo automatizar processos deveria perguntar menos “essa IA é boa?” e mais “essa IA foi desenhada para a tarefa que vai executar, e existe registro de qual parte da decisão foi automatizada e por quê”. É essa resposta, não o número de modelos por trás dela, que sustenta o processo quando alguém questionar a decisão depois.