Por que a IA genérica erra mais do que ajuda na redação de documentos públicos

Um modelo de inteligência artificial sem acesso ao histórico de decisões já tomadas por um órgão público não reduz o trabalho de redigir um parecer, um termo de referência ou um despacho — ele desloca esse trabalho para depois, na forma de revisão. A promessa de digitar um pedido e receber o documento pronto só se sustenta quando a IA já viu o suficiente do padrão daquela instituição para não reinventar critério a cada resposta.

Documento público não nasce do zero, nasce de precedente

Um parecer técnico, um termo de referência ou um despacho de deferimento carregam decisões que a instituição já tomou antes — qual base legal citar, qual nível de detalhe é exigido, qual ressalva sempre aparece num determinado tipo de processo. Um servidor experiente sabe disso porque acumulou anos abrindo processos parecidos e replicando o que a gestão já validou da última vez.

Uma IA sem esse repertório institucional não tem como saber disso. Ela produz um texto coerente, bem escrito, tecnicamente plausível — e desalinhado do critério que aquele órgão específico já consolidou. O problema não aparece na primeira leitura, porque o texto parece bom. Aparece na auditoria, no recurso ou no parecer do controle interno, quando alguém pergunta por que aquele processo seguiu um critério diferente dos anteriores.

Quanto mais genérica a IA, mais revisão humana ela exige depois

A lógica que parece óbvia — quanto mais poderosa a IA, menos revisão ela precisa — se inverte no setor público. Um modelo genérico, por mais sofisticado, não sabe que uma secretaria específica sempre exige uma cláusula de vigência de doze meses, ou que um tipo de licença sempre menciona uma norma municipal que só existe naquele município. Ele preenche essa lacuna com o que é estatisticamente mais comum na internet, não com o que aquele órgão pratica.

O resultado é um documento que parece pronto, mas que precisa ser lido linha a linha por alguém que conhece o padrão local, porque a IA não tinha como saber onde estava o detalhe que faz a diferença. Quanto menos contexto institucional a IA carrega, mais a revisão humana se torna o verdadeiro gargalo — só que agora escondido atrás de um texto que parece definitivo.

O ganho real está no que a IA já viu ser aprovado antes

A diferença entre uma IA que ajuda e uma IA que atrapalha não está no tamanho do modelo, está no que ele tem para consultar antes de responder. Quando a IA é alimentada com os documentos que a própria instituição já aprovou — pareceres anteriores, minutas validadas, despachos de casos semelhantes —, ela deixa de escrever um texto plausível sobre o tema e passa a escrever o texto que aquele órgão específico produziria. Essa diferença é o que separa uma minuta que só precisa de conferência rápida de uma minuta que precisa ser reescrita.

Isso muda o critério de escolha de uma ferramenta de IA para o setor público: a pergunta certa não é qual modelo é mais avançado, é se essa ferramenta aprende com o que a instituição já decidiu ou se ela parte do zero a cada pedido. A primeira reduz retrabalho de verdade. A segunda só troca a página em branco por um rascunho que ainda precisa ser corrigido.

Conclusão

A IA que ajuda a administração pública não é a que escreve mais rápido, é a que escreve mais parecido com o que aquele órgão já validou antes. Sem esse repertório institucional, qualquer ferramenta — por mais avançada que seja — devolve um texto correto em teoria e arriscado na prática, porque ignora o precedente que sustenta a decisão administrativa. Antes de adotar IA para redigir documentos, o gestor público deveria perguntar não o que o modelo sabe sobre o mundo, mas o que ele sabe sobre a própria instituição. Quem quiser ver esse princípio aplicado a uma tarefa concreta pode conferir como funciona o registro de um padrão institucional numa ferramenta de IA para o setor público, na configuração de skills de IA no Aprova.