Apresentando o cyborgmap e a maturidade
Olá, estou de volta.
Vamos agora entrar na parte do mapa, o CyborgMap (Mapa Ciborgue).
Esse é um conceito novo que estamos criando para explicar esta nova fase da inteligência artificial dentro das empresas. Vamos precisar nos acostumar com esses novos termos. Não se trata de uma terminologia conhecida de mercado; podemos dizer que é um termo que estamos criando e cunhando dentro desta trilha na Alura.
Vamos falar sobre a competência de desenvolver o CyborgMap em nosso próprio time, no qual vamos estruturar esse mapa. Diferentemente de outras estruturações de mapas de trabalho, neste caso focamos em tarefas, não em cargos nem em pessoas. A nossa unidade de análise serão as tarefas específicas, porque precisamos medir onde a inteligência artificial se encaixa em cada tarefa.
Vamos classificar o grau de colaboração entre a pessoa e a inteligência artificial em cada tarefa, usando o mapa CyborgMap, e relacionar o mapa ao estágio de maturidade do time. Como comentamos, o mapa de maturidade do time, dentro desta trilha, conta com uma aula específica sobre como identificar e montar essa maturidade.
Trazendo o exemplo do mapa com quadrantes de maturidade, em uma revisão rápida:
- Ausente: quando as empresas ainda não utilizam inteligência artificial.
- Uso individual e desorganizado: quando as pessoas do time, a equipe, o seu staff (equipe), já utilizam inteligência artificial, mas ninguém sabe o que é usado, como é usado e quais ferramentas estão sendo utilizadas. Isso traz o problema chamado Shadow AI (IA paralela), além de riscos de tecnologia por uso de ferramentas que o departamento de TI talvez não conheça ou não esteja ciente, incluindo possíveis problemas com segurança da informação e LGPD.
- Padronizado informal: onde a empresa já utiliza inteligência artificial e fornece ferramentas validadas para uso interno; não é mais ausente nem individual e desorganizado. Contudo, ainda não há formalidade nesse uso, nem práticas e políticas consolidadas.
- Governado e automatizado: com governança e automação, já existe mapeamento formal. Nosso curso complementa esse estágio, ajudando, por exemplo, a levar a Ferraz do nível 3 para o nível 4, pois vamos começar a governar o uso da IA, mapear o uso da inteligência artificial para cada tarefa e consolidar isso no mapa CyborgMap, permitindo evoluir de fase com a inteligência artificial.
Analisando o trabalho por tarefas
Esse diagnóstico indica em que estágio o time está. A pergunta seguinte é: como o trabalho acontece efetivamente?
Vamos trazer como exemplo duas pessoas analistas, com o mesmo cargo, mas com práticas opostas. A analista A utiliza a inteligência artificial para conduzir um rascunho e realizar uma revisão rápida. A analista B não utiliza inteligência artificial; realiza todo o trabalho manualmente do início ao fim. Um mapa por cargo esconderia o que precisa mudar. Por isso, transformamos essa abordagem no CyborgMap, no qual mapeamos o uso direto das ferramentas de IA: como se usa, por que se usa e por quem se usa.
Se você assistiu ao curso Cursista, no qual falamos sobre a análise de ROI (Retorno sobre Investimento), retome esse conteúdo; se não assistiu, recomendamos ver também, mesmo após esta aula. Isso vale dentro do fluxo completo, porque ajuda a entender a evolução, o caminho e como detectar o nível de uso identificado anteriormente: ausente; individual e desorganizado; padronizado informal; e governado e automatizado dentro da empresa.
Se olhássemos pelos cargos, poderíamos fazer uma média, ponderar incorretamente, tender a superestimar o uso de IA ou até ignorá-lo, porque estaríamos generalizando em cima do cargo de analista. No CyborgMap, olhamos para as funções específicas, ou seja, para as tarefas, independentemente do cargo. Assim, conseguimos trazer mais clareza a essas funções e ao modo como a inteligência artificial está sendo utilizada.
Preenchendo a planilha do cyborgmap
Vamos voltar para a planilha na qual vamos listar as tarefas do time. Você vai listar as tarefas, atribuir um grau de colaboração a cada uma delas e revisar risco e volume. Vamos até a planilha para explicarmos onde ficam os campos de aplicação e, em instantes, retornaremos à tela.
Na planilha, já trazemos colunas para começar a listar:
- O ID (identificador): vamos registrar cada tarefa (tarefa 1, tarefa 2, tarefa 3).
- Em que fluxo essa tarefa está: neste exemplo, estamos trabalhando com fluxo 1 e fluxo 2, e também há fluxo 5, fluxo 3 e fluxo 6.
- Quem executa: aqui registramos funções ou cargos para fins de mapeamento. Lembrando que o CyborgMap trabalha sobre tarefas, mas, para mapear, vale apontar funções/cargos.
- Qual ferramenta de IA está sendo utilizada para aquela tarefa (na coluna E).
- Qual o grau de colaboração: se a pessoa trabalha sozinha, se trabalha em conjunto com a IA e quem conduz. Veremos adiante, nos próximos vídeos desta mesma aula, como identificar isso.
- Qual o nível de risco: varia de 1 a 3.
- Quantas ocorrências por semana essa tarefa tem.
- Quantos minutos são gastos em cada ocorrência.
- Quantas horas por semana isso representa: a planilha calcula automaticamente e também traz identificações sobre o nível de colaboração dentro das tarefas.
Na aba "1.3" da planilha, você terá, no material complementar, um exemplo já preenchido do nosso case (estudo de caso) e também uma versão vazia para começar a mapear seus processos. A ideia é mapear em várias abas: você pode copiar as abas e incluir fluxos diferentes de outras áreas ou da sua área, caso haja fluxos distintos. Mapeie tudo ali.
Lembrando:
- Os IDs identificam as tarefas.
- Em seguida, incluímos a descrição da tarefa.
A descrição da tarefa deve caber em uma frase de ação, por exemplo: receber, verificar, calcular, redigir, acompanhar, exportar.
Trabalhamos sempre com tarefas de ação, formuladas com verbos de ação.
Quem executa cada tarefa? Qual ferramenta de inteligência artificial está sendo utilizada?
Indicamos se a IA opera em conta pessoal ou corporativa, qual inteligência artificial é utilizada e, quando pertinente, o período (época) de uso. Essa informação é importante e deve estar registrada.
Retomando os slides e mensurando risco e volume
Vamos voltar aos slides para continuar.
Como vimos na planilha do Cyborg Map (Mapa Ciborgue), para começarmos a entender essa nomenclatura e esse tipo de mapeamento de integração pessoa-máquina com inteligência artificial, devemos listar as tarefas do time, atribuir um grau de colaboração para cada uma e, em seguida, discutir como evidenciamos esse risco, como o apresentamos, como o calculamos e como mensuramos o volume.
Trazendo, no slide, um resumo da tabela do Cyborg Map (Mapa Ciborgue) aplicado à empresa Ferraz Embalagens, apresentamos as tarefas, quem as executa e o grau de colaboração em cada uma delas.
Incluímos, por exemplo, as tarefas de receber e interpretar a solicitação de demanda de uma proposta — estamos analisando especificamente esse fluxo. Quem executa é o atendimento. A verificação de estoque e de prazo também é realizada pelo atendimento. Registramos qual ferramenta de inteligência artificial está em uso e qual é o nível de colaboração entre pessoa e IA.
Veremos esses pontos com mais detalhes no Drawdown (Drawdown) nos próximos vídeos.
Na tarefa “receber e interpretar a solicitação”, pessoa e IA atuam em conjunto, conforme vimos no primeiro diagrama em um dos primeiros vídeos. O risco associado é pequeno (risco 1) e o volume semanal é de 120.
Esse volume permanece 120 porque, neste fluxo, como mapeamos, são, em média, 120 propostas por semana.
Detalhando graus de colaboração entre pessoa e inteligência artificial
Os três graus de colaboração entre pessoa e IA, que registramos na planilha, detalhamos a seguir.
No primeiro grau, a pessoa conduz. A pessoa executa o processo e a IA, quando presente, apoia o uso. A pessoa realiza todo o fluxo, submete a uma ferramenta de IA e a IA fornece sugestões como apoio. Esse é um nível baixo de maturidade, pois a IA pode trazer melhorias e ganhos significativos de produtividade quando bem utilizada. Vamos trabalhar cuidadosamente esse ponto para identificar oportunidades e aprimorar o processo.
No segundo grau, pessoa e inteligência artificial trabalham em conjunto. Ambas atuam na mesma tarefa. A pessoa redige o e-mail; a IA revisa. A pessoa monta uma planilha; a IA melhora a planilha, revisa e sugere pontos de aprimoramento. Nesse caso, a Ferraz utiliza pessoa e IA em conjunto para interpretar as solicitações de clientes.
No terceiro grau, a inteligência artificial conduz com revisão humana. A IA produz o conteúdo diretamente e a pessoa revisa o que foi criado. No nosso exemplo, a Ferraz já utiliza esse modelo para redigir a cotação, que é gerada de forma automatizada pela IA. Em seguida, realizamos a revisão.
Em alguns processos registrados na planilha, quando a pessoa conduz, pode não haver uso de IA; no máximo, a IA atua como apoio. Quando pessoa e IA trabalham em conjunto, ambas atuam na mesma tarefa, mas ainda não há automação plena: passamos de uma consultoria ou instrução da IA como assistente para um estágio próximo ao ponto em que a IA conduz todo o processo e a pessoa realiza apenas a revisão do que foi entregue.
A revisão é imprescindível no uso atual de IAs generativas, pois, por serem criativas em certa medida, precisam de checagem para evitar nomenclaturas divergentes, termos inadequados ou a criação de condições comerciais fora das regras de trabalho da organização.
Também vamos observar com atenção o retrabalho de revisão, avaliando quanto de revisão passou a ser feito a mais ou a menos após a inserção da IA naquela tarefa.
Diferenciando modelos centauro e ciborgue
Essa discussão nos leva ao porquê do conceito de cyborg (ciborgue) e do Cyborg Map (Mapa Ciborgue), assim como à distinção entre centauro e cyborg (ciborgue).
- Centauro: há divisão clara de tarefas e a pessoa decide quando a IA entra.
- Fases mais cyborg (ciborgue): há integração contínua e alternância entre o que é feito pela pessoa usuária e o que é feito pela IA dentro da mesma tarefa, resultando, em geral, em maior produtividade.
Usaremos essas nomenclaturas — centauro e cyborg (ciborgue) — ao longo do curso.
Contextualizando fronteiras e capacidades da inteligência artificial
A fronteira da IA, inclusive hoje, enquanto gravamos este conteúdo (final de 2026), ainda é irregular. Não há uma regularidade sobre o que a IA faz em todas as tarefas. Existem tarefas em que a IA se destaca e outras em que ainda não compete tão bem quanto uma pessoa.
Para as tarefas em que a IA se destaca, é interessante utilizá-la, de modo que a pessoa colaboradora tenha tranquilidade para entregar mais valor à organização.
Como todas as IAs atuais são Modelos de Linguagem, os LLMs (Large Language Models, Modelos de Linguagem de Grande Porte), há uma aderência forte a tudo que é textual. Existe o acrônimo PIN (Palavra, Imagem e Número): tudo que envolve palavra, imagem e número tende a ser campo em que a IA chega primeiro. Redigir um e-mail extenso é um exemplo no qual a IA se destaca. Extrair itens de um pedido é outro caso em que a IA demonstra alta capacidade de atenção.
Explicando o mecanismo de atenção e a virada generativa
Como curiosidade, a inteligência artificial evolui desde 1956 e tem uma grande virada em 2017, com o artigo famoso do Google, “Attention is All You Need” (Atenção é Tudo de que Você Precisa). Nós vamos disponibilizar esse artigo como conteúdo complementar, não diretamente relacionado à aula. A partir desse momento, a IA, que era predominantemente classificativa, torna-se generativa, graças ao mecanismo de atenção.
A partir do mecanismo de atenção, que impulsionou o avanço da inteligência artificial em meados de novembro de 2022, quando colocamos uma IA para extrair itens de um pedido, o modelo utiliza especificamente esse mecanismo de atenção. Por isso, a IA se destaca nessas tarefas.
Avaliando desempenho da inteligência artificial em tarefas do processo
Redigir uma cotação também funciona bem.
Calcular um desconto composto costuma funcionar bem; porém, no caso da Ferraz Embalagens, isso ainda não está sendo utilizado de forma adequada. Vamos analisar com mais cuidado.
Prometer um prazo de produção precisa estar ancorado em dados reais de produção e em informações confiáveis ao longo de toda a cadeia. Neste ponto, a IA ainda não se destaca no cenário apresentado.
Não é que a inteligência artificial não tenha bons resultados; no processo da Ferraz Embalagens, há uso eficiente em algumas tarefas, enquanto outras ainda carecem de maturidade.
A IA pode ir muito bem em uma tarefa e, às vezes, mal em outra que parece semelhante. Isso pode estar relacionado à maturidade do time, ao conhecimento disponível, e também à incerteza das informações fornecidas.
Indicando próximos passos e leitura recomendada
Vamos discutir esses aspectos com tranquilidade ao longo deste curso.
O que levamos deste vídeo, preparando-nos para o próximo? Nossa dica é ler o conteúdo complementar do artigo em inglês Attention is All You Need (Atenção é Tudo de que Você Precisa). Essa leitura ajuda a compreender melhor como a inteligência artificial chegou até aqui, o que pode trazer de futuro e como podemos nos planejar.
Neste vídeo, vimos que o mapa, o Cyborg Map (Mapa Ciborgue), é focado em tarefas, não em cargos. Esse ponto é fundamental. As tarefas são as unidades de análise dentro de um Cyborg Map. Cada tarefa recebe um grau de colaboração entre pessoas e IAs. A inteligência artificial vai muito bem em algumas tarefas e vai mal em outras que parecem semelhantes, e precisamos entender o que difere cada caso.
No próximo vídeo, vamos entrar na prática com o Cyborg Map.
Até logo!