Usar IA como advogado do diabo antes de decidir: guia prático

Usar IA como advogado do diabo antes de decidir: guia prático

Para usar IA para tomar decisões sem perder o controle, peça a ela o papel de advogado do diabo: que apresente objeções, riscos, cenários contrários e premissas frágeis da sua proposta. Você continua responsável pela escolha, e a IA apenas amplia a lista de pontos fracos que você precisa examinar. O resultado depende de três coisas: contexto bem descrito, instruções que impeçam a concordância automática e uma checagem humana de tudo o que ela trouxer.

Principais pontos

• A IA funciona melhor como contraponto estruturado do que como quem decide: peça objeções, riscos e cenários contrários e mantenha a escolha com você.
• Sem instrução explícita, modelos tendem a validar o que você apresenta. Ordene que ela discorde, aponte premissas frágeis e diga o que mudaria a conclusão.
• A qualidade das objeções depende do contexto que você fornece: objetivo, restrições, alternativas e o que já foi descartado.
• Toda objeção precisa de triagem humana: verificar fatos, descartar o genérico e registrar o que foi aceito ou recusado.
• Dados de clientes e de funcionários exigem regra antes do uso, não depois.

Por que a IA concorda demais com você

Quando um gestor descreve uma decisão para um assistente de IA, o tom da pergunta já carrega a resposta esperada. Se você escreve "estou pensando em abrir uma segunda unidade, o que acha?", o modelo costuma devolver uma análise cordial, com pontos a favor, uma ressalva ou outra e uma conclusão encorajadora. Isso não é malícia. É o comportamento de um sistema que tenta ser útil e, na dúvida, acompanha o interlocutor.

O problema é que decisões de gestão raramente falham por falta de entusiasmo. Falham por uma premissa que ninguém questionou, um risco que ficou fora da conversa ou um cenário que parecia improvável. Um bom advogado do diabo existe para tornar desconfortável o que está confortável demais.

Por isso o pedido precisa mudar. Em vez de pedir opinião, você pede um trabalho específico: procurar onde a decisão pode falhar. A diferença parece pequena, mas muda o tipo de resposta que você recebe.

O que prepará-la antes de pedir objeções

Objeção genérica é a falha mais comum. Se o modelo não sabe nada sobre o seu negócio, ele devolve alertas que servem para qualquer empresa: "considere o fluxo de caixa", "avalie a concorrência". Ninguém decide melhor com isso. A Anthropic descreve a engenharia de contexto como a escolha cuidadosa do que entra na janela do modelo, e o princípio vale para uma conversa comum: pouca informação, mas relevante.

Antes de pedir qualquer crítica, reúna estes itens em um texto curto:

• A decisão em uma frase, com o que você está inclinado a fazer.
• O objetivo real: o que precisa melhorar e como você saberá que melhorou.
• As alternativas que você considerou, inclusive não fazer nada.
• As restrições: prazo, equipe, orçamento disponível (sem precisar informar valores sensíveis), contratos e obrigações legais.
• As evidências que você tem e a origem de cada uma.
• O que você não sabe e gostaria de saber.
• Quem será afetado: clientes, equipe, parceiros.
• O grau de reversibilidade: se der errado, é possível voltar atrás?

Esse último item é o mais ignorado. Uma decisão fácil de desfazer pede menos análise do que uma que compromete a empresa por muito tempo. Dizer isso ao modelo ajuda a calibrar a profundidade da crítica. E escrever esse resumo já tem um benefício próprio: muita gente percebe uma lacuna antes mesmo de enviar a mensagem.

Passo a passo: sete pedidos em sequência

Não faça uma única pergunta enorme. Conduza a conversa em etapas, cada uma com um trabalho claro. Esta sequência funciona bem para decisões de gestão de porte médio, como contratar, trocar de fornecedor, lançar um serviço ou mudar um processo.

• Passo um, papel e regra: diga que o modelo atuará como crítico, que não deve elogiar nem concordar por cortesia e que deve separar fato de suposição.
• Passo dois, premissas: peça uma lista das premissas implícitas na sua decisão e, para cada uma, o que aconteceria se fosse falsa.
• Passo três, objeções: peça as objeções mais fortes que um gestor experiente e cético levantaria, ordenadas por impacto.
• Passo quatro, cenários contrários: peça dois ou três cenários plausíveis em que a decisão dá errado, com a cadeia de eventos que leva até ali.
• Passo cinco, pré-mortem: peça que o modelo imagine que a decisão fracassou e escreva as causas mais prováveis, como num relatório de análise posterior.
• Passo seis, o que não foi visto: peça que ele liste informações que faltam para decidir bem e como obtê-las de forma barata.
• Passo sete, defesa inversa: peça o melhor argumento a favor da alternativa que você descartou, para testar se o descarte foi justo.

Um pedido de exemplo para o passo três, em uma linha:

Atue como um crítico experiente e cético: liste as cinco objeções mais fortes à decisão abaixo, ordene por impacto, indique qual premissa cada uma ataca e diga o que mudaria sua avaliação.

Note o final do pedido. Pedir "o que mudaria sua avaliação" força o modelo a indicar um critério verificável, e isso é mais útil do que um alerta solto.

Cenário ilustrativo: ampliar o atendimento para um segundo turno

Imagine uma empresa de serviços que atende clientes pelo WhatsApp e considera abrir um segundo turno de atendimento humano, porque as mensagens se acumulam no fim da tarde. O dono inclina-se a contratar. Ele escreve o resumo com os itens da seção anterior e pede as objeções.

O modelo ataca a premissa central: o acúmulo é causado por falta de gente ou por um tipo específico de mensagem que poderia ser resolvido antes? Ele sugere um cenário contrário em que o novo turno é contratado, o acúmulo continua porque a causa são pedidos de segunda via e perguntas repetidas, e a equipe nova herda a mesma fila. No pré-mortem, aponta que ninguém havia definido como medir se o segundo turno funcionou.

Nada disso é uma ordem. O dono verifica nos próprios registros quais tipos de mensagem compõem a fila, descobre que parte dela é mesmo repetitiva e decide testar primeiro uma mudança menor, antes de contratar. Em outro desfecho possível, ele confirmaria que a fila é diversa e seguiria com a contratação, agora com um critério de sucesso escrito. Nos dois casos, a decisão é dele e ficou mais bem fundamentada. Para o lado do atendimento, vale ler também sobre o que automatizar e o que manter no SAC com IA.

Como separar objeção útil de ruído

Uma lista longa de riscos dá a impressão de rigor, mas boa parte pode ser irrelevante, repetida ou até inventada. A documentação do NIST AI Risk Management Framework organiza a gestão de risco de IA em torno de governar, mapear, medir e gerenciar, e a ideia serve aqui em escala pequena: não basta listar riscos, é preciso avaliá-los e decidir o que fazer com cada um.

Use este filtro para cada objeção que o modelo apresentar:

• É específica para o meu caso ou serviria para qualquer empresa?
• Depende de um fato que eu consigo verificar? Se sim, verifique antes de aceitar.
• Qual é o impacto se ela se confirmar, e ela é reversível?
• Existe uma ação barata que reduza o risco ou um teste que a confirme?
• Se eu ignorar, quem paga a conta e quando?

Depois, classifique cada objeção em três grupos: aceita (muda o plano), verificar (precisa de dado) e recusada (com motivo escrito). O motivo escrito importa. Recusar uma objeção por convicção é legítimo, mas registrar o porquê ajuda você mesmo a revisar a decisão depois, caso a realidade discorde.

Também desconfie de afirmações factuais do modelo sobre mercado, leis e concorrentes. Ele pode errar com segurança. Se uma objeção cita uma regra, confirme na fonte oficial. Para texto que vai circular na empresa, o checklist de revisão de texto feito por IA ajuda a não repassar erro adiante.

Como não terceirizar o julgamento

O risco do método é inverter o papel: a IA propõe, você aprova sem pensar. Os princípios da OCDE para IA tratam de supervisão humana e responsabilização, e o ponto prático é simples: a pessoa que assina a decisão precisa ser capaz de explicá-la sem citar a ferramenta.

Algumas práticas que mantêm o julgamento no lugar certo:

• Escreva sua posição antes de consultar a IA. Assim você mede se ela realmente mudou algo ou só confirmou o que você já pensava.
• Peça objeções, não veredictos. Evite perguntar "devo fazer?" e prefira "onde isto pode falhar?".
• Compare com pessoas. Leve as objeções mais fortes a quem conhece a operação, como o responsável pelo financeiro ou pelo atendimento.
• Defina quem decide e quando. Uma rodada de crítica sem prazo vira procrastinação.
• Reconheça os limites. Há decisões que não devem ser entregues à IA, como as que envolvem demissões, saúde ou direitos de pessoas. O texto sobre o que não delegar para IA na empresa aprofunda esse recorte.

Se a decisão envolver tratar pessoas de forma automatizada, a LGPD tem regras próprias sobre revisão, e vale conhecer o art. 20 e o direito de revisão. Usar a IA para criticar uma decisão sua é diferente de deixá-la decidir sobre alguém, mas a fronteira merece atenção.

Dados, privacidade e registro da decisão

Para pedir uma boa crítica, a tentação é colar tudo: planilhas, contratos, conversas de clientes. Resista. Anonimize, resuma e use só o necessário. Nomes de clientes, dados pessoais de funcionários e informações contratuais confidenciais raramente são indispensáveis para que o modelo encontre uma premissa frágil.

Três cuidados práticos:

• Defina na empresa quais ferramentas de IA podem receber quais tipos de informação. A política de uso de ChatGPT na empresa mostra como separar o permitido do proibido.
• Entenda para onde os dados vão. Se a ferramenta processa informações fora do Brasil, a questão da transferência internacional de dados com IA entra na conta. A ANPD, em gov.br/anpd, é a referência oficial para orientações.
• Guarde um registro curto: a decisão, as objeções levantadas, o que foi aceito, o que foi recusado e o critério para revisar. Uma página basta.

Esse registro tem um segundo uso. Passado algum tempo, você pode comparar o que aconteceu com o que a crítica previa e ajustar a forma de pedir. É um aprendizado barato que quase ninguém aproveita.

Como isso se encaixa no método: mapear, limitar, pilotar, transferir

O mesmo raciocínio que usamos para implantar IA em processos vale para usá-la na decisão. Mapear é descrever a decisão, as premissas e as evidências antes de pedir qualquer coisa. Limitar é restringir os dados que entram e deixar claro que a IA só critica e nunca decide. Pilotar é testar o método em uma ou duas decisões reais, de baixo risco, e verificar se as objeções trouxeram algo que você não tinha visto. Transferir é transformar o que funcionou em um roteiro da equipe, com o pedido padrão, o filtro de triagem e o registro, para que gestores diferentes consigam repetir o processo. Se você quiser medir se a prática compensa, o texto sobre como medir um piloto de automação com IA traz critérios de decisão que se adaptam bem.

Perguntas frequentes

Posso deixar a IA tomar decisões de gestão sozinha? Não é recomendável para decisões relevantes. A IA não conhece o contexto completo da empresa, pode errar com segurança e não responde pelas consequências. Use-a para ampliar a análise, e mantenha a decisão e a responsabilidade com uma pessoa.

Preciso de uma ferramenta específica para usar a IA como advogado do diabo? Não. Um assistente de conversa comum já serve, desde que você forneça contexto, defina o papel de crítico e conduza a conversa em etapas. O que muda o resultado é a qualidade do pedido e da triagem, mais do que a marca da ferramenta.

Como evito que a IA invente riscos que não existem? Peça que ela separe fato de suposição, indique qual premissa cada objeção ataca e diga o que seria preciso verificar. Depois confirme em fontes confiáveis e nos seus próprios dados tudo o que for factual. Objeção sem verificação possível deve ser tratada como hipótese, não como alerta.

Posso usar dados de clientes e de funcionários nessa análise? O ideal é não precisar. Resuma e anonimize, e envie só o necessário para a crítica. Se for indispensável usar dados pessoais, confirme antes se a ferramenta é permitida pela política da empresa e como a LGPD se aplica ao caso.

Fontes

• NIST: AI Risk Management Framework
• OECD: AI Principles
• Anthropic: Effective context engineering for AI agents
• ANPD: Autoridade Nacional de Proteção de Dados