Cynefin: escolha o método de decisão certo para usar IA

Antes de escolher a solução, vale diagnosticar o problema. Parece óbvio, mas é o passo que quase todo time pula quando a empolgação com IA aperta. A pergunta que se ouve é "onde a gente coloca IA?", quando a pergunta útil é "que tipo de problema é este?". Cynefin, o framework de Dave Snowden, existe para responder a segunda, e ele muda por completo onde vale apontar a IA e onde ela vira armadilha cara.

Cinco domínios, cinco maneiras de agir

Cynefin, palavra galesa que se pronuncia mais ou menos "kunevin", não é uma matriz de dois eixos. É um mapa de cinco domínios, cada um com uma natureza de causa e efeito diferente, e por isso cada um pede uma forma distinta de decidir.

No domínio claro, a relação entre causa e efeito é evidente para qualquer um. Existe uma boa prática conhecida. Você percebe, classifica e responde com o procedimento certo. Trocar a senha que expirou é assim.

No domínio complicado, a resposta existe, mas não está à vista: é preciso análise, e às vezes um especialista, para chegar nela. Há mais de uma boa solução. Você percebe, analisa e responde. Dimensionar a infraestrutura de um sistema é assim.

No domínio complexo, a relação entre causa e efeito só fica clara depois que acontece. Não dá para saber a resposta de antemão, só para descobri-la testando. Você sonda com um experimento pequeno, percebe o que emerge e responde. Lançar um produto novo num mercado incerto é assim.

No domínio caótico, não há tempo para análise: algo está pegando fogo e a prioridade é estancar. Você age primeiro, percebe o efeito e depois ajusta. Um incidente grave em produção é assim.

No centro fica a desordem, o estado de não saber em qual domínio você está. É o mais perigoso, porque cada um puxa o problema para o método que já domina, em vez de para o método que a situação pede.

Onde a IA acerta na hora

Com esse mapa na mão, a decisão sobre IA para de ser palpite. A IA moderna é excepcional nos domínios claro e complicado, e por um motivo estrutural: os dois têm em comum a existência de uma resposta conhecível, ancorada em padrão. É exatamente o que um modelo treinado em muitos exemplos faz de melhor, reconhecer padrão e devolver a resposta que já existe em algum lugar.

Classificar um chamado, extrair dados de um documento, traduzir, resumir, responder uma dúvida que tem gabarito: tudo isso vive no claro ou no complicado. Ali a IA entrega ganho rápido, confiável e mensurável. É o terreno onde faz todo sentido automatizar com agressividade, e onde um bom OKR de resultado, e não de volume, comprova o valor sem drama.

A IA é uma máquina de responder o que já tem resposta. Nos domínios onde a resposta existe, ela é imbatível. Onde a resposta ainda não nasceu, ela precisa ser tratada como palpite, não como oráculo.

O erro que custa caro: tratar o complexo como complicado

Aqui está a lição mais valiosa do Cynefin para quem opera IA, e a mais ignorada. O engano recorrente é pegar um problema complexo e tratá-lo como se fosse apenas complicado. Ou seja, assumir que existe uma resposta certa esperando ser calculada, quando na verdade a resposta só vai emergir de tentativas no mundo real.

Exemplos moram no dia a dia. "Qual preço maximiza nosso lucro no próximo trimestre?" parece complicado, resolvível com um modelo. É complexo: depende da reação de concorrentes e clientes que ninguém prevê. "Qual mensagem vai converter melhor esse público novo?" também. Jogar esses problemas para a IA esperando a resposta definitiva é confundir o domínio. A IA vai devolver uma resposta confiante, porque ela sempre devolve, e a confiança vai mascarar o fato de que o terreno exigia experimento, não predição.

No complexo, o papel certo da IA muda de figura. Ela deixa de ser quem dá a resposta e vira quem acelera o ciclo de experimento: gerar variações para testar, ler rápido o que cada teste devolveu, propor a próxima hipótese. É a lógica de construir, medir e aprender da Lean Startup aplicada à IA: no incerto, a IA é motor de aprendizado, não fonte de verdade. Usar assim, como parceira de experimento, é o oposto de usar como caixa que cospe a decisão pronta.

Como o mapa muda a operação

Colocar Cynefin na frente do planejamento de IA gera três hábitos que se pagam.

O primeiro é diagnosticar antes de comprar. Antes de escalar uma solução de IA, pergunte em que domínio o problema vive. Se é claro ou complicado, avance com confiança e meça o resultado. Se é complexo, comece pequeno, com experimento, e desconfie de qualquer promessa de resposta certa. Esse diagnóstico evita gastar caro no lugar errado, no mesmo espírito de achar onde a operação realmente trava que a Teoria das Restrições ensina.

O segundo é combinar a verificação ao domínio. No claro, a saída da IA pode ser aceita com checagem leve. No complicado, ela pede revisão de quem entende. No complexo, ela é hipótese que só o teste no mundo confirma. A intensidade da verificação deveria subir conforme o domínio fica menos previsível, e essa disciplina de checar antes de confiar é a mesma que o Simon Willison aplica ao deixar a IA codar por spec e teste.

O terceiro é vigiar a desordem. Quando um time discute IA e cada pessoa defende um caminho totalmente diferente com a mesma convicção, muitas vezes o sinal é que ninguém concordou sobre em que domínio o problema está. Nomear isso, parar e classificar o problema antes de brigar pela solução, é o movimento mais barato e mais raro de todos.

Cynefin não te diz a resposta. Diz que tipo de resposta procurar, e por qual método. Numa era em que a IA entrega respostas confiantes para qualquer pergunta, saber quando essa confiança é merecida e quando é ilusão virou uma habilidade de sobrevivência. O framework de Snowden é a bússola que separa o problema que a IA resolve hoje do problema que ela só ajuda você a explorar.

Se o seu time está apontando IA para todo problema sem separar o que tem resposta do que precisa de experimento, chame a gente no WhatsApp que a gente ajuda a mapear cada caso no domínio certo.