Verify · Validate · Challenge
Aplicado a alucinações e decisão de investimento. A lógica é útil, mas o foco é checagem financeira.
Valor para decidir se vale usar. Verificabilidade para saber se dá para confiar. Vulnerabilidade para medir o impacto se der errado.
A IA Generativa pode acelerar trabalho, ampliar repertório e reduzir esforço operacional. Mas também pode produzir confiança falsa, respostas bonitas e decisões frágeis. Os 3V's ajudam a separar ganho real de delegação perigosa.
Em buscas públicas, aparecem estruturas com nomes parecidos, mas com outro significado e outro objetivo. Esta palestra usa os 3V's como um protocolo autoral de decisão para uso de IA Generativa no trabalho.
Aplicado a alucinações e decisão de investimento. A lógica é útil, mas o foco é checagem financeira.
Associado a discussões sobre IA agentiva, autonomia e fricção operacional.
Um filtro simples para decidir se a IA deve ser usada, como deve ser conferida e qual nível de autonomia ela pode receber.
Como interpretar: não é uma afirmação de que ninguém jamais usou palavras parecidas. É uma constatação prática: não encontrei, nas fontes públicas pesquisadas, o framework com esta combinação e aplicação específica.
Vale a pena usar IA nessa tarefa?
Valor não é usar IA porque está na moda. É ter benefício claro: tempo, qualidade, escala, aprendizado, consistência, redução de retrabalho ou melhor tomada de decisão.
Dá para conferir se a resposta está correta?
Se não existe forma de validar, a IA deve ficar no campo da exploração. Verificar pode envolver fonte, teste, regra de negócio, métrica, especialista, revisão por pares ou comparação com sistemas oficiais.
Se der errado, o que acontece?
Vulnerabilidade mede impacto. Um erro em um rascunho interno é diferente de um erro em uma decisão médica, jurídica, financeira, regulatória, reputacional ou humana.
Valor autoriza experimentar. Verificabilidade autoriza confiar. Vulnerabilidade define quanto podemos delegar.
Em estudo com agentes de atendimento, a IA elevou produtividade média, com maior ganho para profissionais menos experientes. O caso funciona bem porque havia tarefa recorrente, resultado observável e supervisão.
Brynjolfsson, Li e Raymond · NBER ↗Experimento publicado na Science mostrou melhora de produtividade em tarefas de escrita profissional. O valor aparece quando o escopo é claro e o humano revisa o resultado.
Noy e Zhang · Science ↗O estudo da “fronteira irregular” mostra que a IA pode melhorar desempenho em algumas tarefas e piorar em outras. O problema não é só usar IA: é saber onde ela é forte e onde ela engana.
Dell'Acqua et al. · HBS/BCG ↗Pesquisa da Microsoft com 319 profissionais indicou que maior confiança na IA pode estar associada a menor esforço percebido de pensamento crítico. A verificação precisa ser desenhada, não presumida.
Microsoft Research · CHI 2025 ↗Se não existe valor claro, não avance. Se existe valor, use a matriz para decidir o nível adequado de autonomia.
Decisão humana sensível, diagnóstico, decisão jurídica crítica, aconselhamento regulado, ação irreversível sem validação.
Código em produção, SQL crítico, relatório executivo, análise financeira, política interna, comunicação com cliente.
Brainstorming, hipóteses, alternativas, primeiras perguntas, rascunhos, mapas mentais e leitura exploratória.
Formatação, transformação de texto, boilerplate, classificação de baixo impacto, tarefas repetitivas e fáceis de conferir.
Valor: resolver mais chamados com consistência. Verificabilidade: protocolos, histórico e QA. Vulnerabilidade: controlada com humano e regras de escalonamento.
Estudo NBER ↗Valor: reduzir tempo de primeira versão. Verificabilidade: revisão humana, clareza de objetivo e comparação com o contexto. Vulnerabilidade: baixa quando é rascunho interno.
Experimento Science ↗O caso Deloitte na Austrália expôs citações e referências problemáticas em relatório para governo. O erro não foi apenas “a IA alucinou”; foi publicar sem validação suficiente em contexto de alta vulnerabilidade.
Cobertura AP ↗No caso Air Canada, um chatbot informou política de reembolso incorreta. Se a resposta afeta direito do cliente, ela precisa de fonte, governança e responsabilidade claras.
Decisão BCCRT ↗No caso Mata v. Avianca, citações legais inexistentes mostraram que respostas plausíveis não bastam. Em áreas reguladas, verificabilidade é requisito, não detalhe.
Resumo do caso ↗Incidentes com agentes de coding reforçam a pergunta dos 3V's: se a ação é destrutiva, qual validação, permissão, rollback e responsabilidade existem antes da execução?
Resposta da Replit ↗Escolha um cenário ou ajuste os níveis. O objetivo é treinar raciocínio, não substituir análise de risco formal.
Para refletir sobre o uso da IA Generativa no seu próprio trabalho, time e organização.
Não. Eles são contra automação sem critério. A ideia é usar mais IA onde existe valor, validação e impacto controlado.
Não. Valor pode ser tempo, qualidade, aprendizado, consistência, redução de fila, menos retrabalho ou melhor experiência do cliente.
Pode usar para explorar, levantar hipóteses e ampliar repertório. O ponto é não delegar decisão final sem validação.
Fonte ajuda, mas não basta. Verificar também pode ser testar código, comparar com regra de negócio, revisar com especialista ou medir resultado.
É o impacto do erro. Risco completo envolve probabilidade e impacto. Aqui a pergunta didática é: se errar, o estrago é pequeno ou grande?
Ajuda a definir política de uso, níveis de autonomia, revisão humana, trilha de auditoria e prioridades reais de adoção.
Ajuda a explicar trade-offs, limitar permissões de agentes, desenhar testes, separar protótipo de produção e evitar confiança falsa.
Shadow AI cresce quando as pessoas veem valor, mas não têm caminho seguro para verificar e controlar vulnerabilidade. Os 3V's ajudam a criar esse caminho.
Se não dá para validar, não delegue. Se o impacto do erro é alto, aumente supervisão. Se não há valor claro, não use IA só por moda.