É IA de verdade ou dashboard renomeado? Seis perguntas que separam uma coisa da outra
O termo virou obrigatório em proposta comercial, e reguladores já multam quem exagera. Como um gestor de frota descobre, em uma reunião, se está comprando modelo treinado ou regra de limite com nome novo.
Toda proposta de tecnologia de frota que chega na sua mesa hoje tem a palavra inteligência artificial. Em algumas, ela aparece dezenas de vezes. E boa parte dessas propostas descreve, tecnicamente, a mesma coisa que se vendia em 2019 com outro nome.
Isso não é impressão de gestor cético. É um comportamento de mercado com nome, com fiscalização e com multa.
O termo tem dono, e tem quem cobre
Em março de 2024, a SEC, que é a comissão de valores mobiliários dos Estados Unidos, multou duas empresas em 400 mil dólares por afirmarem usar inteligência artificial em seus processos quando não usavam.
Uma delas dizia colocar dados coletivos para trabalhar de modo a "tornar nossa inteligência artificial mais inteligente, para que ela consiga prever quais empresas e tendências estão a ponto de estourar". A investigação concluiu que a empresa simplesmente não possuía a capacidade de IA e de aprendizado de máquina que alegava.
A prática ganhou nome: AI washing, por analogia direta ao greenwashing, que é exagerar credencial ambiental. Além da SEC, o Departamento de Justiça e a FTC americanos também abriram frentes sobre declarações falsas ou enganosas de capacidade de IA.
Nada disso é sobre frota, e vale dizer com clareza: é mercado financeiro, é outro país, e não existe até agora equivalente brasileiro fiscalizando a alegação de IA em software de gestão de frota. Mas serve para estabelecer um ponto que muda a conversa: exagerar capacidade de IA é uma prática comum o bastante para ter nome, e séria o bastante para virar multa. Você não está sendo paranoico quando desconfia.
O que separa uma coisa da outra
Antes das perguntas, a distinção técnica, sem jargão.
Um sistema de regras faz o que alguém programou. "Se a temperatura do motor passar de 105 graus, dispare alerta." Um humano escolheu o 105. O sistema não sabe por que 105, não sabe se 105 é bom para o seu caminhão específico, e vai disparar exatamente igual no primeiro dia e no milésimo.
Um modelo treinado aprendeu com exemplos. Você mostra a ele milhares de casos de veículos que quebraram e de veículos que não quebraram, e ele extrai sozinho os padrões que antecedem a quebra. Ninguém programou o número; ele saiu do dado.
Agora a parte que quase nenhum material sobre o assunto diz: regra não é ruim. Um limite bem calibrado de temperatura de motor é útil, barato, previsível e auditável. Em várias situações é a escolha certa, e um modelo ali seria complicação desnecessária.
O problema nunca foi usar regra. O problema é pagar preço de IA por regra, e esperar comportamento de IA de uma coisa que não vai entregar isso: as duas falham de maneiras diferentes, custam diferente e exigem manutenção diferente.
O problema nunca foi usar regra. O problema é pagar preço de IA por regra.
As seis perguntas
Todas cabem numa reunião. Nenhuma exige que você entenda de programação. E o mais revelador não é a resposta em si: é o quão à vontade a pessoa fica.
1. "Isso melhora com o tempo, usando os dados da minha frota?"
É a pergunta que mais separa. Regra dá a mesma resposta no dia 1 e no dia 500. Modelo treinado calibra para a sua operação.
Se a resposta for algum tipo de "sim, o sistema aprende", vá para a pergunta óbvia em seguida: aprende com o dado de quem? Só da minha frota, ou da base inteira de clientes? As duas respostas são legítimas, e têm implicações bem diferentes de privacidade e de desempenho. Uma resposta vaga aqui é a resposta.
2. "Ele me dá uma probabilidade ou um sim e não?"
Regra é binária por natureza: passou do limite ou não passou. Modelo produz grau, escore, faixa de confiança.
Se todo alerta chega igual, sem nada indicando "este é mais provável que aquele", provavelmente há um limite por trás. E note que isso é prático, não filosófico: sem grau de confiança, você não consegue priorizar sua fila de alertas, e vai tratar o caso quase certo do mesmo jeito que o caso duvidoso.
3. "Qual a taxa de falso positivo, medida?"
Essa é a pergunta que mais incomoda, e por bom motivo.
Qualquer equipe que realmente treinou um modelo mediu o erro dele, porque é impossível treinar sem medir. Medir erro é parte do processo, não um extra.
Então se ninguém consegue te dizer um número, mesmo aproximado, mesmo com ressalva, a leitura mais provável não é que o número seja ruim. É que ninguém mediu — e portanto ninguém validou.
Aceite intervalo, aceite "depende da rota", aceite "no nosso teste com tal cliente foi tanto". Não aceite silêncio nem mudança de assunto.
4. "O que acontece quando eu coloco um modelo de veículo que vocês nunca viram?"
Aqui as duas coisas se comportam de modo visivelmente diferente.
Com regra, alguém da equipe do fornecedor precisa entrar e configurar os limites do veículo novo. É trabalho humano, e costuma ser cobrado.
Com modelo, ou ele generaliza a partir do que já aprendeu, ou ele degrada — e degrada de um jeito conhecido, que gente que trabalha com isso sabe descrever.
Uma resposta honesta aqui soa mais ou menos assim: "no começo vai errar mais, porque tem pouco dado desse modelo; melhora em algumas semanas". Isso é sinal de quem sabe do que está falando. Uma resposta que diz que funciona perfeitamente desde o primeiro dia com qualquer veículo é sinal de outra coisa.
5. "Quando foi o último retreinamento?"
Modelo não é obra pronta. Ele envelhece, porque a frota, as rotas, os veículos e o comportamento dos motoristas mudam. Isso tem nome na área e é problema conhecido.
Se existe modelo de verdade, existe alguma rotina de reciclagem: mensal, trimestral, sob demanda. Se a resposta é que treinaram uma vez e está pronto, você tem uma fotografia, não um sistema que aprende.
6. "Me mostra um caso em que ele errou."
Deixei essa por último porque é a mais reveladora, e a que ninguém espera.
Quem construiu um modelo tem histórias de erro. Erro é o dia a dia de quem treina modelo, e as boas equipes falam disso com naturalidade, quase com humor.
Já quem só tem regra com nome novo costuma travar aqui, porque no roteiro comercial não existe espaço para o produto errar.
Um fornecedor que te conta um erro específico, explica por que aconteceu e o que mudou depois acabou de te dar mais garantia do que qualquer slide de precisão de 99%.
Como ler as respostas
Um lembrete, porque essas perguntas podem ser usadas de forma injusta.
O objetivo não é pegar ninguém. Existe gente vendendo software honesto e muito útil que é, tecnicamente, regra bem feita, e que usa a palavra IA porque o mercado passou a exigir isso na primeira linha do material. Julgar essa empresa como desonesta é errar o alvo.
O objetivo é você saber o que está comprando, porque isso muda três decisões concretas:
- Quanto pagar. Modelo treinado custa mais para construir e manter. Regra não deveria custar preço de modelo.
- O que esperar. Se é regra, não espere que melhore sozinho. Planeje a reconfiguração como trabalho recorrente, e negocie isso no contrato.
- Onde vai doer. Regra falha de forma previsível e auditável. Modelo falha de forma estatística, e exige que alguém acompanhe a taxa de erro ao longo do tempo.
O teste de trinta segundos
Se você tiver tempo para uma pergunta só, use esta:
"Me explica, sem usar a palavra inteligência artificial, o que o sistema faz quando chega o dado do veículo."
Quem tem modelo consegue responder. Vai falar de histórico, de padrão, de comparação com casos anteriores, de escore.
Quem não tem trava, porque tirar o termo do vocabulário tira a descrição inteira.
E se a resposta descrever, honestamente, um limite bem escolhido com um alerta bem entregue, ótimo: pode ser exatamente o que a sua frota precisa. Só vale pagar o preço certo por ele.
Fontes: ação de fiscalização da SEC contra dois consultores de investimento por declarações falsas sobre uso de IA (março de 2024, multa total de US$ 400 mil). O termo AI washing e a atuação conjunta de SEC, DOJ e FTC sobre alegações de capacidade de IA estão documentados na literatura regulatória e jurídica sobre o tema. Nenhum desses casos envolve software de gestão de frota; são citados para caracterizar a prática, não para acusar fornecedores do setor.