Dashboard de planejamento — antes e depois da revisão assistida por IA

O dashboard à esquerda é o que a equipe de planejamento estava vendo antes da revisão. Trinta e sete KPIs. Quatro gráficos de série temporal. Duas tabelas dinâmicas. Tudo tecnicamente presente; nada priorizado.

A cadeia de prompts rodou em três etapas: primeiro uma leitura completa da especificação do dashboard, depois uma passada de crítica perguntando o que um revisor sênior cortaria, depois uma reconstrução usando apenas as dez métricas que sobreviveram. O resultado está à direita.

O que mudou: vinte e sete métricas removidas, não porque estavam erradas, mas porque não eram relevantes para a decisão. Os dois gráficos de série temporal que restaram foram reformulados em torno da decisão real de planejamento (ponto de reposição vs. posição de estoque atual) em vez de em torno do que era fácil de extrair do sistema.

O que isso levou: Quarenta minutos, uma sessão do Claude, uma cadeia de prompts bem estruturada. A IA não entendia o contexto de planejamento, ela recebeu esse contexto. O prompt incluía a decisão que o dashboard deveria apoiar e a audiência que leria o resultado. Esse contexto é o que fez o trabalho.

O que isso não fez: A IA não tinha visibilidade sobre os dados subjacentes. Ela revisou a estrutura e o enquadramento, não os números. Um humano ainda teve que verificar se as dez métricas sobreviventes estavam corretamente calculadas. Automação cuida da estrutura; julgamento cuida da checagem de precisão.

Modo de falha: A primeira versão do prompt de crítica foi agressiva demais, ela sinalizou doze métricas para remoção que na verdade eram estruturais para um processo posterior que o prompt não conhecia. A segunda versão adicionou uma restrição: “não sugira remover nenhuma métrica que alimente o pacote semanal de S&OP.” Isso produziu um resultado mais útil.