O problema de negócio
Atribuir uma intervenção no terreno não se resume a escolher o técnico mais próximo. É preciso ter em conta competências, zona, horários, indisponibilidades, carga de trabalho e restrições operacionais.
No Ginqel FieldFlow, a IA intervém primeiro para estruturar e qualificar o pedido. A decisão de atribuição é depois conduzida por um motor de negócio determinístico e explicável.
Esta separação é importante: um modelo generativo é excelente a compreender texto livre, mas não deve tornar-se o único árbitro de uma escolha operacional crítica.
Descobrir a arquitetura e o estado do projeto Ginqel FieldFlow
Separar a IA da decisão de negócio
O LLM não assume a responsabilidade final pela atribuição. Produz uma qualificação estruturada, acompanhada de um nível de confiança, sinais-chave e razões legíveis.
O motor de pontuação pode então comparar vários técnicos com regras controláveis: competências, distância, carga, disponibilidade, histórico, zona de intervenção e restrições de SLA.
Esta arquitetura permite reproduzir uma decisão, perceber porque foi escolhido um técnico e manter um comportamento previsível mesmo quando o modelo de IA evolui.
Conceber uma pontuação explicável
Uma pontuação útil não deve ser apenas um número. Deve apresentar uma decomposição por critério para que as equipas operacionais compreendam rapidamente a recomendação.
Por exemplo, um técnico pode obter 92/100 com uma decomposição que mostra correspondência perfeita de competências, zona compatível, carga reduzida, disponibilidade imediata e distância razoável.
Este nível de detalhe favorece a adoção pelo negócio e torna o diagnóstico de anomalias muito mais simples.
Proteger a atribuição automática
Uma recomendação calculada num dado momento pode deixar de ser válida segundos depois. Um técnico pode ser atribuído a outra tarefa, ficar indisponível ou sair de uma zona autorizada.
Antes de uma atribuição automática, o backend deve por isso revalidar as restrições críticas numa transação curta e protegida contra conflitos de concorrência.
O sistema pode também definir limiares mínimos de confiança ou de pontuação abaixo dos quais a validação humana continua a ser obrigatória.
Observabilidade e melhoria contínua
As decisões devem ser guardadas com a qualificação da IA, a pontuação final, os critérios utilizados, o técnico escolhido e eventuais correções humanas.
Esse histórico permite medir a qualidade das regras, os erros de qualificação, a taxa de validação humana e as diferenças entre recomendações e decisões finais.
A IA torna-se assim um componente mensurável do sistema, e não uma caixa negra opaca.
