A IA na análise de dados lê mil comentários em um minuto, e erra com a mesma fluência com que acerta. O método científico é o cinto de segurança. Na Vetor Sistemas O estagiário da Vetor Sistemas, empresa de software de gestão B2B, entregou em dez minutos o que costumava tomar uma tarde: os 600 comentários e tickets do trimestre resumidos pela IA em cinco temas, com porcentagens e até sugestões de ação. O texto era claro, confiante, bem escrito. Camila, a diretora de customer success, foi lendo e elogiando por dentro, até tropeçar no terceiro tema: "reclamações recorrentes de lentidão no módulo financeiro". Ela conhecia o produto. O módulo financeiro tinha sido descontinuado no ano anterior; os comentários que ela abriu para conferir falavam de outra coisa: lentidão no módulo fiscal, dois casos antigos de antes da migração, e três que nem eram de cliente da Vetor, e sim de uma integração de terceiros. A ferramenta tinha costurado retalhos verdadeiros numa afirmação falsa, com a fluência de quem jura que viu. — Ele escreve melhor que eu — admitiu o estagiário. — Escreve — disse Camila. — E erra com a mesma elegância. IA na análise de dados: a ferramenta que já está na bancada Classificar 5.000 comentários abertos em categorias já foi trabalho de uma semana (análise de conteúdo, no sentido clássico). Um modelo de linguagem faz uma primeira versão em minutos, e ainda resume, traduz, detecta sentimento e rascunha o relatório. Esse tipo de automação já deixou de ser experimento de bancada: sistemas de coleta de satisfação, incluindo o da Solvis, já usam IA para classificar comentários e disparar alertas em produção, para clientes reais. Isso torna ainda mais importante saber supervisionar bem essa ferramenta — seja para quem analisa dados no dia a dia, seja para quem constrói ou compra um produto com IA embutida. Seria tolice não usar. E seria tolice usar sem entender como essa ferramenta erra, porque ela erra de um jeito novo, para o qual os instintos de ninguém foram treinados. Máquinas antigas falhavam com cara de falha: tela azul, erro 404. A IA generativa falha com cara de acerto: texto fluente, confiante, bem formatado, mas ocasionalmente falso. A literatura técnica chama isso de alucinação: o modelo gera conteúdo plausível sem lastro nos dados. Vale saber por que isso acontece, porque explica por que a próxima versão não resolve. Em 2025, pesquisadores da própria OpenAI publicaram o diagnóstico (Kalai et al.): o modelo aprende prevendo a próxima palavra, e fatos raros (uma data, um número, o nome de um módulo) não têm padrão suficiente para serem previstos, só chutados; e as provas com que a indústria avalia os modelos dão ponto pela resposta certa e zero pelo "não sei", de modo que chutar com confiança rende mais nota do que admitir dúvida. O estagiário que nunca diz "não sei" foi criado por uma prova que premia o chute. Os modelos melhoram a cada ano e alucinam menos. Mas nenhum deixou de alucinar. Daí a imagem do título: um estagiário brilhante e incansável, que nunca diz "não sei". Você o contrataria? Claro. Você assinaria o relatório dele sem revisar? Nunca. Onde a IA brilha na análise de dados 1. Codificação de comentários em escala. A primeira passada de categorização, trabalho que era o gargalo da análise qualitativa, vira minutos. É um dos usos mais valiosos dessa tecnologia — inclusive já roda em produção em sistemas como o da Solvis, fazendo a primeira classificação de cada comentário e disparando o alerta correspondente. 2. Radar do inesperado, turbinado. "Liste temas recorrentes nestes comentários que NÃO se encaixam nas categorias existentes". A IA é boa em farejar o padrão novo que nenhuma pergunta fechada previu. 3. Tradução entre públicos. Do relatório técnico para o resumo executivo de 5 linhas; da análise para o rascunho de data storytelling. Rascunho: a palavra importa. 4. Parceiro de método. Talvez o uso mais subestimado: pedir à IA que banque o advogado do diabo. "Aqui está minha conclusão e meus dados: que explicações alternativas eu não considerei?". Ela é rápida em gerar hipóteses rivais, exatamente o exercício que o viés de confirmação faz qualquer um pular. Onde ela derrapa (e como cada derrapada se conserta) Derrapada 1: a alucinação. Números que não estão na base, citações de clientes que ninguém escreveu, porcentagens inventadas com três casas decimais de confiança.Conserto: regra da rastreabilidade: toda afirmação quantitativa que a IA produzir se confere na fonte antes de publicar. Verbatim citado em relatório? Busque-o na base, literal. Se não está lá, não existe. Derrapada 2: a classificação enviesada. O modelo aprendeu padrões do mundo, inclusive os tortos. Pode ler ironia como elogio ("adorei esperar 40 minutos, maravilhoso"), penalizar regionalismos e gírias, oscilar com o formato do texto. E oscila até consigo mesmo: um dos primeiros testes sérios do modelo como codificador (Reiss, 2023) mostrou que o mesmo texto, enviado duas vezes, pode voltar com categorias diferentes, e que trocar uma palavra na instrução muda o resultado.Conserto: auditoria por amostragem, exatamente como a análise de conteúdo clássica sempre exigiu (Krippendorff): tire uma amostra aleatória das classificações (não as 10 primeiras; aleatória), revise no braço, meça a taxa de concordância humano-máquina. Boa o suficiente, siga com auditorias periódicas; ruim, recalibre as instruções e repita. Classificador que ninguém audita é caixa-preta fabricando confiança, e agora em escala industrial. O mesmo padrão vale para qualquer classificador entregue a um cliente, com uma exigência a mais: a taxa de concordância deveria ser medida como qualidade do produto, acompanhada como qualquer outra métrica e, sempre que possível, visível no painel. Derrapada 3: a resposta que muda com a pergunta. A mesma base, perguntada de dois jeitos, rende conclusões diferentes: o efeito de pergunta induzida aplicado à máquina, que é ainda mais complacente do que um cliente educado. "Mostre como o atendimento melhorou" produz um relatório; "o que os dados dizem sobre o atendimento?" produz outro. O conserto é perguntar como cientista e não como torcedor, pedindo sempre o contra: