IA Auto-Learning (Autocompletar Inteligente)

Preencher formulários grandes repetidas vezes pode ser um gargalo de produtividade. Para reduzir isso, o Flowi Agentic aprende com o histórico da sua própria empresa e sugere o preenchimento de campos em Tarefas Humanas (User Tasks).

Como funciona?

Toda vez que alguém da sua empresa conclui uma tarefa, os valores escolhidos em cada campo ficam registrados no histórico do processo. Diariamente, a plataforma revisita esse histórico e conta, campo a campo, o que foi decidido em situações comparáveis — levando em conta o que já estava preenchido no restante do formulário. Por exemplo: quando a categoria é "TI", o fornecedor escolhido foi "ACME" em 34 de 38 casos.

Não há adivinhação nessa contagem: são decisões reais, tomadas por pessoas da sua empresa, no mesmo processo e na mesma etapa.

O índice de confiança

A confiança de uma sugestão é a fração de casos comparáveis em que aquele valor foi escolhido. Se "ACME" foi o fornecedor em 34 de 38 casos com categoria "TI", a confiança é de 89% — e é exatamente essa explicação, "34 de 38 casos", que acompanha a sugestão.

Três regras mantêm esse número honesto:

• Só contam decisões tomadas sem ver uma sugestão. Quando a plataforma sugere um valor e você o aceita, esse caso não aumenta a confiança. Se aumentasse, a IA estaria confirmando a si mesma: um palpite errado pareceria cada vez mais certo só por ter sido aceito.
• É preciso um mínimo de casos. Com menos de 5 decisões comparáveis (valor padrão), nenhum padrão é formado e nada é sugerido.
• Campo que saiu do formulário para de contar. Um formulário muda com o tempo: um campo é renomeado, outro é retirado. Quando a versão publicada do formulário não pede mais aquele campo, o que foi decidido nele deixa de virar sugestão e deixa de ser usado para restringir a busca por casos comparáveis. O histórico continua no processo — o que muda é que a plataforma para de comparar por algo que ninguém preenche mais.

Isso vale para campo de formulário, não para tudo

Valores que o processo grava por fora da tela — o que uma integração ou uma etapa automática calcula — continuam contando normalmente. O formulário não tem como declarar que eles acabaram, então a plataforma não presume que acabaram.

Dois tipos de sugestão

Ao pedir sugestões da IA em uma tarefa, dois comportamentos diferentes podem acontecer, dependendo do campo:

• Preenchimento por padrão — quando existe um padrão com confiança de pelo menos 80% (valor padrão), o campo ainda vazio é preenchido com o valor do padrão, acompanhado do índice de confiança e da contagem de casos que o sustenta. Você pode manter o valor ou trocá-lo: a decisão final é sempre sua.
• Caso anterior — em campos de texto corrido (observações, descrições), contar ocorrências não faz sentido: um parecer diferente a cada documento apareceria uma vez só, e sua confiança seria sempre baixa demais. Para esses campos a plataforma devolve o valor anterior mais frequente naquele mesmo contexto, literal, para você editar. Vem sem índice de confiança, não é tratado como padrão aprendido, e é rastreável: dá para dizer de quantos casos anteriores ele veio.

Nenhuma das duas é texto gerado por IA. As duas são contagem sobre decisões reais, então pedir sugestões não consome cota de IA. Um campo de texto genuinamente único, sem caso anterior parecido, simplesmente não recebe sugestão.

O que você já preencheu orienta a sugestão

Ao pedir sugestões, a plataforma olha o formulário como ele está na tela naquele instante — inclusive o que você acabou de digitar e ainda não salvou. Esses valores fazem parte da pergunta: são eles que dizem em que situação a tarefa está, e é por eles que a busca por casos comparáveis fica mais específica. Quanto mais você já tiver preenchido, mais dirigida é a resposta.

E o que você preencheu não é trocado. Só campo vazio é preenchido automaticamente. Quando o padrão aponta para um valor diferente do que está na tela, nada é sobrescrito: a divergência aparece na lista Sugestões para revisar, junto com o valor sugerido e a contagem de casos que o sustenta, e só entra no formulário se você clicar para usá-la.

Nada disso é gravado por conta própria. Uma sugestão aceita entra no formulário como se você a tivesse digitado, e chega ao processo quando você salvar ou concluir a tarefa — se sair da tela sem salvar, ela não fica.

Por que às vezes a IA fica em silêncio

De tempos em tempos (1 a cada 10 tarefas, por padrão), a plataforma deixa de sugerir de propósito, mesmo tendo um padrão confiável para aquele campo.

O motivo é simples: para saber se um padrão continua valendo, a plataforma precisa observar decisões que não foram influenciadas por sugestão alguma. Se todas as pessoas vissem sempre o valor sugerido, não haveria mais como saber se ele ainda é o que a empresa escolheria por conta própria — e um padrão que ficou obsoleto continuaria parecendo certo para sempre. Esse silêncio ocasional é o que mantém o índice de confiança verdadeiro ao longo do tempo.

Se você está testando o recurso, teste em várias tarefas

O sorteio é por tarefa e determinístico: se aquela tarefa caiu no silêncio, ela nunca vai sugerir nada, por mais vezes que você clique. E o silêncio apaga todas as sugestões daquela tarefa — padrão contado, caso anterior e IA.

A mensagem exibida é a mesma de "não há casos suficientes", então não dá para distinguir uma coisa da outra pela tela. Testar numa única tarefa e concluir que o recurso não funciona é o engano mais fácil de cometer aqui — abra três ou quatro.

Privacidade

Duas proteções diferentes atuam aqui, e elas não cobrem as mesmas coisas.

Pelo tipo declarado no formulário. Campos declarados como CPF, CNPJ, CEP, E-mail, Telefone e Senha ficam fora do aprendizado por completo: não geram padrão, não são sugeridos e não entram como contexto para sugerir outros campos. O campo excluído é removido do que o modelo enxerga, não mascarado.

Pelo nome do campo, e só quando o formulário não declara aquele campo — o caso das variáveis que o processo cria por fora da tela. Aí a plataforma procura no nome termos como nome, endereco, nascimento, rg, idade, senha, password, token, secret e apiKey.

Nome e endereço não são protegidos por tipo

Não existe tipo "nome de pessoa" nem "endereço" no construtor de formulários, e a verificação por nome não é consultada para campos que o formulário declara. Um campo nomeCompleto ou enderecoEntrega declarado como texto é aprendido normalmente.

Para esses, o administrador precisa listá-los em Campos excluídos do aprendizado, na aba Auto-Aprendizado da definição do processo. É a única proteção que funciona.

O que o administrador pode ajustar

Os números citados acima — 80% de confiança, 1 tarefa em 10 no silêncio — são o ponto de partida, não uma regra fixa. Eles ficam na aba Auto-Aprendizado da definição do processo, e cada processo tem os seus:

Ajuste	Padrão	O que muda
Janela de tempo (meses)	3	quantos meses de histórico a contagem enxerga — e também quantos ela lê: estreitar aqui deixa a leitura noturna mais barata, não só o resultado mais curto
Limiar de confiança	0,80	a partir de que confiança um valor é oferecido. Subir deixa a plataforma mais calada e mais certeira; descer, o contrário
Amostra mínima	5	quantos casos decididos sem sugestão na tela um padrão precisa reunir antes de valer. Protege contra concluir de duas ou três repetições
Campos de condicionamento	2	1 compara olhando um campo por vez; 2 também cruza pares de campos, o que dá padrões mais específicos e exige mais histórico
Holdout (%)	10	a fatia de tarefas deixada de propósito sem sugestão, explicada em Por que às vezes a IA fica em silêncio
Campos excluídos do aprendizado	vazio	os nomes de campo que ficam fora, descritos em Privacidade

Holdout em 0 congela a confiança

Colocar o holdout em 0 é permitido, e a tela avisa o que custa: com ele em zero toda tarefa recebe sugestão, nenhuma decisão sem influência volta a ser observada e a confiança dos padrões já aprendidos para de ser atualizada — ela congela na nota que tem hoje. Um padrão que ficar obsoleto vai continuar parecendo certo.

De onde vem o aprendizado

• O aprendizado é por empresa: padrões da sua empresa nunca aparecem para outra.
• Os padrões são recalculados diariamente sobre uma janela recente do histórico, então mudanças no jeito de trabalhar se refletem nas sugestões em poucos dias.
• O histórico que já existe conta. A contagem lê todas as tarefas concluídas dentro da janela configurada, sem exigir que o processo tenha sido preparado para isso. Um processo com histórico pode ganhar sugestões já na primeira execução noturna; um processo novo precisa acumular casos.
• Nem todo ajuste espera a noite. O que só a execução diária refaz é o conjunto de padrões: quais existem, sobre que contexto e com que confiança — logo, a janela de tempo, a amostra mínima, os campos de condicionamento e a retirada de um campo do formulário só aparecem no resultado depois da próxima execução. Já ligar ou desligar o aprendizado, mudar o limiar de confiança, mudar o holdout e acrescentar um campo à lista de excluídos valem no pedido de sugestão seguinte: eles filtram o que sai para a tela, não o que foi contado. Na prática, tirar um campo do aprendizado tem efeito imediato; afrouxar a amostra mínima não tem.