David Haber, da a16z, fez uma provocação que agitou o mercado esta semana:os LLMs podem resolver o que chamamos de “Messy Inbox Problem” (problema da caixa de entrada bagunçada) — a inundação esmagadora de dados não estruturados que retarda os negócios em todos os setores, da saúde ao frete?
Quase todo trabalho de conhecimento (mas principalmente software) é essencialmente um problema de caixa de entrada bagunçada: backlogs de produtos, filas de suporte ao cliente, solicitações de design…
Ao sintetizar dados de voz e texto de faxes, e-mails, PDFs e transcrições de chamadas e extrair sistematicamente informações importantes, os LLMs estão automatizando os fluxos de trabalho manuais do topo do funil — responsáveis por operações de entupimento, desperdício de incontáveis horas e criação de gargalos nos processos downstream — emergindo como uma poderosa “estratégia da cunha” para as empresas simplificarem as operações e obterem uma vantagem competitiva, argumenta Haber.
Empresas como Tennr, Heron Data, HappyRobot e Eve já estão capitalizando essa necessidade das empresas de pegar informações bagunçadas do mundo real para as colocar em seus sistemas internos de registro e fluxos de trabalho.
Elas já perceberam que as oportunidades mais empolgantes não estão nos lugares óbvios. Estão nos domínios mais confusos — onde a complexidade tem historicamente criado maior resistência à mudança. É aí que a capacidade da IA de analisar, entender e agir sobre informações não estruturadas terá o maior impacto.
A Tennr, uma empresa do portfólio da a16z, usa LLMs treinados sob medida (treinados em 3 milhões de registros médicos anônimos) para automatizar a entrada de pacientes. Ao extrair com precisão dados de faxes, e-mails e transcrições de chamadas, eles reduzem a sobrecarga administrativa em 90% enquanto se integram perfeitamente a outros sistemas.
Isso não está acontecendo apenas na área da saúde — a IA está resolvendo o problema da caixa de entrada bagunçada em vários setores. Essas inovações estão simplificando as operações, cortando custos e impulsionando a eficiência de maneiras que eram inimagináveis há apenas alguns anos.
Operadores da cadeia de suprimentos podem gastar duas ou mais horas por dia em atividades manuais. Há um número crescente de LLMs que visam resolver esse problema com IA. A capacidade de sintetizar dados de voz ou texto não estruturados e extrair sistematicamente informações relevantes pode essencialmente iniciar fluxos de trabalho downstream.
Resolver ineficiências em indústrias tradicionais é uma das aplicações mais confiáveis de LLMs para produtos B2B. Todos os dias, indústrias tradicionais como saúde, direito e logística são sobrecarregadas com dados não estruturados — e-mails, faxes, PDFs e registros de chamadas — que se acumulam infinitamente.
Esses fluxos de informações desatualizados criam um gargalo enorme, atolando os fluxos de trabalho e puxando as equipes para tarefas manuais demoradas. Por exemplo, em consultórios médicos, os faxes ainda voam de um lado para o outro para novos encaminhamentos de pacientes, atualizações de laboratório e autorizações de seguro. A equipe administrativa tem que lidar com cada um, inserir manualmente os detalhes em registros eletrônicos e, em seguida, passar o bastão para o próximo membro da equipe. É demorado, caro e, francamente, desatualizado.
Os LLMs estão posicionados de forma única para consertar isso, assumindo esses processos repetitivos de admissão, tornando os fluxos de trabalho mais rápidos e muito mais eficientes.
“Mas a questão mais interessante não é se a IA pode lidar entrada bagunçada de dados na sua empresa — é o que a sua vai fazer com a capacidade adquirida com o uso dos LLMs e para onde o gargalo operacional se moverá”, opina Dan Mason, diretor de IA da Stride. Particularmente quando olhamos para o processo de desenvolvimento de software.
Não estamos falando apenas de automatizar coisas simples — mas de mudar fundamentalmente como o trabalho se move por uma organização. É fascinante como a capacidade da IA de lidar com tarefas upstream não apenas melhora a eficiência, mas também cria oportunidades de integração ou até mesmo substituição de sistemas de registro existentes.
Não por acaso, a metáfora do “Messy Inbox Problem” se alinha com uma tendência mais ampla de copilotos e agentes de IA se tornando parte integrante dos fluxos de trabalho de colarinho branco. Recentemente, o Google anunciou o Jarvis, um sistema que assume o controle do seu navegador para lidar com tarefas mundanas, como fazer uma compra ou reservar um voo. Isso veio na esteira de um lançamento da Anthropic que usa o Claude 3.5 para lidar com tarefas de computador para os usuários. Esses sistemas estão longe de estar prontos para produção, mas também são bons exemplos de sistemas que buscam resolver o problema da caixa de entrada bagunçada.
Nas cadeias de suprimentos, recursos como os desenvolvidos pelo Google, pela Anthropic, ou pelas startups citadas neste artigo, proliferarão rapidamente e poderão levar à automação de muitas tarefas, desde respostas de RFP por 3PLs até reservas e roteamento para clientes. Eles permearão as compras e não seria uma surpresa ver esses recursos implantados nos sistemas ERP, TMS e WMS muito em breve.
Afinal, o verdadeiro poder está em alavancar a IA no topo do funil, onde ela pode capturar, sintetizar e gerenciar dados não estruturados, criando um efeito cascata em processos inteiros.
A lição para as equipes de produtos é clara: os LLMs podem resolver problemas reais e tangíveis em setores tradicionais ao otimizar a entrada de informações e automatizar fluxos de trabalho. Mas isso não é apenas plug-and-play. Requer atenção cuidadosa ao manuseio seguro de dados, integração perfeita e garantia de que a IA realmente entregue o valor que promete.
Quais outros problemas de “𝘮𝘦𝘴𝘴𝘺 𝘪𝘯𝘣𝘰𝘹” você vê que a IA poderia resolver?
Toda empresa tem suas caixas de entrada bagunçadas esperando para serem transformadas, e é só uma questão de descobrir como usar a IA para arrumá-las.