O que é human in the loop? Como as pessoas melhoram fluxos de trabalho com IA

Human in the loop (HITL) é um fluxo de trabalho usado em modelos de IA que divide tarefas entre sistemas automatizados e especialistas humanos com base em limites operacionais claros. Em um sistema HITL, a IA realiza tarefas previsíveis e baseadas em regras, enquanto especialistas humanos mantêm a responsabilidade por decisões complexas, requisitos de conformidade e casos excepcionais.

Para empresas, o HITL oferece uma forma prática de automatizar tarefas rotineiras e, ao mesmo tempo, manter as pessoas envolvidas quando seu julgamento é necessário. Um agente de IA pode consultar dados da conta, coletar informações sobre sinistros, enviar formulários de onboarding ou agendar um compromisso e, depois, sinalizar um caso incerto ou sensível para que uma pessoa o analise, aprove, corrija ou assuma o atendimento. 

Além dos fluxos de trabalho em tempo real, o HITL também se aplica ao desenvolvimento de machine learning. Pessoas podem rotular dados de treinamento, avaliar resultados do modelo, corrigir erros ou fornecer feedback que ajuda a melhorar o desempenho dele. Nesse contexto, a pessoa faz parte do processo de treinamento ou aprimoramento do modelo, e não de um fluxo de trabalho empresarial em tempo real. 

Neste artigo, vamos mostrar onde o envolvimento humano se encaixa em sistemas e fluxos de trabalho de IA, por que ele é importante e como um HITL eficaz funciona na prática. 

Resumo

• A IA com humanos no circuito divide um fluxo de trabalho entre a IA e as pessoas com base em responsabilidades predefinidas.
• As equipes incorporam revisões, aprovações, transferências e caminhos para exceções ao fluxo de trabalho e, depois da implantação, refinam essas regras conforme necessário.
• O HITL pode melhorar a precisão, a eficiência e o gerenciamento de riscos ao combinar automação com julgamento humano onde ele é necessário.

O que é human in the loop?

Human in the loop é um sistema no qual uma pessoa é incluída ativamente no processo para tomar decisões manualmente ou supervisionar um fluxo de trabalho de IA. Ele combina a execução automatizada de tarefas com regras integradas que pausam o fluxo de trabalho ou o transferem para uma pessoa quando determinadas condições são atendidas.

O envolvimento humano pode ser uma parte planejada do fluxo de trabalho ou uma resposta a situações que a IA não deve resolver por conta própria. As equipes definem esses pontos de contato humanos antecipadamente com base em políticas, riscos, experiência do cliente e no tipo de decisão envolvida. 

Pontos de contato humanos comuns incluem: 

• Revisões e aprovações obrigatórias: Uma pessoa analisa ou autoriza decisões que envolvem responsabilidade financeira, jurídica, de conformidade ou operacional.
• Etapas reguladas: Fluxos de trabalho agênticos encaminham decisões ou documentação a colaboradores qualificados quando leis, políticas ou padrões profissionais exigem envolvimento humano.
• Comunicações sensíveis ou de alto valor: Pessoas conduzem conversas em que negociação, acolhimento, gestão de relacionamento ou julgamento cuidadoso são importantes.
• Limites de função e exceções: Solicitações que estão fora da função atribuída à IA, envolvem circunstâncias incomuns ou não têm uma resposta definida são encaminhadas a uma pessoa.
• Transferência solicitada pelo cliente: Um cliente pode ser transferido para um membro da equipe ao vivo quando pede para falar com alguém.
  
  

As pessoas também podem entrar no circuito de forma dinâmica quando uma situação muda durante o fluxo de trabalho. Informações conflitantes, uma nova preocupação do cliente ou circunstâncias que as regras originais não previram podem acionar uma transferência, mesmo quando a tarefa inicialmente seguia o caminho padrão.

A intervenção de uma pessoa não significa necessariamente que o processo automatizado precisa recomeçar do zero. Quando um membro da equipe toma uma decisão ou resolve um problema, a IA salva a atualização no registro, envia a próxima comunicação necessária e continua com o restante do fluxo de trabalho.

O que human-in-the-loop significa em machine learning?

O machine learning com humanos no circuito usa o mesmo princípio do HITL, mas durante a etapa de desenvolvimento. Em vez de intervir em um fluxo de trabalho em tempo real, as pessoas participam de pontos definidos no processo de desenvolvimento do modelo. 

Pesquisadores podem rotular dados de treinamento, avaliar respostas do modelo, corrigir erros ou fornecer feedback que ajuda a melhorar seu comportamento antes da implantação. Especialistas do domínio também podem analisar resultados quando a precisão depende de conhecimento especializado ou julgamento. 

Principais benefícios de integrar pessoas aos fluxos de trabalho de IA

Para empresas, o HITL pode resultar em menos erros dispendiosos, tratamento mais consistente de casos sensíveis ou regulados e processamento mais rápido de tarefas rotineiras, sem dar à IA controle irrestrito sobre decisões de maior risco.

Estes são alguns dos principais benefícios e casos de uso do uso de sistemas HITL.

Melhore a precisão e a qualidade das decisões

O HITL melhora a precisão e a qualidade das decisões ao combinar a consistência da IA em tarefas estruturadas com o julgamento humano nas partes que um modelo não consegue lidar de forma confiável sozinho. A IA pode executar tarefas estruturadas de modo consistente, coletar as informações necessárias para uma decisão e preparar respostas ou recomendações de rotina.

A Valiant tem uma agente para o horário fora do expediente, Sophia, que realiza a coleta estruturada de informações e, quando apropriado, transfere os casos para um corretor humano. Criada com o ElevenAgents, a agente da Valiant identificou mais de US$ 1,5 milhão em intenção de empréstimos comerciais, com Sophia atendendo cerca de 29% das chamadas fora do expediente.

A contribuição humana melhora a qualidade das decisões quando as informações são:

• Incompletas ou conflitantes
• Dependentes de contexto ou interpretação
• Dependentes de negociação e construção de relacionamentos
• Dependentes de especialização

Melhores resultados podem reduzir erros dispendiosos e retrabalho evitável, especialmente em situações com consequências financeiras, regulatórias ou para os clientes.

Reduza riscos e apoie a conformidade

O HITL pode ajudar organizações a reduzir o risco de não conformidade, garantindo que decisões reguladas ou de alto impacto cheguem à pessoa certa antes de avançarem. 

A IA apoia a conformidade de processos ao:

• Enviar documentos obrigatórios.
• Coletar informações.
• Verificar se os campos obrigatórios foram preenchidos.
• Recuperar políticas ou divulgações.
• Registrar etapas concluídas.
• Encaminhar casos para a pessoa adequada.

As pessoas continuam responsáveis quando as regulamentações exigem interpretação, uma exceção precisa ser resolvida ou uma decisão com responsabilidade legal precisa ser tomada.

Por exemplo, a seguradora britânica Admiral estabelece limites de escopo intencionais para seus agentes de voz voltados a clientes. A Admiral encaminha casos de vulnerabilidade e inadimplência para pessoas e testa fluxos de trabalho de IA regulados com um alto padrão de validação antes do lançamento.

Aumente a eficiência preservando a especialização humana

A IA pode realizar tarefas administrativas repetitivas, coletar informações, preparar registros e fazer casos rotineiros avançarem sem exigir uma pessoa em cada etapa. Para empresas, o resultado pode ser prazos de atendimento menores, menos acúmulo administrativo e mais capacidade para que colaboradores cuidem de trabalhos que afetam diretamente clientes, receita ou risco. 

Finch Legal conseguiu usar o ElevenAgents para aumentar as taxas de sucesso das chamadas de 59% para 93%, enquanto escalava para mais de 15 mil chamadas por mês. Implementar um agente para lidar com esses processos fez com que os agentes humanos passassem cerca de um sexto do tempo ao telefone em comparação com as implementações anteriores. As pessoas precisavam intervir apenas quando o caso exigia sua especialização, reservando-as para momentos de alto valor.

Desafios e considerações para sistemas com humanos no circuito

Até mesmo um sistema com humanos no circuito bem projetado pode falhar se a transferência for ruim ou se a pessoa que assume não tiver contexto suficiente para agir. Equilibrar a velocidade da automação com a supervisão humana depende do design do fluxo de trabalho. 

Quando um sistema com humanos no circuito não funciona como deveria, o problema geralmente está nas regras que determinam quando as pessoas entram no processo e quais informações recebem.

Estes são alguns dos principais desafios em sistemas com humanos no circuito.

1. Gatilhos de transferência vagos

Programar agentes de IA com instruções subjetivas, como “transfira casos difíceis” ou “envie solicitações incomuns para um agente humano”, pode levar a transferências desnecessárias ou permitir que a IA continue lidando com uma situação que deveria envolver uma pessoa.

Por exemplo, em vez de dizer a um agente de IA de atendimento ao cliente para “transferir questões complexas de cobrança”, uma equipe pode definir uma regra como “transfira o caso quando um cliente contestar uma cobrança e os registros da conta não coincidirem”. Proteções detalhadas fornecem aos agentes de IA condições específicas a seguir, o que pode reduzir transferências desnecessárias e diminuir o risco de a IA continuar lidando com um caso que precisa de envolvimento humano. 

As equipes podem definir condições de transferência igualmente específicas para solicitações que estão fora da função de um agente de IA, como informações conflitantes ou ausentes, pedidos de clientes para falar com um agente humano e outras situações que exigem envolvimento humano. 

2. Perda de contexto durante transferências

Quando um agente de IA transfere uma interação ao vivo com um cliente para um representante humano sem levar o histórico da sessão, o colaborador é obrigado a entrevistar novamente a pessoa que ligou desde o início. Essa transferência malfeita cria atrito imediato, frustra o cliente e aumenta o tempo da interação.

Um cliente pode passar vários minutos explicando um problema de cobrança e verificando sua conta com um agente de IA antes de o problema exigir um agente humano, mas, se a transcrição, os dados da conta e as ações já realizadas não forem transferidos com a chamada, o cliente terá de repetir todo o processo. 

Para evitar perder o contexto durante transferências, garanta que o sistema encaminhe diretamente ao representante humano, junto com a transferência, as informações que o agente de IA já coletou.

3. Etapas de aprovação demais

Exigir aprovação humana para tarefas rotineiras e de baixo risco pode atrasar um trabalho que o agente de IA está preparado para executar com segurança. Se um colaborador precisar aprovar cada alteração padrão de compromisso, formulário básico de coleta de dados ou consulta rotineira de status, a revisão humana passa a gerar trabalho em vez de ajudar a equipe a gerenciar casos de maior risco. 

As equipes podem evitar pontos de controle desnecessários ao decidir antecipadamente quais ações realmente exigem revisão humana e permitir que tarefas de menor risco continuem automaticamente. Por exemplo, alterações rotineiras de compromissos ou solicitações de status padrão podem prosseguir sem aprovação, enquanto contestações de cobrança ou exceções de política continuam sendo encaminhadas para uma pessoa. 

4. Regras que nunca são atualizadas

As regras de transferência que faziam sentido antes do lançamento talvez precisem mudar quando o agente de IA começar a lidar com conversas reais. Transferências repetidas podem revelar onde o fluxo de trabalho original é cauteloso demais, onde o agente de IA não tem informações ou onde um novo tipo de solicitação precisa de uma regra própria. 

Por exemplo, se um agente de IA continua transferindo dúvidas rotineiras sobre envio porque os clientes as formulam de maneiras que o fluxo de trabalho original não previa, a equipe pode atualizar o conhecimento ou a regra de transferência do agente de IA para que essas solicitações continuem automatizadas. 

Tratar as regras de humanos no circuito como algo flexível permite que as equipes automatizem mais tarefas rotineiras com segurança, mantendo a supervisão humana focada em casos excepcionais reais. 

Comparação entre human in the loop e human on the loop

HITL e human on the loop (HOTL) são dois modelos diferentes de supervisão humana da IA.

O HITL exige a participação de uma pessoa antes que determinadas decisões ou ações possam continuar. É mais adequado para trabalhos de maior risco ou complexos, nos quais conformidade, responsabilidade financeira, julgamento clínico ou exceções de política exigem revisão ou aprovação humana antes que o fluxo de trabalho avance.

O HOTL permite que a IA trabalhe sem esperar aprovação humana, mas uma pessoa monitora o sistema e pode intervir quando necessário. Ele é mais adequado para trabalhos de baixo risco que são observáveis e reversíveis, como dúvidas informativas gerais, atualizações de status de pedidos ou outras interações de baixo risco que não exigem que uma pessoa aprove o resultado. 

Um supervisor pode acompanhar a atividade geral e responder apenas quando algo precisar de atenção. Veja as principais diferenças entre HITL e HOTL.

Exemplos de IA com humanos no circuito

O HITL pode assumir diferentes formas dependendo de quais decisões, aprovações ou conversas exigem envolvimento humano. 

Setor bancário

O Customers Bank está implementando o ElevenAgents para consultas de conta, serviços de cartão, transferências, onboarding e treinamento de colaboradores, com caminhos de transferência para pessoas integrados a cada agente. Os agentes de IA podem lidar com o suporte bancário rotineiro, enquanto banqueiros humanos continuam disponíveis quando uma conversa exige atenção pessoal ou uma decisão fora da função do agente.

Seguros

A Insurely usa agentes de voz IA para vendas de seguros e atendimento ao cliente, incluindo responder perguntas e ajudar clientes a concluir cotações. Quando um cliente precisa de uma pessoa, o agente de IA transfere a chamada ou agenda uma ligação de retorno.

Saúde

A mdhub, uma plataforma de saúde comportamental, usa o ElevenAgents⁠ para admissão de pacientes e suporte. Agentes de IA coletam informações dos pacientes, verificam seguros, conectam pacientes a prestadores e agendam consultas, enquanto profissionais de saúde determinam o tratamento e tomam decisões que exigem julgamento clínico.

Fintech

A Klarna, banco digital global e provedora de pagamentos, usa um agente de voz IA do ElevenAgents como primeira linha de suporte por telefone para clientes dos EUA. O agente de IA lida com solicitações informativas e coleta o contexto relevante, depois transfere a conversa para um agente humano quando o problema se torna mais complexo ou sensível, ou quando o cliente quer falar com uma pessoa.

Criação

Para conteúdo e trabalho criativo, a ElevenProductions usa uma abordagem HITL para produção assistida por IA com edição humana. A IA realiza tarefas como transcrição e produção de audiolivros gerados por IA, enquanto editores humanos analisam o trabalho, fazem correções e aprovam o resultado final. 

Em um tipo diferente de colaboração entre humanos e IA, o compositor e cantor Patrick Darling, que perdeu a capacidade de cantar, usou a tecnologia de voz da ElevenLabs para interpretar sua própria música novamente. 

Comece a usar o ElevenAgents

O ElevenAgents oferece às empresas várias maneiras de definir o que um agente de IA pode realizar e em quais pontos as pessoas devem continuar fazendo parte do fluxo de trabalho. Os agentes podem usar o conhecimento e as ferramentas da empresa, seguir fluxos de trabalho definidos e operar dentro de proteções. A transferência humana pode encaminhar uma conversa e seu contexto para uma pessoa ao vivo, enquanto simulações ajudam as equipes a testar o comportamento antes do lançamento.

Comece a usar o ElevenAgents para criar agentes de IA com limites claros de fluxo de trabalho, transferência humana e controles para testes e supervisão. Fale com vendas para planejar sua implementação ou cadastre-se para criar um agente e experimentar por conta própria.

Perguntas frequentes sobre human-in-the-loop