Dos dados de emissões às decisões

A SINAI já detectava anomalias. O problema era quando. Os dados só valiam depois de aprovados e trancados atrás do que o time chama de lock gate, a trava que congela o que já foi aprovado. E a detecção só olhava pros dados do lado de lá dessa trava, com um limite fixo que ninguém conseguia ajustar.

Ou seja: as pessoas descobriam que algo estava errado depois de já ter aprovado. Era um problema crônico, meio como um alarme de incêndio que só toca quando os bombeiros já foram embora. Anomalia é o tipo de coisa que você quer pegar antes de aprovar, justamente pra não ter que consertar depois.

Com a detecção antes da trava, deu pra repensar o que conta como anomalia, e quem decide isso. O limite fixo abriu espaço pra configurações que os próprios usuários controlam.

E aí a gente colocou um temperinho a mais. Algumas anomalias são específicas demais pra um slider. Então agora o usuário pode escrever um prompt descrevendo o que parece suspeito pra ele, definir período e severidade, e um agente sai procurando exatamente isso nos dados.

A funcionalidade inteira foi construída em três dias num hackathon da empresa, por um trio: um engenheiro, um QA e eu. Foi celebrada como o projeto mais “pronto pra produção” do evento, o que eu ainda prefiro encarar como um elogio ao nosso QA.

Depois de uma única semana de refinamento, já estava no ar pros clientes, em produção.

Essa começou com duas pessoas pedindo a mesma coisa ao mesmo tempo. Um cliente queria isso como condição pra renovar. Um prospect importante, que naquela altura era uma aposta bem difícil, queria também.

Eu não queria desenhar só pra duas vozes, então também entrevistei outros clientes que coletam os próprios dados de emissões. Quando os primeiros protótipos ficaram prontos, eles não só aprovaram: ficaram empolgados de verdade, o que em software enterprise é mais raro que silêncio em escritório open space.

Pro fluxo funcionar, algumas decisões legadas complicadas precisaram ser desmontadas com carinho.

E tudo isso andou rápido. Trabalhar AI-first me deixou levar a funcionalidade pelo processo inteiro sozinho, das entrevistas e protótipos até o desenvolvimento full-stack.

Algumas páginas do produto eram essenciais, do tipo que explica pra onde as emissões de uma empresa estão indo e como ela pretende reduzi-las. Mesmo assim, nas demos com prospects e clientes, o pessoal pulava essas páginas discretamente. Não é bom sinal.

Usando IA pra escrever código de front-end, comecei um esforço de melhoria contínua. Antes de mexer em qualquer coisa, conversei com pessoas-chave da empresa, CEO incluído, pra descobrir quais páginas mais precisavam de carinho. Aí dei carinho pra elas.

A antiga página de projeções empilhava barras ano após ano e deixava você montar a história sozinho. A nova desenha o passado e a projeção numa única visão, traz as horas trabalhadas como contexto e termina com os hot spots de emissão: onde focar primeiro.

Antes, as metas eram uma fileira de cards e o roadmap era um gráfico de linha cru com três números flutuando do lado. Agora a página abre com o programa num relance, deixa você escolher uma meta e mostra o plano comparado com o que já aconteceu e com onde seus projetos vão te levar, com um empurrãozinho pra encontrar projetos que fechem a diferença.

Melhoria contínua é exatamente o que o nome diz: não para. A Analyze Emissions recebeu o mesmo tratamento, com gráficos mais calmos, escopos mais claros e um layout que deixa espaço pros dados falarem.