Como você decide se um problema realmente pede uma feature de IA ou algo mais simples?

Pergunte se a tarefa tolera estar errada. Se um erro é barato de perceber e barato de desfazer, uma feature probabilística funciona bem; se o erro é silencioso ou caro, regras melhores e defaults melhores vencem. Depois cheque se os dados existem e se os usuários já não estão evitando o fluxo, porque adicionar um modelo a um fluxo que ninguém abre só deixa mais lento um fluxo não usado.

A pergunta que eu faço primeiro é o que acontece quando está errado, porque isso determina tudo. Se o usuário vê o erro imediatamente e consegue desfazer barato, um modelo encaixa muito bem, e é por isso que rascunhar e resumir funcionam tão bem. Se o erro é silencioso ou caro, tipo algo que muda um número em que um cliente cobra, eu prefiro ter regras e um default bem melhor. A segunda pergunta é se a tarefa subjacente é sequer desejada. Eu já vi muito esforço indo para adicionar inteligência a um fluxo que as pessoas já estavam evitando, o que só produz uma versão mais esperta de algo que ninguém abre. E terceiro, os dados têm que existir. Se o modelo precisa de contexto que mora em três sistemas aos quais não temos acesso, a resposta honesta é que isso é um projeto de integrações antes de tudo. Aí eu escopo a menor versão que testa se as pessoas confiam na saída.