Identificação Inteligente de
Causas Raiz
Princípios Orientativos
O sistema segue Princípios Orientativos específicos para cada tipo de análise, garantindo que as causas raiz identificadas pela IA sejam precisas, acionáveis e juridicamente consistentes. Estes princípios estão integrados nos prompts da IA e guiam a análise humana.
Objetivo dos Princípios
Evitar causas genéricas, desconectadas dos fatos ou não acionáveis. Garantir que cada causa raiz gere valor estratégico para prevenção e mitigação de riscos.
Causas Raiz por Processo (CR)
Princípios específicos para análise de causas raiz baseada em processos jurídicos completos.
1. VINCULAÇÃO AOS FATOS ALEGADOS
1. VINCULAÇÃO AOS FATOS ALEGADOS
Extraia causas DIRETAMENTE dos fatos narrados pelo reclamante
NÃO invente ou infira causas não documentadas
Baseie-se exclusivamente nas evidências fornecidas
2. ESPECIFICIDADE E UNIVOCIDADE
2. ESPECIFICIDADE E UNIVOCIDADE
UMA causa = UM problema específico e claro
Evite causas genéricas ("falta de gestão", "problemas operacionais")
Não agrupe múltiplas causas em um único registro
3. CONEXÃO NORMATIVA E FACTUAL (O "QUÊ" E O "COMO")
3. CONEXÃO NORMATIVA E FACTUAL (O "QUÊ" E O "COMO")
Estruture: [OMISSÃO/INFRAÇÃO] → [MECANISMO] → [EFEITO]
Exemplo: "Não forneceu EPI → exposição a ruído → perda auditiva"
Especifique normas descumpridas quando aplicável (NR, CLT)
4. ADEQUAÇÃO AO OBJETO DO PROCESSO
4. ADEQUAÇÃO AO OBJETO DO PROCESSO
Respeite RIGOROSAMENTE o tipo de ação e pedidos específicos
NÃO inclua causas de temas não alegados no processo
Acidente ≠ Doença Ocupacional | Horas Extras ≠ Assédio Moral
5. ACIONABILIDADE E PLANO DE AÇÃO
5. ACIONABILIDADE E PLANO DE AÇÃO
Causa deve permitir intervenção clara e concreta
Pergunte: "O que podemos fazer para prevenir isso?"
Exclua causas filosóficas ou não controláveis ("cultura", "mercado")
6. TAXONOMIA E CATEGORIZAÇÃO COERENTE
6. TAXONOMIA E CATEGORIZAÇÃO COERENTE
Use EXATAMENTE as categorias fornecidas (Método, Material, Mão de Obra, etc.)
Classifique impacto baseado em: gravidade + frequência + custo
Mantenha coerência entre processos similares
7. NÃO CONFUNDA CAUSA COM FUNDAMENTO JURÍDICO
7. NÃO CONFUNDA CAUSA COM FUNDAMENTO JURÍDICO
Causa: origem factual do problema ("não forneceu EPI")
Fundamento: consequência jurídica ("direito a adicional de insalubridade")
NÃO use artigos de lei como causas raiz
8. CLAREZA TERMINOLÓGICA
8. CLAREZA TERMINOLÓGICA
Prefira nomes curtos e descritivos
Evite jargões desnecessários
Detalhes na descrição, não no título
9. CONCORDÂNCIA COM A NARRATIVA
9. CONCORDÂNCIA COM A NARRATIVA
NÃO preencha lacunas com suposições
Use apenas fatos DOCUMENTADOS nos autos
Rastreie evidências no campo "evidencia_documental"
10. RELAÇÃO CLARA DE CAUSA E EFEITO
10. RELAÇÃO CLARA DE CAUSA E EFEITO
Explicite a cadeia lógica completa
Demonstre nexo causal temporal
Conecte cada causa ao seu efeito observado
Causas Raiz por Pedido (CP)
Princípios específicos para análise de causas raiz baseada em pedidos individuais.
1. VINCULAÇÃO AOS FATOS DO PEDIDO
1. VINCULAÇÃO AOS FATOS DO PEDIDO
Extraia causas dos fatos que ORIGINARAM este pedido específico
Explique por que o trabalhador NECESSITOU fazer este pedido
Baseie-se nas evidências relacionadas a este tipo de demanda
2. ESPECIFICIDADE AO TIPO DE PEDIDO
2. ESPECIFICIDADE AO TIPO DE PEDIDO
Causa deve ser ESPECÍFICA ao tipo de pedido (horas extras ≠ insalubridade)
Evite causas genéricas aplicáveis a qualquer pedido
Títulos concisos: máximo 10-15 palavras
3. CONEXÃO CAUSA-PEDIDO-EFEITO
3. CONEXÃO CAUSA-PEDIDO-EFEITO
Estruture: [OMISSÃO] → [POR QUE O PEDIDO FOI FEITO] → [EFEITO JURÍDICO]
Exemplo: "Não pagou horas extras → pedido de diferenças → dano patrimonial"
Cite normas específicas quando aplicável (CLT, NR)
4. ADEQUAÇÃO ESTRITA AO PEDIDO
4. ADEQUAÇÃO ESTRITA AO PEDIDO
Respeite RIGOROSAMENTE o tipo de pedido analisado
Pedido de adicional de insalubridade → causa: falta de EPI
NÃO misture causas de pedidos diferentes
5. ACIONABILIDADE ESPECÍFICA
5. ACIONABILIDADE ESPECÍFICA
Causa deve permitir ação preventiva para ESTE tipo de pedido
Pergunte: "O que evitaria este pedido específico no futuro?"
Foque em aspectos controláveis pela organização
6. CATEGORIZAÇÃO PRECISA
6. CATEGORIZAÇÃO PRECISA
Use EXATAMENTE as categorias fornecidas
Escolha a categoria mais específica ao tipo de problema do pedido
Impacto baseado na gravidade DESTE pedido específico
7. DISTINGUIR CAUSA DO DIREITO PLEITEADO
7. DISTINGUIR CAUSA DO DIREITO PLEITEADO
Causa: origem factual ("não forneceu protetor auricular")
Pedido: direito pleiteado ("adicional de insalubridade")
NÃO confunda o pedido jurídico com sua causa raiz
8. CLAREZA E OBJETIVIDADE
8. CLAREZA E OBJETIVIDADE
Títulos curtos e descritivos do problema específico
Linguagem técnica mas compreensível
Detalhes na descrição sobre como afeta ESTE pedido
9. EVIDÊNCIAS DO PEDIDO ESPECÍFICO
9. EVIDÊNCIAS DO PEDIDO ESPECÍFICO
Use apenas evidências RELACIONADAS a este pedido
Não invente fatos não documentados
Rastreie evidências específicas deste tipo de demanda
10. NEXO CAUSAL EXPLÍCITO
10. NEXO CAUSAL EXPLÍCITO
Demonstre como a causa LEVOU especificamente a este pedido
Cadeia lógica clara e temporal
Conecte causa → necessidade do pedido → efeito
Impacto dos Princípios
Identificação Automática via IA
O sistema utiliza IA generativa (OpenAI GPT-4) para identificar automaticamente causas raiz de processos jurídicos, com reaproveitamento inteligente de causas existentes.
Como Funciona a IA
Análise Dual
Modo Processo: Análise geral (2-4 causas) | Modo Pedido: Análise granular (1-2 causas/pedido)
Confiança via Logprobs
Score 0.3-1.0 calculado pelas probabilidades dos tokens da OpenAI. Auto-aprovação ≥ 0.7
Reaproveitamento Inteligente
IA sugere 2 causas relacionáveis + 2 novas. Causas genéricas sem nomes próprios para reuso
Auditoria Completa
Rastreamento: usuário, data, fonte, confiança inicial + confiança ajustada pós-validação
Informações Geradas
Dados Estruturados
- • Título e descrição da causa
- • Categoria (8+ opções dinâmicas)
- • Impacto (baixo/médio/alto/crítico)
- • Probabilidade (0.0-1.0)
Métricas Avançadas
- • Confiança IA (0.3-1.0 via logprobs)
- • Score de risco (impacto × probabilidade)
- • Frequência real (processos afetados)
- • Evidências documentais
Suporte Dual: OpenAI + Azure OpenAI
Configure via .env para usar OpenAI regular ou Azure OpenAI. Mesma qualidade de análise, flexibilidade de deployment.
Sistema de Categorização
Categorias dinâmicas e customizáveis baseadas no Diagrama de Ishikawa (6M), carregadas automaticamente do banco de dados.
Categorias Padrão (6M do Ishikawa)
Método
Problemas em processos, procedimentos e metodologias
Mão-de-obra
Questões relacionadas a pessoas, treinamento e capacitação
Máquina
Problemas com equipamentos, tecnologia e ferramentas
Material
Falta ou inadequação de recursos e insumos
Medida
Problemas em métricas, indicadores e medições
Meio Ambiente
Condições ambientais, contexto externo e regulamentação
Funcionalidades
- ✓ Cadastro flexível - Nome, descrição, cor HEX e ícone customizáveis
- ✓ Ativação/desativação - Controle sem deletar categorias antigas
- ✓ Validação AJAX - Nome único verificado em tempo real
- ✓ Visualização estatística - Quantas causas por categoria
- ✓ Integração IA - Categorias carregadas dinamicamente nos prompts
Metodologias de Análise
Análise manual complementar com 5 metodologias científicas de engenharia de qualidade para validação especializada.
Metodologias Disponíveis
5 Porquês
Técnica de questionamento sucessivo para identificar a causa raiz através de perguntas "Por quê?" encadeadas.
Diagrama de Ishikawa (Espinha de Peixe)
Análise de causa e efeito estruturada nas 6M: Método, Máquina, Mão-de-obra, Material, Medida, Meio ambiente.
Análise de Pareto (80/20)
Priorização baseada no princípio que 80% dos problemas vêm de 20% das causas.
Metodologias Customizadas
Suporte para outras metodologias específicas do setor jurídico ou organizacional.
Dados Registrados na Análise
Estrutura da Análise
- • Fator contribuinte identificado
- • Mecanismo de falha (como ocorreu)
- • Efeito observado (consequências)
- • Flag de causa raiz identificada
Outputs e Evidências
- • Recomendações específicas
- • Prioridade de ação (impacto)
- • Anexos documentais (JSON)
- • Referências externas (fontes)
Validação e Gestão
Sistema completo de validação especializada com workflow de aprovação, justificativas e gestão avançada de causas.
Workflow de Validação
Causa criada manualmente ou via IA com status "cadastrado"
Confiança ≥ 0.7: aprovação automática | < 0.7: requer validação manual
Usuário qualificado valida causa com justificativa obrigatória
Status "validado" com timestamp e usuário responsável registrados
Gestão Avançada
Relacionamento M2M
Uma causa pode afetar múltiplos processos. Desvincular processos sem deletar causa.
Causas Relacionadas
Vincular causas entre si (ManyToMany assimétrico) para análises complexas
Código Único
Formato CR-AAAA.MM.DD-NNNN gerado automaticamente (ex: CR-2024.11.30-0001)
Frequência Real
Calculada automaticamente (property) baseada em processos.count()
Métricas e Indicadores
- ◆ Score de Risco - Calculado: impacto × probabilidade (property)
- ◆ Confiança Híbrida - Inicial (logprobs) + Ajustada (pós-validação humana)
- ◆ Auditoria Total - Usuário identificação, validação, timestamps completos
- ◆ Evidências - Texto + JSONField para anexos flexíveis
Integração com Ações Corretivas e ODS
Causas validadas disparam geração automática de ações corretivas via IA, com correlação automática aos Objetivos de Desenvolvimento Sustentável (ODS).
Pronto para identificar causas raiz?
Combine IA generativa com metodologias científicas para análises precisas. Auto-aprovação inteligente + validação especializada.