RF002 - Causas Raiz

Identificação Inteligente de
Causas Raiz

Analise problemas jurídicos com IA generativa e metodologias científicas.
Confiança calculada via logprobs + validação especializada

8+
Categorias
5
Metodologias
100%
Implementado
IA
OpenAI GPT-4

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

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

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")

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

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

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

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

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

Prefira nomes curtos e descritivos

Evite jargões desnecessários

Detalhes na descrição, não no título

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

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

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

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

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

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

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

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

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

Títulos curtos e descritivos do problema específico

Linguagem técnica mas compreensível

Detalhes na descrição sobre como afeta ESTE pedido

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

Demonstre como a causa LEVOU especificamente a este pedido

Cadeia lógica clara e temporal

Conecte causa → necessidade do pedido → efeito

Impacto dos Princípios

-40%
Causas genéricas
+30%
Acionabilidade
+50%
Adequação ao objeto
-90%
Confusão jurídica

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.

Exemplo: Por que o cliente processou? → Por que houve falha? → Porque faltou treinamento? → ...

Diagrama de Ishikawa (Espinha de Peixe)

Análise de causa e efeito estruturada nas 6M: Método, Máquina, Mão-de-obra, Material, Medida, Meio ambiente.

Vantagem: Visualização clara de múltiplos fatores contribuintes organizados por categoria

Análise de Pareto (80/20)

Priorização baseada no princípio que 80% dos problemas vêm de 20% das causas.

Aplicação: Identifica causas com maior impacto para foco nas ações corretivas mais eficazes

Metodologias Customizadas

Suporte para outras metodologias específicas do setor jurídico ou organizacional.

Flexibilidade: Adapte o sistema às necessidades específicas da sua organização

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

1
Cadastro/IA

Causa criada manualmente ou via IA com status "cadastrado"

2
Auto-aprovação

Confiança ≥ 0.7: aprovação automática | < 0.7: requer validação manual

3
Revisão Especialista

Usuário qualificado valida causa com justificativa obrigatória

4
Validado

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.