Google DeepMind reduz em 58% o tempo de análise de pedidos de reforma com Gemini

Se você já construiu uma varanda ou reformou um telhado no Reino Unido, sabe que primeiro é preciso obter autorização da prefeitura. Por trás de cada pedido há uma pessoa: um técnico de urbanismo, ou planning officer. Ele lê os desenhos, confere sua conformidade com as regras locais, examina os terrenos vizinhos e redige um parecer. O trabalho é repetitivo, a documentação é extensa e a fila de pedidos cresce. Foi aí que o Google DeepMind colocou o Gemini para trabalhar.

O que o DeepMind desenvolveu

O DeepMind anunciou o PlanAssist, uma ferramenta baseada no Gemini para técnicos de urbanismo britânicos. Ela ajuda a avaliar as householder applications: pedidos de proprietários de residências particulares para ampliações, adaptação de sótãos, garagens e reformas. Esses pedidos representam o maior e mais rotineiro fluxo do sistema. Projetos comerciais complexos e empreendimentos residenciais ficam fora desse escopo.

O principal número do anúncio: a ferramenta reduz em até 58% o tempo que um técnico dedica à avaliação de um pedido desse tipo. A publicação diz «up to», ou seja, «até». É o melhor resultado, não a média geral. O final da publicação está truncado no material de origem: informa que a ferramenta está sendo disponibilizada a 12 —aparentemente, organizações—, mas o texto não permite saber exatamente quais. Vale conferir esses detalhes no anúncio completo do DeepMind.

Por que isso é mais interessante do que mais um «chatbot para serviços públicos»

A maioria dos projetos governamentais de IA termina com uma demonstração, uma apresentação caprichada e silêncio. Aqui, há três sinais de maturidade.

O primeiro: foi escolhida uma tarefa rotineira específica, com entradas e saídas bem definidas. Não é um «assistente para tudo», mas uma ferramenta para avaliar um tipo específico de pedido.

O segundo: o efeito é medido em tempo de trabalho do funcionário. Para o cliente, seja uma prefeitura ou um banco, essa é a métrica mais fácil de entender. Ela pode ser traduzida em economia financeira e redução da fila de pedidos.

O terceiro: a ferramenta saiu da fase piloto e está sendo disponibilizada a mais entidades. Para um produto de IA do setor público, isso já é um passo significativo.

O que isso significa na prática

Imagine um pedido típico: o proprietário quer acrescentar um segundo pavimento sobre a garagem. O técnico precisa encontrar as dimensões na documentação, compará-las com os limites locais de altura e distância até a divisa do terreno, verificar se há algum regime de proteção e reunir as conclusões em um relatório. A maior parte do tempo é gasta buscando e cruzando informações, e não tomando a decisão em si. Um modelo com uma janela de contexto longa e entrada multimodal —plantas e desenhos também são documentos— é adequado justamente para esse tipo de trabalho documental.

Para os desenvolvedores, a conclusão é simples: as aplicações de LLM com maior retorno costumam ser monótonas. Elas estão onde as pessoas leem muito, conferem informações com base em regulamentos e escrevem textos padronizados.

Para gerentes de produto e fundadores, há três lições:

• Escolham um caso de uso restrito e repetitivo, em vez de «IA para um setor».
• Combinem a métrica com o cliente desde o início. «Minutos por pedido» vende melhor do que «precisão das respostas».
• Planejem a expansão: um piloto sem um plano para ganhar escala continuará sendo um piloto.

Limitações e perguntas

Há ressalvas. Primeiro, 58% é o limite superior e, sem conhecer a metodologia de medição, esse número não pode ser extrapolado para outros processos. Segundo, a publicação não explica como funciona a supervisão: quem toma a decisão final, como os erros do modelo são registrados ou o que acontece nos casos controversos. Em um ambiente regulado, essas questões importam mais do que a velocidade. Terceiro, a publicação é do próprio DeepMind, portanto ainda não há uma avaliação independente.

Ainda assim, a direção é reveladora. Os grandes laboratórios estão mostrando cada vez mais implementações com economias quantificadas, em vez de benchmarks. Se você está desenvolvendo um produto B2B para uma área com grandes volumes de documentos —direito, seguros, mercado imobiliário ou compliance—, o PlanAssist oferece um exemplo pronto de como deve ser o pitch: uma tarefa rotineira específica, um ganho mensurável e um caminho claro para ganhar escala.