A IA Pode Ajudar a Corrigir o Sistema 311 de Chicago, mas Não Pode Substituir a Responsabilização

Tom Dowling apresentou uma proposta incisiva ao Google News: usar IA para tirar o sistema 311 de Chicago, com 27 anos de existência, de seu documentado “buraco negro”.

A proposta surge após uma auditoria de fevereiro de 2026 que constatou que os moradores frequentemente não conseguem saber o que aconteceu depois de relatarem buracos nas ruas, postes quebrados, roedores ou outros problemas. Uma solicitação pode ser marcada como concluída, cancelada ou encerrada sem uma explicação útil.

Dowling, ex-assessor da prefeita Lori Lightfoot e ex-diretor executivo da TaxProper, argumenta que a IA moderna pode melhorar essa experiência. Ela pode classificar relatos, reconhecer reclamações duplicadas, encaminhar tarefas, resumir históricos de casos e enviar atualizações mais claras.

Esse argumento merece atenção. A operação 311 de Chicago recebe entre 2,2 milhões e 2,3 milhões de solicitações por ano. Pequenas melhorias poderiam afetar centenas de milhares de interações com o governo municipal.

Ainda assim, a auditoria descreve mais do que um problema tecnológico. Ela documenta práticas departamentais inconsistentes, responsabilidade pouco clara, equipe limitada e fraca prestação de contas em uma rede de serviços fragmentada.

A IA pode fazer as informações circularem mais rapidamente por essa rede. Ela não pode decidir qual departamento deve agir, obrigar equipes a atualizar registros ou explicar por que o trabalho prometido nunca foi realizado.

Portanto, a verdadeira disputa não é entre IA e software antigo. É entre eficiência automatizada e responsabilização administrativa. Chicago precisa dos dois, ou uma interface mais inteligente apenas ocultará as mesmas falhas não resolvidas.

Por que a Auditoria do 311 de Chicago Virou um Tema no Google News

A história imediata não é que Chicago não tenha ferramentas digitais. É que suas ferramentas existentes frequentemente apresentam um relato incompleto do trabalho da cidade.

Chicago lançou seu sistema 311 abrangente em 1999. A cidade migrou para Salesforce no fim de 2018, juntamente com o site e o aplicativo móvel CHI311.

Hoje, os moradores podem enviar solicitações por telefone, site, aplicativo móvel ou pelo gabinete de um vereador. Eles recebem números de acompanhamento e podem consultar informações públicas sobre o status.

Por trás dessa interface simples há um fluxo de trabalho complicado. O Salesforce encaminha cada solicitação de serviço a um departamento, que pode criar uma ou mais ordens de trabalho relacionadas.

Uma solicitação de serviço permanece aberta até que as ordens de trabalho conectadas sejam encerradas. Em teoria, essa estrutura se assemelha ao rastreamento de encomendas, com cada ação visível ao longo do percurso.

O Chicago Office of Inspector General constatou que a realidade frequentemente diverge desse modelo. Sua auditoria do 311 concluiu que as informações públicas contribuem para confusão e desconfiança.

A auditoria não afirmou que os funcionários municipais ignoram todas as solicitações. Ela constatou que os moradores frequentemente não conseguem determinar o que os departamentos fizeram, por que um caso avançou ou o que um status significa.

Uma solicitação pode gerar várias ordens de trabalho em diferentes departamentos. No entanto, o público inicialmente vê apenas a primeira ordem de trabalho e seu prazo estimado de atendimento.

Essa estimativa é conhecida como acordo de nível de serviço, ou SLA. Ela descreve um período de resposta esperado, mas os departamentos de Chicago calculam e aplicam SLAs de maneiras diferentes.

Algumas estimativas online usam médias dinâmicas de dados públicos limitados. Outras usam cronogramas estáticos que podem não refletir as cargas de trabalho atuais ou o ciclo de vida completo da solicitação.

Os departamentos também usam rótulos de status de forma inconsistente. Uma solicitação pode aparecer como “concluída” quando nenhum trabalho visível ocorreu, ou como “cancelada” sem uma explicação destinada ao morador.

Reclamações duplicadas criam outra fonte de confusão. O Salesforce consegue identificar certas duplicatas, especialmente quando os relatos contêm endereços exatamente correspondentes.

Os departamentos também podem classificar duplicatas manualmente. A auditoria constatou que, às vezes, a equipe as encerra sem explicar que outra solicitação cobre o mesmo problema.

Essa distinção importa para os moradores. Uma duplicata encerrada pode indicar uma consolidação eficiente, mas pode parecer exatamente uma rejeição quando o sistema não fornece explicação.

Membros da comunidade e equipes dos distritos descreveram repetidamente a experiência como um “buraco negro”. A expressão captou uma ruptura entre o processamento interno e a compreensão pública.

O portal CHI311 da cidade promete que os moradores podem enviar, acompanhar e explorar serviços não emergenciais. A auditoria mostra que o acompanhamento permanece tão confiável quanto o registro de dados pelos departamentos.

É por isso que o argumento de Dowling circulou pelo Google News. A IA oferece ferramentas reconhecíveis para lidar com classificação, resumo, busca e comunicação repetitiva em escala considerável.

A oportunidade é real. No entanto, a auditoria estabelece um teste exigente: qualquer proposta técnica precisa melhorar o registro subjacente, e não apenas tornar um registro pouco confiável mais fácil de ler.

A IA Pode Corrigir a Camada de Informação

A IA tem um papel crível quando traduz relatos confusos dos moradores em trabalho estruturado e transforma registros fragmentados em atualizações compreensíveis.

Um morador raramente descreve um problema municipal usando a taxonomia oficial da cidade. Alguém pode relatar “água borbulhando ao lado de um meio-fio quebrado” sem saber qual departamento é responsável pelo problema.

Um modelo de linguagem poderia identificar categorias prováveis, extrair uma localização, solicitar detalhes ausentes e recomendar o tipo de serviço correto. Operadores humanos poderiam revisar os casos incertos.

Esse fluxo de trabalho enfrentaria um problema comum de triagem. Uma categorização incorreta pode enviar uma solicitação ao departamento errado antes que qualquer funcionário de campo a veja.

A IA também poderia reconhecer relatos semanticamente semelhantes. A correspondência semântica compara significados, em vez de exigir palavras ou endereços idênticos.

Dez moradores podem descrever o mesmo galho caído de dez maneiras diferentes. Um modelo poderia agrupar esses relatos, preservando a assinatura de atualizações de cada morador.

Essa abordagem melhoraria a simples detecção de duplicatas. Ela também poderia informar aos moradores que seu relato foi associado a um caso ativo, em vez de ser encerrado silenciosamente.

Outra aplicação útil é o resumo de casos. A estrutura pai-filho de Chicago pode dispersar detalhes importantes entre uma solicitação de serviço e várias ordens de trabalho.

A IA poderia gerar uma linha do tempo em linguagem simples a partir desses registros. O resumo poderia indicar qual departamento recebeu o caso, qual ação registrou e o que ainda está pendente.

Cada frase ainda precisaria de suporte nos dados do sistema. O modelo jamais deveria inventar uma explicação para preencher um campo ausente.

As notificações automatizadas representam uma oportunidade de menor risco. Um sistema baseado em regras poderia disparar mensagens quando a responsabilidade mudar, um SLA expirar ou uma equipe registrar um resultado de campo.

A IA poderia então traduzir códigos de status aprovados para uma linguagem mais clara. Ela deveria preservar o código subjacente e mostrar aos moradores quando uma mensagem foi gerada por máquina.

Essas ferramentas também poderiam ajudar funcionários municipais a pesquisar procedimentos. Uma base de conhecimento de IA cuidadosamente governada pode recuperar políticas relevantes sem substituir a fonte oficial.

Essa capacidade importa porque a auditoria constatou treinamento e uso do sistema inconsistentes. Alguns funcionários dos distritos e departamentos supostamente aprenderam por conta própria a usar o Salesforce.

Um assistente compartilhado poderia apresentar definições, regras de encaminhamento e requisitos de encerramento durante o tratamento de casos. Ele poderia reduzir inconsistências acidentais entre mais de 40 departamentos e organizações parceiras.

Outras cidades oferecem precedentes úteis. Uma análise da controladoria de Los Angeles descreveu reconhecimento de fala, agentes conversacionais e encaminhamento assistido por IA em sistemas municipais de atendimento.

A análise de Los Angeles citou o uso, por San Francisco, de uma ferramenta baseada em IA para identificar o departamento de serviço correto. Também descreveu sistemas de voz usados em outros lugares para lidar com solicitações rotineiras.

Esses exemplos não provam que Chicago alcançará os mesmos resultados. Eles mostram que a IA municipal não precisa começar com um chatbot público irrestrito.

Uma implementação mais limitada começaria com classificação, sugestões de duplicidade, recuperação de políticas e rascunhos de notificações. A equipe manteria a autoridade sobre o encaminhamento e o encerramento finais.

Esse desenho visa tarefas que a IA executa relativamente bem. Ele também cria resultados mensuráveis, incluindo precisão de encaminhamento, precisão na identificação de duplicatas, frequência de transferências e velocidade das notificações.

A percepção central de Dowling é mais forte aqui. Chicago já possui um grande registro digital e um sistema de casos baseado em nuvem, mas os moradores têm dificuldade para interpretar o processo.

A IA pode conectar descrições a categorias e registros a explicações. Ela pode reduzir o atrito administrativo entre um relato e uma resposta compreensível.

O melhor resultado não pareceria futurista. Um morador enviaria um problema, receberia o número de caso correto, veria expectativas realistas e entenderia cada mudança de status.

Essa é uma transformação significativa. Ela também representa apenas a camada de informação do problema.

O Verdadeiro Adversário é a Falta de Responsabilização

Um sistema mais rápido ainda falha quando ninguém é responsável pela qualidade dos dados, pela precisão da promessa ou pelo resultado final do serviço.

O inspetor-geral constatou que a capacidade analítica central de Chicago é surpreendentemente limitada. A auditoria identificou dois funcionários atendendo mais de 40 departamentos municipais, agências irmãs e parceiros externos.

Esses funcionários lidavam com treinamento, suporte técnico, configuração de relatórios e outras necessidades administrativas. Eles não tinham capacidade nem autoridade para uma análise operacional profunda em toda a cidade.

A contradição resultante é central para o debate no Google News. A missão do 311 de Chicago inclui usar informações para melhorar os serviços e administrar recursos com eficiência.

No entanto, a auditoria não encontrou nenhum órgão municipal responsável por realizar esse trabalho entre os departamentos. A tecnologia registra a atividade, mas a responsabilidade organizacional continua dispersa.

A disputa sobre a Service Advocacy Unit torna essa lacuna especialmente visível. Materiais públicos da cidade descreviam uma unidade com amplas responsabilidades analíticas e de desempenho.

A OEMC respondeu que a unidade não existia havia vários anos. Disse que as funções relacionadas haviam sido absorvidas por cargos existentes com capacidade limitada.

O inspetor-geral observou que funcionários ainda se identificavam como membros dessa unidade durante a auditoria. Sua página na web também permaneceu disponível durante o trabalho de campo.

Essa divergência não é uma questão menor de nomenclatura. Ela demonstra incerteza sobre quem é responsável por uma das funções mais importantes do sistema.

A IA não pode resolver essa incerteza. Um modelo pode sinalizar solicitações vencidas, mas não pode exigir que um líder de departamento explique um acúmulo de pendências.

Ela pode detectar padrões incomuns de encerramento, mas não pode decidir se esses padrões refletem trabalho eficiente, treinamento deficiente ou um esforço para melhorar o desempenho reportado.

Ela pode redigir uma atualização, mas não pode produzir detalhes verdadeiros quando as equipes de campo não os registram. Dados operacionais ausentes continuam ausentes após o resumo automatizado.

Os departamentos de Chicago também definem e usam campos de maneiras diferentes. A auditoria encontrou abordagens inconsistentes para “concluída”, “encerrada”, “cancelada” e “sem causa”.

Diferentes departamentos calculam expectativas de serviço em níveis diferentes. Alguns se concentram na solicitação completa, enquanto outros vinculam metas a ordens de trabalho individuais.

Um sistema de IA treinado nesses registros aprenderia a inconsistência, a menos que a cidade primeiro defina significados oficiais. A automação pode ampliar a ambiguidade tão facilmente quanto amplia a clareza.

O mesmo problema afeta a alocação de recursos. Um painel pode revelar reclamações recorrentes em uma área, mas um departamento ainda precisa de equipe, equipamentos, financiamento e autoridade para responder.

Se os líderes tratarem uma classificação aprimorada como um serviço aprimorado, a confiança pública poderá cair ainda mais. Os moradores avaliam o 311 pelos buracos consertados e riscos removidos, não apenas pela precisão do modelo.

Uma reforma crível, portanto, exige um responsável que preste contas por toda a jornada do serviço. Esse órgão deve definir campos, validar SLAs, revisar o desempenho dos departamentos e publicar correções.

O inspetor-geral recomendou reuniões regulares entre departamentos, orientações públicas mais claras, melhor treinamento e uma análise de pessoal. Essas são medidas de governança, não recursos de IA.

O OEMC concordou que um engajamento mais estruturado ajudaria. Também vinculou decisões de pessoal às considerações orçamentárias e operacionais existentes.

As restrições orçamentárias são reais, mas a aquisição de IA não as elimina. Um sistema funcional ainda precisa de pessoas para manter taxonomias, revisar erros, tratar recursos e monitorar fornecedores.

Chicago já realizou reuniões de desempenho em toda a cidade que usavam dados do 311, segundo funcionários entrevistados pelo inspetor-geral. Essas reuniões não ocorrem há muitos anos.

Uma versão moderna poderia combinar análises assistidas por IA com pressão direta de gestão. Líderes de departamento analisariam pendências, padrões de encerramento, transferências e disparidades entre bairros.

Isso cria o ciclo de feedback que falta. Os modelos identificariam padrões, gestores investigariam causas, departamentos agiriam e moradores veriam resultados documentados.

Sem esse ciclo, a IA se torna mais uma camada entre moradores e tomadores de decisão. A interface fica mais fluente, enquanto a responsabilidade se torna mais difícil de localizar.

O que a proposta de IA precisa comprovar

Chicago deve avaliar qualquer sistema de IA para o 311 por resultados de serviço verificados, não pela fluência de chatbots, demonstrações de fornecedores ou pelo volume de interações automatizadas.

A IA generativa cria texto ao prever sequências prováveis a partir de padrões aprendidos. Ela não possui uma compreensão independente de que uma equipe municipal concluiu seu trabalho.

Essa limitação se torna perigosa quando moradores solicitam assistência para aquecimento, abrigo, verificações de bem-estar de idosos ou reparos relacionados à segurança pública.

Uma resposta confiante, mas incorreta, pode encaminhar alguém ao serviço errado. Ela também pode dizer a um morador que um caso foi resolvido quando o registro subjacente indica o contrário.

O National Institute of Standards and Technology chama esse comportamento de confabulação. Seu perfil de IA generativa descreve sistemas que apresentam com confiança conteúdo falso ou internamente inconsistente.

Chicago pode reduzir esse risco ao limitar o que o modelo pode dizer. Toda resposta pública deve recuperar fatos de sistemas aprovados e citar os campos relevantes do caso.

A recuperação de informações não elimina erros. O modelo pode selecionar o registro errado, interpretar mal um status ou omitir uma ressalva importante.

Categorias de alto impacto, portanto, precisam de controles mais rigorosos. Certas solicitações devem ser encaminhadas diretamente a funcionários treinados, sem priorização ou encerramento autônomos.

A cidade também precisa testar a equidade. Os registros de reclamações refletem quem conhece o 311, quem confia nele, quem tem acesso digital e quem relata repetidamente condições não resolvidas.

Mais reclamações nem sempre significam maior necessidade subjacente. Menos reclamações não provam que um bairro tenha menos problemas.

Um sistema de otimização poderia favorecer áreas com dados históricos mais ricos. Ele poderia reforçar disparidades existentes nos serviços enquanto aparenta eficiência numérica.

Chicago deve avaliar encaminhamento e priorização por geografia, idioma, acesso para pessoas com deficiência, canal e tipo de serviço. As taxas de erro precisam ser divulgadas publicamente quando a privacidade permitir.

Os moradores também precisam de um caminho simples para contestar uma decisão automatizada. Uma pessoa deve poder solicitar revisão humana sem reiniciar todo o caso.

A privacidade exige igual atenção. Os relatos podem conter endereços, fotografias, números de telefone e descrições de pessoas vulneráveis ou condições de propriedades.

A cidade deve definir quais campos os modelos podem acessar, como prompts e resultados são retidos e se os sistemas dos fornecedores usam essas informações para treinamento.

As revisões de segurança devem abranger injeção de prompts, recuperação não autorizada de dados e instruções fabricadas incorporadas ao texto enviado. A contribuição do público é inerentemente não confiável.

As aquisições devem exigir testes independentes e relatórios detalhados de incidentes. Chicago não deve se basear apenas em alegações de desempenho fornecidas por um fornecedor de modelos.

A auditoria também aponta um pré-requisito mais básico: definições consistentes de dados. A avaliação da IA se torna pouco confiável quando departamentos discordam sobre o significado das categorias de encerramento.

Antes do lançamento, Chicago deve publicar um dicionário de dados compartilhado. Cada status, resultado, transferência, designação de duplicidade e SLA deve ter uma definição operacional única.

Os departamentos podem manter fluxos de trabalho especializados. Seus relatórios públicos ainda devem ser mapeados para um conjunto comum de estados compreensíveis.

Um piloto deve então estabelecer uma linha de base. Métricas úteis incluem encaminhamento incorreto, frequência de transferências, duplicidades não resolvidas, atualizações atrasadas, solicitações reabertas e satisfação dos moradores.

A cidade deve comparar casos assistidos por IA com casos semelhantes tratados pelos processos atuais. Deve testar tanto o desempenho médio quanto as falhas no pior cenário.

A velocidade de conclusão, por si só, é insuficiente. Um sistema pode melhorar essa métrica ao encerrar casos rapidamente, mesmo quando o trabalho permanece inacabado.

Chicago deve combinar velocidade com resultados verificados. Auditorias poderiam selecionar amostras de casos concluídos, comparar registros com evidências de campo e contatar moradores sobre condições não resolvidas.

Esse padrão cético não rejeita a proposta de Dowling. Ele torna a proposta operacionalmente séria.

A IA conquista um papel quando melhora um serviço compreensível e preciso, preservando a responsabilidade humana. Ela falha quando apenas produz uma linguagem melhor em torno de uma burocracia inalterada.

Chicago deve começar com três testes mensuráveis

O próximo passo deve ser um piloto limitado e público, estruturado em torno da qualidade do encaminhamento, de atualizações verdadeiras e de uma resposta departamental responsável.

O primeiro sinal é se Chicago cria um responsável claramente identificado pelo desempenho do 311. Esse responsável precisa ter autoridade sobre os departamentos participantes.

Um novo cargo, por si só, não seria suficiente. O órgão deve publicar definições de dados, revisar SLAs, investigar falhas recorrentes e informar ações corretivas.

Se Chicago estabelecer essa função, o argumento de Dowling se fortalece. A IA teria uma estrutura de gestão capaz de transformar a saída do modelo em mudança operacional.

Se as responsabilidades permanecerem distribuídas e informais, a proposta enfraquece. As descobertas automatizadas alcançariam as mesmas lacunas organizacionais identificadas pela auditoria.

O segundo sinal é um piloto controlado de encaminhamento e detecção de duplicidades. Chicago deve selecionar várias categorias de serviço de alto volume e menor risco, com registros históricos confiáveis.

O piloto deve comparar decisões humanas com sugestões da IA. A equipe deve registrar correspondências falsas, encaminhamentos incorretos, transferências e casos que exigem escalonamento.

Moradores cujos relatos forem agrupados como duplicados devem receber o número do caso principal e seu status atual. Eles também devem manter uma forma de contestar a correspondência.

Uma melhora significaria menos transferências desnecessárias e menos encerramentos sem explicação, sem resultados piores entre bairros ou grupos linguísticos.

O fracasso teria outra aparência. O sistema poderia reduzir o tempo de processamento enquanto aumenta a classificação incorreta, oculta padrões locais ou nega aos moradores um registro de caso independente.

O terceiro sinal é se as informações públicas de status se tornam precisas. Chicago deve definir um conjunto padrão de status antes de gerar explicações em linguagem natural.

Uma atualização útil deve indicar o departamento responsável, descrever a ação registrada, revelar o trabalho pendente e informar o próximo marco esperado.

Quando a cidade não tiver uma estimativa, deve dizer isso. Uma incerteza honesta é mais confiável do que uma data precisa criada a partir de dados frágeis.

Chicago pode medir a porcentagem de solicitações que recebem atualizações em tempo hábil, a taxa de casos reabertos e a diferença entre os tempos de conclusão exibidos e reais.

O conjunto de dados público de serviços da cidade fornece uma base para análises externas. Qualquer piloto de IA deve preservar ou melhorar essa transparência.

Esses testes devem ocorrer em sequência. A governança vem primeiro, a automação controlada vem em seguida, e a expansão pública depende de resultados verificados.

Chicago não deve começar com um chatbot para toda a cidade que promete responder a tudo. Essa abordagem cria o maior risco reputacional antes de reparar os registros subjacentes.

Um assistente limitado ainda pode gerar valor visível. Ele pode ajudar um morador a selecionar o tipo certo de solicitação e explicar um histórico de caso existente e verificado.

Ele deve se identificar como automatizado e expor os registros de origem por trás de sua resposta. A incerteza deve levar à revisão humana, e não à certeza inventada.

Funcionários de centrais de atendimento e equipes dos distritos eleitorais devem ajudar a projetar o sistema. Eles entendem os modos de falha que surgem entre uma solicitação digital e o trabalho de campo.

Os moradores também devem participar, especialmente aqueles que usam serviços de acessibilidade ou idiomas além do inglês. Sua experiência pode revelar erros ocultos por métricas agregadas.

Revisores independentes devem avaliar o piloto antes da expansão. Suas conclusões devem incluir tanto o desempenho técnico quanto a qualidade das respostas reais da cidade.

A atenção do Google News pode fazer a IA parecer o evento central. A questão mais consequente é se Chicago usa essa atenção para reconstruir a responsabilidade.

Dowling tem razão ao dizer que a IA pode melhorar um sistema que lida com mais de 2 milhões de solicitações anuais. Classificação, detecção de duplicidades, busca e comunicação são aplicações práticas.

No entanto, o “buraco negro” não surgiu porque Chicago carecia de software fluente. Ele surgiu porque os moradores não conseguiam ver responsabilidade, progresso ou explicações confiáveis.

Chicago deve fazer uma pergunta após cada fase do piloto: os moradores receberam um serviço mais preciso ou apenas uma comunicação mais automatizada?

Essa distinção deve orientar aquisições, pessoal e relatórios públicos. Ela também deve determinar se o programa se expande além de suas categorias iniciais.

Para leitores que acompanham a história pelo Google News, o marco significativo não será um anúncio de IA. Será a evidência de que Chicago fecha a lacuna entre a atividade registrada e o trabalho concluído.

Observe a nomeação de um responsável pelo desempenho, definições de status publicadas e resultados de pilotos medidos de forma independente. Juntos, esses sinais mostrariam que Chicago está construindo mais do que uma camada conversacional.

A IA pode iluminar o caminho pelo 311. Os líderes de Chicago ainda precisam decidir quem o percorre, quem resolve o problema e quem responde quando nada acontece.