O overhead é onde os modelos de custos feitos por IA se envergonham. Os custos diretos são fáceis, porque mais ou menos se anunciam sozinhos. O custo indireto é juízo, e juízo é precisamente o que um modelo montado a partir de padrões tende a fingir de forma convincente. Esta é uma desmontagem informal dos erros que continuamos a ver, escrita da cadeira da validação.

Drivers errados, escolhidos por estarem à mão

A falha mais comum. Um modelo feito por IA precisa de alocar, digamos, o custo da garantia de qualidade, e agarra-se ao número de pessoas ou à receita porque essas colunas estavam nos dados e são o padrão convencional. A garantia de qualidade não é consumida em proporção à receita. É consumida pelos produtos que geram inspeções, devoluções e retrabalho, que são muitas vezes os de baixa receita e muita complicação.

O resultado parece arrumado. Cada produto recebe uma alocação de qualidade, a coluna soma certo, nada dá erro. Está também apontado na direção errada, e vai favorecer precisamente os produtos que são, em silêncio, caros. Uma pessoa que já custeou um chão de fábrica cheira isto de imediato. Um detetor de padrões não. O modelo não tem faro para quais os produtos que dão trabalho, só para quais as colunas que se correlacionam, e a correlação num razão de custos é um mau guia para a causalidade. A receita correlaciona-se com quase tudo, e é precisamente por isso que é um driver por defeito tão tentador e tão perigoso.

Capacidade que desaparece em silêncio

O custeio Time-Driven vive e morre da capacidade. Custeia-se a capacidade prática de um recurso, custeia-se o que é usado, e a diferença é o custo da capacidade não utilizada, que é um achado, não um arredondamento. Os modelos feitos por IA alocam rotineiramente o custo total de um recurso por aquilo que foi produzido, o que enterra em silêncio a capacidade ociosa dentro do custo do produto.

O efeito é corrosivo. Os custos unitários sobem em períodos fracos puramente porque o volume caiu, o que diz aos gestores que os produtos ficaram mais caros quando, na verdade, a fábrica ficou mais vazia. Vemos isto constantemente. O modelo não erra na aritmética. Erra no que significa a capacidade não utilizada, e essa distinção é a razão inteira por que o TDABC existe. A capacidade não utilizada é uma decisão de gestão vestida de número. Diz se se comprou recurso a mais, ou se a procura caiu, e pertence à frente das pessoas que podem agir sobre ela, não esborratada de forma invisível pelo custo de cada unidade que calhou ser feita naquele mês.

Alocações que se recusam a reconciliar

Um número surpreendente de modelos feitos por IA não bate certo com o razão e ninguém verificou. O custo total alocado deveria igualar o custo total real, dentro de uma tolerância que se consiga defender. Quando não iguala, há fuga: custo contado a dobrar, custo deixado de fora, um pool alocado duas vezes. O modelo continua a produzir um custo unitário arrumado. A arrumação é a armadilha.

A reconciliação é a verificação mais barata e de maior retorno que existe, e é a mais saltada porque o output já parece terminado. Se um modelo não reconcilia com os valores reais, todas as margens que reporta são decoração.

Comentário confiante que está confiantemente errado

O modo de falha mais recente, e em certos aspetos o mais perigoso. Peça-se ao modelo para explicar os seus resultados e ele escreve uma narrativa fluente e plausível sobre por que o produto A é mais rentável do que o produto B. A prosa é boa. A prosa é também gerada para soar certa, não para ser confrontada com as entranhas do próprio modelo, e explica de bom grado um resultado que a lógica de alocação não sustenta de facto.

Quem confia no comentário herda erros com uma camada de confiança pintada por cima. Aprendemos a ler comentário de custos gerado por IA como se lê uma carta de apresentação. Agradável, e não prova. O sinal costuma ser a especificidade: o comentário afirma uma causa com uma confiança que os números por baixo nunca ganham, nomeando um motor de rentabilidade que a lógica de alocação não isola de facto. Bom comentário aponta de volta para um valor que se consegue abrir e verificar. Comentário gerado aponta para uma sensação.

Então o que se faz, na prática?

Validar primeiro as coisas aborrecidas, porque é nas coisas aborrecidas que está o dinheiro. Reconciliar com o razão. Abrir os maiores cost pools e interrogar o driver. Verificar que a capacidade não utilizada é mostrada e não esborratada. Depois, e só depois, ler o comentário, contra os números, não em vez deles. Esta sequência é mais ou menos a espinha do Trust Score, e a versão dimensão a dimensão está em /ai-profitability/trust-score/.

Conclusão: as alocações de overhead feitas por IA falham num pequeno número de maneiras repetíveis. Driver errado, capacidade em falta, sem reconciliação, narração confiante. Nenhuma é exótica. Todas são detetáveis por quem lê o modelo em vez de o admirar.