Um framework de recomendação de automação baseado em Task Mining e Large Language Models

An automation recommendation framework based on Task Mining and Large Language Models

Resumen

A transformação digital impulsiona organizações a buscarem eficiência operacional por meio da automação de processos. A Automação Robótica de Processos (RPA) consolidou-se como solução para tarefas repetitivas, porém apresenta gargalo crítico na fase de descoberta e documentação, que consome até 40% do tempo total dos projetos e depende de especialistas humanos escassos. O Task Mining permite identificar padrões de trabalho a partir de logs de interação com interfaces gráficas, mas a tradução desses padrões em scripts executáveis permanece uma atividade manual e sujeita a erros. Large Language Models (LLMs) oferecem capacidade de geração de código, mas apresentam riscos de alucinações quando aplicados diretamente em sistemas críticos. Este artigo apresenta o Framework ORBITA (Orchestrated Recommender Based on Intelligent Task Analysis), uma arquitetura de seis camadas que integra Task Mining e LLMs mediados por Retrieval-Augmented Generation (RAG) para recomendar automações com validação em sandbox e governança humana. O framework foi validado empiricamente em quatro domínios representativos: automação de interface (RPA Challenge), extração de dados web (Books to Scrape), processamento de documentos (Invoice Generator) e pipeline de dados (Kaggle Datasets). Os resultados indicaram redução média de 97,3% no Tempo Médio de Automação em comparação ao desenvolvimento manual, com taxa de 100% de scripts funcionalmente executáveis após validação estrutural.