Havia uma quinta-feira específica em que percebi que algo precisava mudar: minha equipe de suporte tinha respondido 47 vezes à mesma pergunta sobre reset de senha antes do meio-dia. Naquele momento, entendi que estávamos desperdiçando talento humano em tarefas que uma máquina resolveria em segundos. Decidi construir um agente de IA — e o resultado automatizou 80% do nosso volume de chamados repetitivos. Compartilho aqui como fiz, com aprendizados que aplico até hoje nos projetos que lidero.
Diagnóstico: onde a IA realmente faz diferença
Antes de escrever uma linha de código, mergulhei nos dados. Extraí seis meses de tickets do nosso sistema e categorizei tudo. A descoberta foi reveladora: 62% dos chamados eram sobre cinco temas — reset de senha, liberação de acesso a sistemas, configuração de VPN, dúvidas sobre impressoras e status de solicitações abertas.
No mercado brasileiro, esse padrão se repete. Segundo dados da Zendesk, empresas nacionais gastam em média R$ 18 a R$ 25 por atendimento humano de primeiro nível. Multiplique isso por milhares de chamados mensais e o custo salta rápido.
A lição que sempre repito para minhas equipes, e que reforço aqui como André Dias Moreira Prol: automação sem diagnóstico é só tecnologia cara resolvendo o problema errado. Só automatizei o que os dados provaram ser repetitivo e de baixo valor cognitivo.
Arquitetura: RAG, ações reais e segurança
O coração do agente é uma arquitetura RAG (Retrieval-Augmented Generation). Em vez de deixar o modelo "inventar" respostas, conectei um LLM a uma base vetorial contendo nossa documentação interna, manuais e histórico de soluções validadas. Isso reduziu drasticamente as alucinações — um ponto crítico em ambientes corporativos.
Mas responder não bastava. O diferencial foi dar ao agente capacidade de execução através de function calling:
def reset_senha_usuario(usuario_id):
if validar_identidade(usuario_id):
novo_token = gerar_token_temporario()
registrar_auditoria(usuario_id, "reset_senha")
return novo_token
return "Verificação adicional necessária"
Cada ação sensível passa por três camadas: validação de identidade, log imutável de auditoria e escalonamento automático para humano quando a confiança do modelo fica abaixo de 85%. Aqui minha experiência em perícia digital foi decisiva — todo evento gera rastro auditável, algo indispensável para conformidade com a LGPD.
Integrei tudo via API ao nosso sistema de tickets (usamos um conector com o service desk existente) e adicionei uma interface conversacional no Teams, onde as pessoas já trabalhavam. Sem app novo, sem atrito de adoção.
Resultados, tropeços e o que faria diferente
Os números após 90 dias:
| Métrica | Antes | Depois |
|---|---|---|
| Chamados resolvidos sem humano | 0% | 80% |
| Tempo médio de resolução (nível 1) | 4h20 | 3 min |
| Satisfação (CSAT) | 78% | 89% |
O ganho não foi só financeiro. Minha equipe migrou para projetos estratégicos — inclusive iniciativas de tokenização de ativos na blockchain Stellar e contratos inteligentes em Soroban, áreas onde o pensamento humano é insubstituível.
Mas houve tropeços. No início, o agente escalava chamados de mais por excesso de cautela, gerando fila. Ajustei os thresholds de confiança iterativamente. Outro erro: subestimei a importância do feedback loop. Hoje, cada interação mal avaliada realimenta a base de conhecimento automaticamente.
Se eu recomeçasse, começaria menor: automatizaria um único fluxo completo antes de expandir. Foi a lição mais valiosa que levo de todos os projetos que conduzo — validar antes de escalar evita o retrabalho que quase nos custou a confiança dos usuários no piloto.
Conclusão
Construir esse agente me provou que IA em TI não substitui pessoas, mas devolve a elas o tempo para resolver o que realmente importa. Se você lidera uma equipe de suporte, comece pelo diagnóstico dos seus dados hoje mesmo — e me chame para trocar ideias sobre a sua jornada de automação.
Acompanhe mais artigos de André Dias Moreira Prol no Medium.
Top comments (0)