Ao usar IA para reduzir o atrito no suporte ao cliente, a empresa criou mais capacidade para lidar com questões complexas
Este artigo foi adaptado de um webinar realizado para empresas do Volaris Group e conduzido por Hanna Ha, Corporate Knowledge Programs Lead no Volaris Group.
Manter um service desk operando a todo vapor pode ser um desafio para qualquer empresa. Uma de nossas empresas encontrou uma forma de fazer o seu funcionar com mais fluidez.
Guy Hiddleston é Head de Sistemas de TI e Conformidade na Artifax, uma empresa do Volaris que desenvolve software de gestão de locais e eventos para teatros, museus e outras organizações culturais e de patrimônio.
Recentemente, ele compartilhou com a comunidade Volaris sua experiência de construir, do zero, um agente de suporte auto-hospedado, motivado por tornar o conhecimento existente da equipe mais acessível para seus próprios colaboradores e clientes.
Desafios para encontrar informações do help desk
A Artifax tem uma operação de suporte relativamente pequena, que lida com cerca de 2.500 tickets por ano. Em geral, a função tem sido desempenhada por um especialista de suporte em tempo integral, com apoio de serviços profissionais. Porém, o conhecimento com o qual trabalhavam estava disperso em um enorme acervo de artigos da central de ajuda, históricos de tickets e transcrições longas e não estruturadas de chamadas de serviços profissionais e de customer success.
“A menos que você soubesse o que estava procurando e soubesse o que pesquisar, era meio difícil conseguir acessar isso de fato”, disse Guy.
Os clientes também enfrentavam um desafio. A base de conhecimento da Artifax não era facilmente acessível para eles, e isso gerava um fluxo constante de tickets repetitivos de perguntas frequentes. Responder a essas solicitações estava tirando tempo da equipe para trabalhar em casos realmente complexos.
Enquanto isso, a empresa precisava de uma forma de repassar conhecimento sobre módulos de nicho para novos contratados.
Saindo dos tickets para um cérebro pesquisável
A Artifax decidiu criar um agente de IA para resolver seus desafios. A construção começou pela extração. A equipe puxou todo o histórico de tickets e o arquivo da base de conhecimento, fez um agente percorrer cada ticket e resumi-lo ao que, de fato, era o problema do cliente, como ele foi comunicado e como foi resolvido. Esses resumos enxutos — e não as conversas brutas — foram para um banco de dados vetorial.
Em seguida, a Artifax criou dois recuperadores separados — um para tickets de suporte e outro para artigos da base de conhecimento —, cada um mantido em tabelas separadas.
A primeira versão do agente ficou em uma ferramenta de fluxo de trabalho open source, na qual Guy podia conversar com ele diretamente. Funcionava, mas ainda não estava pronta para os clientes.
Preparando o agente para os clientes
Em vez de direcionar o agente diretamente aos clientes, a Artifax implementou salvaguardas. Fizeram isso enviando um novo ticket ao agente no momento em que ele era criado e, em seguida, publicando o rascunho de resposta do agente como uma nota privada, apenas interna. A equipe de suporte usava o rascunho criado pelo agente para investigar mais rápido ou aproveitar uma resposta sugerida. Em alguns casos, para perguntas frequentes mais diretas, a equipe de suporte podia simplesmente copiar o rascunho para uma resposta voltada ao cliente.
“O motivo de não termos ido direto para a resposta pública é que, do ponto de vista de governança, isso seria uma atividade de alto risco”, disse Guy. “Queríamos conseguir validar primeiro, refinar o modelo e, então, seguir em frente.”
Esse período de validação durou cerca de um mês, com pessoas verificando cada resposta quanto a tom, escopo e citações. Essa etapa se mostrou importante para ajudar a evitar alucinações do agente de IA.
A equipe alterou o agente para que toda resposta que ele fornece agora traga uma fonte ao final, para que tanto a Artifax quanto seus clientes possam rastrear uma afirmação até sua origem. “Precisávamos que os clientes construíssem confiança para poder ir à fonte e validar aquela informação”, explicou ele.
Criando barreiras de proteção contra alucinações
Algumas barreiras de proteção que a Artifax incorporou ao agente eram óbvias, como manter-se no tema e não discutir nada fora do produto.
Mas outras ideias de barreiras surgiram por meio de testes internos.
Como o agente tem acesso a dados de tickets de suporte, ele é tecnicamente capaz de responder a perguntas que vão além do suporte, mas que podem conter informações que não se destinam a esse propósito. Para evitar uso indevido, o prompt do sistema agora detalha regras de citação, proibições explícitas e como o agente deve recusar e redirecionar de forma consistente, com cada saída verificada em relação a essas barreiras antes de ser mostrada a qualquer pessoa. E a Artifax implementou proteção para dados pessoais, com uma defesa em duas camadas.
Para colocar tudo isso à prova, Guy desafiou qualquer pessoa dentro da empresa a quebrar as barreiras de proteção.
Nem tudo correu bem. No início, a equipe experimentou modelos mais rápidos, com menor capacidade de raciocínio, para buscar tempos de resposta mais rápidos. Esses modelos alucinavam muito mais e inventavam URLs da central de ajuda em vez de citar as reais.
“Foi frustrante durante nosso período de experimentação. A informação ainda vinha de artigos ativos, mas o modelo criava sua própria URL”, disse Guy.
Desde então, a Artifax passou por seu período de aprendizado. A equipe aprendeu que mudar o modelo utilizado pode alterar tom e comportamento o suficiente para que tudo precise ser testado novamente. Na prática, isso significa criar uma cópia paralela do agente no modelo candidato, validá-la de forma independente e só então migrar a produção.
Quando a equipe se sentiu segura, o agente saiu dos testes e foi para o próprio produto da Artifax, onde foi lançado de forma gradual para os clientes por meio do botão de ajuda.
Como a equipe de suporte otimizou os fluxos de trabalho
O ganho mais claro foi no onboarding. Uma nova contratada no departamento de suporte, que não conhecia os módulos mais específicos da Artifax, conseguiu responder a tickets já na primeira semana após usar os resumos privados de tickets do agente.
O volume geral de tickets não caiu de forma dramática, mas a Artifax está vendo pouquíssimas sessões de chat escalarem para um ticket registrado. Guy diz que isso não reflete uma “deflexão” de problemas de suporte, mas o sucesso do novo canal de suporte realmente self-service, que reduz o atrito para os clientes.
Internamente, a equipe usa o agente diariamente, e a enxurrada de tickets repetitivos de perguntas frequentes desapareceu, liberando tempo da equipe para melhorar artigos da central de ajuda, que então alimentam diretamente o próprio conhecimento do agente.
O que vem a seguir para a Artifax
A Artifax agora está gravando chamadas de serviços profissionais e de customer success para construir uma segunda camada de conhecimento, apenas interna. Assim, os gerentes de conta poderão, no futuro, pedir ao agente um resumo de como está a situação de um cliente específico.
A equipe também está avaliando a migração de uma plataforma para outra, em grande parte para ter uma trilha de auditoria mais madura à medida que os riscos da automação aumentam com a adoção adicional de IA.
“Ter uma trilha de auditoria e um registro de decisões realmente robustos é fundamental para adicionar quaisquer agentes adicionais”, disse ele.
O conselho dele para outras empresas que talvez queiram seguir um projeto semelhante? “Seus dados já estão lá. Vá e busque-os.”
