A vantagem agêntica para suporte ao cliente — Capítulo 3

Seu roteiro para o suporte ao cliente autônomo

O suporte ao cliente autônomo não é algo que você simplesmente ativa. É uma capacidade que você desenvolve ao longo do tempo. O objetivo não é automatizar todos os casos desde o primeiro dia, nem eliminar a expertise humana do atendimento. Trata-se de ampliar gradualmente a parcela do suporte que pode ser tratada de maneira autônoma, ao mesmo tempo em que se concentra a equipe nos casos em que sua expertise agrega mais valor.

Para a maioria das empresas, isso significa começar com tarefas de suporte relativamente determinísticas, estabelecendo a base de conhecimento e avaliação de que os agentes de IA precisam para ter sucesso e, em seguida, ampliar progressivamente a autonomia para casos mais complexos. Aqui estão cinco etapas para chegar lá:

Etapa 1 — Defina sua linha de base de suporte

Antes de decidir o que automatizar, entenda onde sua equipe de suporte gasta seu tempo e dinheiro atualmente. Comece com as métricas que você já acompanha: volume de chamados, tempo médio de atendimento (AHT), tempo médio de resolução (ART), taxas de escalonamento, desvio e custo por chamado. Em seguida, analise essas métricas sob a ótica da complexidade dos casos.

Uma solicitação de nível 1 que leva horas para ser resolvida representa uma oportunidade de automação muito diferente daquela de um problema de nível 3 que exige conhecimento especializado em engenharia. Analisar o volume, o tempo de resolução e o custo por tipo de caso ajuda a identificar onde a autonomia pode gerar o maior impacto inicial.

Procure especificamente por casos de alto volume em que o caminho para a resolução seja bem compreendido. Esses costumam ser os melhores candidatos para a resolução autônoma inicial, pois são mais determinísticos e exigem menos julgamento.

Mas não limite sua avaliação a chamados individuais. Observe toda a jornada de resolução. Quantos sistemas um agente acessa? Onde as transferências acontecem? Quanto tempo é gasto procurando informações? Quais etapas exigem julgamento humano e quais são simplesmente manuais?

O objetivo é estabelecer uma linha de base que você possa usar para medir algo mais importante do que a própria automação: quanto esforço humano é necessário para resolver cada caso.

Etapa 2 — Prepare a base de conhecimento

Conceder a um agente de IA acesso à sua base de conhecimento não é o mesmo que fornecer a ele o conhecimento necessário para resolver os problemas dos clientes. As grandes empresas costumam ter anos de documentação de suporte, casos encerrados, documentação de produtos, guias de solução de problemas, notas de engenharia e conhecimento implícito. Esse histórico pode ser extremamente valioso, mas também pode conter instruções desatualizadas, informações duplicadas, soluções conflitantes e conteúdo escrito para produtos ou versões que já não são mais relevantes.

Esse conhecimento precisa ser preparado para o suporte autônomo. As empresas precisam identificar conteúdos relevantes, eliminar ruídos, estruturar as informações de maneira adequada e garantir que os agentes possam acessar o conhecimento correto no contexto de um cliente, produto, configuração ou problema específico. Isso não se trata de uma migração única.

Essa base também deve ser aprimorada continuamente a cada escalamento e resolução de caso por um agente humano. Avalie o caso concluído e identifique lacunas ou orientações ausentes na base de conhecimento existente, permitindo que o sistema gere de maneira autônoma um novo artigo de conhecimento. O artigo pode então ser revisado e publicado conforme o processo de governança da empresa. Quando outro cliente levantar a mesma questão, o agente de IA poderá usar o conhecimento recém-criado para resolvê-la sem a necessidade de outro encaminhamento. Isso cria um sistema de ciclo fechado no qual os encaminhamentos fortalecem a base de conhecimento e melhoram as taxas de resolução futuras.

Cada lançamento de um novo produto, cada caso de suporte e cada resolução bem-sucedida geram novos conhecimentos. Para manter o desempenho autônomo, é necessário atualizar continuamente essas informações, de modo que os agentes não se baseiem no entendimento do produto que tinham ontem. A qualidade da resolução autônoma dependerá, em última instância, em grande parte da qualidade do conhecimento que a sustenta.

Etapa 3 — Comece pelo Nível 1, mas já pensando no Nível 2

O suporte rotineiro ao Nível 1 é um ponto de partida natural. Esses casos tendem a ter maior volume, menor risco e são mais determinísticos, o que os torna fortes candidatos à resolução autônoma de ponta a ponta. No entanto, isso não quer dizer que as empresas devam criar um ambiente isolado de automação de Nível 1 e deixar todo o resto para depois.

As fronteiras entre os Níveis 1, 2 e 3 nem sempre são bem definidas. Um agente de IA precisa de contexto suficiente para compreender o caso, classificar sua complexidade, determinar se pode resolvê-lo com segurança e encaminhá-lo para um nível superior quando não for possível. Uma abordagem mais eficaz consiste em começar a desenvolver capacidades nos níveis 1 e 2, ao mesmo tempo em que se busca diferentes níveis de autonomia dentro de cada um deles.

Busque a resolução de ponta a ponta para os casos determinísticos do Nível 1. Para casos mais complexos do Nível 2, permita que os agentes de IA lidem com as partes do processo de resolução para as quais estão preparados e incorpore a experiência humana ao processo quando necessário. Isso cria a base para a próxima etapa: aprender com essas intervenções humanas.

Etapa 4: Crie um ciclo de avaliação e aprendizado

A transição do suporte assistido para o autônomo exige compreender exatamente onde e por que os agentes de IA ainda precisam de ajuda. Isso torna a avaliação uma parte essencial do modelo operacional. As empresas precisam de uma maneira de avaliar continuamente as ações dos agentes, a qualidade da resolução, a recuperação de conhecimento, as decisões de escalonamento e os resultados. Quando um agente não consegue resolver um caso de maneira autônoma, o objetivo não é simplesmente repassar o chamado para outra pessoa e seguir em frente.

Em vez disso, é preciso analisar o que aconteceu. Onde o agente precisou de assistência? Quais informações estavam faltando? Que ação a pessoa realizou? O agente consultou a informação errada, tomou a decisão errada ou se deparou com uma situação que nunca havia enfrentado antes? A resolução bem-sucedida por uma pessoa passa, então, a ser um novo e valioso conhecimento.

Registre-o, incorpore-o à base de conhecimento, teste o agente com as informações atualizadas e use o resultado para melhorar a forma como casos semelhantes serão tratados no futuro. Isso cria um ciclo contínuo. Em vez de considerar a intervenção humana como uma falha de autonomia, as empresas bem-sucedidas a utilizam para ampliar o escopo das tarefas que seus agentes de IA poderão realizar no futuro.

Etapa 5: Continue expandindo o limite da autonomia

O objetivo não é necessariamente uma resolução 100% autônoma. É a melhoria contínua no percentual de trabalho de suporte que pode ser realizado sem intervenção humana. Considere um caso de Nível 2 que inicialmente requer envolvimento humano em 60% de sua jornada de resolução. Um agente de IA já pode ser capaz de classificar o problema, coletar informações sobre o contexto do cliente, recuperar conhecimentos relevantes, analisar registros e recomendar uma ação antes que um engenheiro assuma o caso.

À medida que a empresa coleta resultados e aprimora o agente, esse equilíbrio pode mudar. O que antes era 40% autônomo e 60% assistido pode, eventualmente, passar a ser 60% autônomo e 40% assistido. Com o tempo, a parte do processo que depende da intervenção humana continua a diminuir.

Assim que esse ciclo de aprendizagem estiver funcionando de maneira confiável para casos de Nível 2, as empresas poderão começar a estender o mesmo modelo a cenários selecionados de Nível 3, com base em sua tolerância ao risco, nos requisitos de negócios e no desempenho dos agentes. O resultado é uma empresa de suporte na qual a experiência humana é aplicada de maneira diferente.

Os agentes de IA assumem uma parcela cada vez maior das investigações de rotina, da interação com os sistemas e da resolução de problemas. Os engenheiros de suporte se concentram em problemas novos, ambíguos e de alto valor. Além disso, cada intervenção humana bem-sucedida cria uma oportunidade para tornar a próxima interação mais autônoma.

É assim que o suporte ao cliente autônomo se expande: não por meio de um único salto do atendimento manual para o autônomo, mas ao deslocar continuamente a fronteira entre o que requer conhecimento humano e o que já não requer mais.

Colocando o roteiro em prática

O caminho para o suporte autônomo será diferente para cada empresa. A complexidade do produto, o volume de casos, o conhecimento disponível, a tolerância ao risco e os sistemas existentes influenciam, em conjunto, por onde começar e com que rapidez expandir. No entanto, essa progressão fica mais fácil de entender quando se analisam cenários específicos de suporte.

Os três casos de uso a seguir demonstram como as empresas podem aplicar níveis crescentes de autonomia, desde solicitações de Nível 1 altamente determinísticas até o diagnóstico técnico de problemas e, por fim, a orquestração em todo o ciclo de vida do caso.

Gerenciamento de acesso do usuário: comece com trabalho previsível e de alto volume

Considere uma solicitação de Nível 1 comum: um cliente contratou um novo funcionário que precisa de acesso ao portal do cliente para enviar e gerenciar casos de suporte. Normalmente, essa solicitação gera um chamado que deve ser analisado e concluído por um funcionário do suporte ou da área administrativa. O trabalho em si pode ser simples, mas cada solicitação consome recursos humanos e contribui para o aumento do volume de chamados.

Um agente de IA, por outro lado, pode compreender a solicitação, coletar as informações necessárias, validar a elegibilidade e as permissões do usuário, executar o fluxo de trabalho de acesso apropriado nos sistemas conectados e confirmar que o acesso foi provisionado com sucesso. Esse é o tipo de caso determinístico e de menor complexidade que oferece um ponto de partida natural para a resolução autônoma. Os casos de Nível 1 podem atingir níveis muito elevados de resolução autônoma de ponta a ponta, pois as ações corretas são, em geral, bem compreendidas e repetíveis.

A lição não é simplesmente automatizar as solicitações de acesso. Trata-se de usar esses casos previsíveis para estabelecer as capacidades subjacentes (conhecimento, integrações, testes, avaliação e governança) que, por sua vez, podem dar suporte a resoluções autônomas mais complexas.

Falha na implantação de bot: expanda a autonomia para a solução técnica de problemas

Agora considere um cenário mais complexo. Um cliente está se preparando para entrar em produção quando um bot não consegue ser implantado e exibe uma tela preta. Ao contrário de uma solicitação de acesso, pode não haver um único caminho determinístico para a resolução do problema. A causa pode depender de logs, configuração, versão do produto, ambiente do cliente, casos anteriores ou outros fatores técnicos.

Um agente de IA pode iniciar a investigação compreendendo o problema relatado, reunindo o contexto relevante, analisando os registros disponíveis, recuperando informações pertinentes sobre o produto e determinando a solução mais provável. Quando o nível de confiança e as proteções estabelecidas permitirem, o agente pode executar a correção aprovada e validar se a implantação foi bem-sucedida. Caso seja necessário conhecimento especializado adicional, o sistema pode encaminhar o caso a um engenheiro de suporte com as informações já coletadas, incluindo um resumo do caso, resultados do diagnóstico, conhecimento relevante e próximas etapas recomendadas.

Isso ilustra um princípio importante do roteiro de autonomia: um caso não precisa ser totalmente autônomo para gerar valor. Uma empresa pode, inicialmente, automatizar 40% desse processo de resolução, contando com um profissional humano para os 60% restantes. Ao avaliar em que pontos o agente precisou de assistência, registrar a solução bem-sucedida do engenheiro e incorporar esse conhecimento de volta ao sistema, a empresa pode aumentar progressivamente a parcela de autonomia em casos futuros.

O objetivo é reduzir continuamente a distância entre o término do trabalho autônomo e o início da intervenção humana.

Gerenciamento do ciclo de vida do caso: coordene o suporte desde o recebimento até a resolução

A gestão do ciclo de vida do caso representa o estado final mais amplo do suporte ao cliente autônomo. Em vez de automatizar uma tarefa específica ou um cenário de solução de problemas, os agentes de IA participam de toda a jornada de suporte, desde o momento em que uma solicitação chega à empresa até sua resolução e encerramento.

O processo começa com a classificação. O agente de IA interpreta a solicitação do cliente e determina se possui o conhecimento e os recursos necessários para tentar uma resolução autônoma. A partir daí, ele pode coletar informações em diversos sistemas de suporte, recuperar conhecimento relevante, avaliar possíveis soluções e executar as ações adequadas. Durante a interação, ele também pode avaliar sinais como o sentimento do cliente e o desempenho do agente para determinar se o caso deve continuar de maneira autônoma ou ser transferido para um especialista humano.

Quando é necessária assistência humana, o objetivo não é simplesmente encaminhar o chamado para outra fila. O engenheiro recebe o contexto já organizado pela IA para que possa dar continuidade à resolução do problema, em vez de ter que recomeçar a investigação do zero. Essa intervenção humana também alimenta o ciclo de aprendizagem contínuo. A resolução bem-sucedida pode ser registrada, incorporada ao conhecimento da empresa e utilizada para aprimorar a forma como o agente lida com situações semelhantes no futuro.

Com o tempo, uma parte cada vez maior do ciclo de vida do caso se torna autônoma.

É também nesse ponto que eliminar a alternância entre sistemas se torna fundamental. A resolução de um caso de suporte técnico pode exigir informações e ações envolvendo um sistema de chamados, um CRM, uma base de conhecimento, um portal do cliente e uma plataforma de comunicação. O gerenciamento autônomo de casos exige que os agentes raciocinem e ajam em todo esse ambiente, em vez de obrigar o cliente ou o técnico de suporte a navegar manualmente por cada aplicativo.

Isso resulta em uma transformação fundamental do modelo de suporte: os casos são classificados em tempo real, resolvidos de maneira autônoma quando possível, encaminhados sem interrupções para especialistas humanos quando necessário e usados continuamente para aprimorar os atendimentos futuros.

De casos de uso individuais a um modelo de suporte autônomo

Esses exemplos não devem ser vistos como três projetos de automação isolados.

O gerenciamento de acesso do usuário demonstra como as empresas podem estabelecer autonomia em relação ao trabalho de suporte determinístico. A falha na implantação do bot mostra como essa mesma base pode se estender a casos mais complexos, nos quais a resolução autônoma e a assistida atuam em conjunto. A gestão do ciclo de vida dos casos mostra o que acontece quando esses recursos são coordenados ao longo de toda a jornada de suporte.

O elemento comum é a expansão contínua. As empresas estabelecem a base de conhecimento e integração, automatizam o que podem resolver com segurança, avaliam o que ainda requer assistência humana, registram as soluções bem-sucedidas realizadas por pessoas e utilizam esses insights para ampliar ainda mais a autonomia.

Esse é o caminho que vai da automação das tarefas de suporte à construção de uma operação de suporte autônoma.