A vantagem agêntica para suporte ao cliente – Capítulo 2

Compreender o que está impedindo o avanço do suporte

Antes de criar uma operação de suporte autônoma, é preciso entender em que pontos o modelo atual gera trabalho desnecessário.

Para a maioria das empresas, o problema não se resume a um único processo que não funciona. Trata-se do efeito cumulativo da crescente complexidade dos produtos, da fragmentação dos sistemas e do conhecimento, do trabalho manual e de um modelo operacional que ainda espera que os clientes enfrentem problemas antes que o suporte entre em ação.

Esses desafios se tornam mais evidentes à medida que a empresa cresce.

A complexidade do produto torna cada solução mais difícil

Quanto mais avançado se torna um produto tecnológico, mais variáveis as equipes de suporte precisam levar em conta quando algo dá errado.

Um problema aparentemente simples do cliente pode depender de uma determinada versão de software, configuração de implantação, integração, API, ambiente operacional ou dependência de terceiros. O engenheiro de suporte pode precisar examinar logs, consultar documentação técnica, analisar casos anteriores, compreender a configuração do cliente e determinar se o problema tem origem no produto ou em algum outro ponto da pilha de tecnologia do cliente.

Isso torna o suporte cada vez mais investigativo.

O desafio não é apenas encontrar uma resposta. É reunir contexto preciso e suficiente para entender qual resposta se aplica a esse cliente, nesse ambiente, neste momento.

À medida que a complexidade aumenta, o conhecimento especializado também se torna mais valioso. Os casos são transferidos entre níveis de suporte ou encaminhados a engenheiros com maior conhecimento do produto, o que aumenta tanto o tempo de resolução quanto o custo.

O suporte que depende fortemente de mão de obra cria um problema de escalabilidade

O suporte ao cliente tradicional se expande de maneira linear. Quando o volume de chamados aumenta, as empresas contratam mais pessoal para lidar com isso. Isso cria um ciclo previsível: mais clientes geram mais casos, o que exige mais agentes, mais treinamento, mais gestão e conhecimentos mais especializados.

Esse modelo se torna particularmente difícil para as empresas, pois nem todo engenheiro de suporte é substituível. Produtos complexos exigem especialistas que entendam componentes, configurações ou ambientes técnicos específicos. Essas habilidades levam tempo para serem desenvolvidas e podem se tornar gargalos à medida que a demanda cresce.

A assistência da IA pode tornar essas pessoas mais produtivas, mas a produtividade por si só não elimina a restrição subjacente. Se toda resolução, em última instância, exige que uma pessoa conclua o trabalho, a capacidade de suporte continua vinculada à capacidade humana. A oportunidade oferecida pelo suporte autônomo é mudar essa relação. O trabalho rotineiro pode, cada vez mais, ser realizado sem intervenção humana, enquanto os especialistas se concentram em problemas novos, ambíguos e de maior valor.

A alternância entre sistemas consome tempo que deveria ser dedicado à resolução de problemas

As informações necessárias para resolver um caso de suporte raramente estão reunidas em um único lugar.

Um engenheiro de suporte pode começar por consultar um sistema de chamados, um CRM, uma base de conhecimento, um portal do cliente e plataformas de comunicação para investigar um problema subjacente.

Cada sistema contém parte da resposta.

Os engenheiros de suporte passam a ser a camada de integração, transferindo manualmente informações entre aplicativos e reconstruindo o contexto sempre que um caso ultrapassa os limites de um sistema. O resultado são tempos de resolução mais longos, trabalho manual desnecessário e maior risco de perda de informações durante as transferências de casos.

Essa é uma das razões pelas quais o suporte autônomo exige mais do que uma interface de IA sobreposta a um sistema de chamados. Os agentes de IA precisam ser capazes de recuperar o contexto e tomar medidas em todos os sistemas envolvidos na resolução.

Eliminar a necessidade de alternar entre sistemas não apenas torna os agentes mais produtivos. Isso cria a base para que uma parte maior do ciclo de vida da resolução seja concluída de maneira autônoma.

O conhecimento isolado limita tanto as pessoas quanto a IA

As grandes empresas não carecem de conhecimento de suporte. Em muitos casos, elas têm conhecimento em excesso.

Anos de chamados encerrados, artigos de conhecimento, documentação técnica, guias de solução de problemas, notas de lançamento, documentação de engenharia e conversas internas podem conter uma quantidade enorme de inteligência institucional. No entanto, esse conhecimento pode estar duplicado, desatualizado, inconsistente ou distribuído por diferentes repositórios.

Para os agentes humanos, isso equivale a mais tempo dedicado à pesquisa e maior dependência do conhecimento informal. Para agentes de IA, o problema se torna ainda mais relevante. O simples fato de conectar um agente de IA a anos de conteúdo histórico de suporte não garante, por si só, uma resolução autônoma confiável. O conhecimento precisa estar atualizado, ser relevante, estar estruturado e disponível no contexto necessário para que o agente possa analisar um caso específico.

Isso faz com que a preparação do conhecimento seja um dos pilares da jornada rumo à autonomia.

O suporte reativo inicia o processo de resolução tarde demais

O ciclo tradicional de suporte começa com o cliente. Algo dá errado. O cliente enfrenta o problema. Ele procura uma resposta. Se não conseguir encontrar, ele abre um chamado. O chamado entra em uma fila, chega a um agente e a investigação começa. Por definição, a empresa já está em desvantagem.

Mesmo um suporte reativo altamente eficiente ainda exige que o cliente enfrente uma interrupção antes que a resolução comece. O suporte autônomo cria o potencial para inverter esse modelo. Os agentes de IA podem atuar em conjunto com sistemas de observabilidade e monitoramento para identificar determinados problemas nos ambientes dos clientes, coletar informações de diagnóstico e tomar as medidas adequadas antes que o cliente precise relatá-los.

Nem todo problema pode, ou deve, ser tratado dessa forma. No entanto, transferir até mesmo uma parte do suporte da resposta reativa para a detecção proativa muda o foco da otimização das empresas de suporte: não apenas uma resolução mais rápida, mas a prevenção do impacto sobre o cliente desde o início.

A pressão sobre os custos torna as melhorias incrementais insuficientes

Todos esses desafios, em última análise, convergem para o mesmo problema empresarial. As empresas de suporte estão sendo solicitadas a reduzir os tempos médios de atendimento e resolução, controlar o custo por chamado, melhorar o desempenho dos SLAs, manter ou aumentar a CSAT e absorver a demanda crescente sem aumentar continuamente o quadro de funcionários. Historicamente, esses objetivos têm entrado em conflito entre si.

A redução de custos pode exigir que menos pessoas atendam a um número maior de casos. Melhorar a experiência do cliente pode exigir a incorporação de conhecimentos especializados. A expansão global pode exigir capacidade adicional de suporte. O aumento da complexidade do produto pode tornar cada interação mais cara.

A resolução autônoma oferece um caminho diferente, pois se concentra na quantidade de esforço humano necessária para resolver um problema. O objetivo inicial não precisa ser 100% de autonomia. Um caso complexo pode começar com a IA concluindo de maneira autônoma parte do processo de resolução antes de encaminhá-lo a um especialista humano. À medida que a empresa avalia essas interações, registra as resoluções bem-sucedidas realizadas por humanos e aprimora o conhecimento disponível para seus agentes de IA, uma parte cada vez maior desse processo pode se tornar autônoma.

Essa evolução, do suporte dependente de humanos para uma autonomia cada vez maior, é a oportunidade. O primeiro passo é compreender uma distinção importante: ajudar os clientes a evitar os chamados não é a mesma coisa que resolver seus problemas.