Agente de IA no suporte técnico: o caso da MTS

A MTS Web Services criou um agente de IA para analisar automaticamente tickets de suporte técnico e abandonou o sistema de busca baseado em RAG, que exigia que os engenheiros formulassem bem as consultas.

Por que o RAG foi criado e por que não bastou

A equipe de SRE de segunda linha do cluster de tecnologias de publicidade da MTS Web Services trabalha diariamente com quatro fontes de dados: Jira com o histórico de incidentes, Confluence com a documentação, logs do sistema e bancos de dados. Ao analisar incidentes complexos, os engenheiros gastavam bastante tempo procurando casos semelhantes e analisando soluções já adotadas.

A primeira resposta foi um sistema RAG: dados do Jira e do Confluence foram reunidos em uma base de busca única, com suporte a consultas em linguagem natural. Os engenheiros passaram a poder perguntar, e o sistema devolvia documentos e registros de incidentes relevantes. O efeito foi perceptível, e a equipe recebeu feedback positivo.

Com o tempo, porém, surgiu uma limitação estrutural. O RAG é uma ferramenta de busca: para funcionar, o usuário precisa saber o que procurar. Na investigação de incidentes, essa condição não se cumpre: a causa do problema é desconhecida, e não está claro quais dados são necessários nem em que ordem pedi-los. Com isso, a ferramenta ficou sem uso justamente onde a ajuda é mais necessária: no início da investigação.

O segundo problema foi a impossibilidade de medir o efeito real. Havia feedback positivo, mas não foi possível obter métricas objetivas, como quanto tempo se economizava por ticket ou como o MTTR mudou.

Como o agente assume a primeira etapa

"Se o sistema já sabe buscar informações e analisar o material encontrado, por que não confiar a ele toda a primeira etapa da investigação de um incidente?" —

Vladimir Drobot, líder de SRE da MTS Web Services.

Em vez de uma ferramenta passiva que espera uma consulta, a equipe construiu um agente que conduz a investigação sozinho. O agente recebe um ticket e percorre de forma autônoma a primeira etapa:

• Analisa a descrição do incidente e monta um plano de investigação
• Determina por conta própria quais dados são necessários para a análise
• Formula e executa consultas de busca no Jira e no Confluence
• Agrega informações de várias fontes
• Entrega ao engenheiro uma análise inicial estruturada, com hipóteses sobre as causas

A diferença em relação ao RAG é fundamental: o agente não espera a pergunta certa de uma pessoa, e decide o que buscar com base no contexto do ticket.

O que isso significa

A experiência da MTS Web Services mostra a diferença central entre uma ferramenta de apoio e um agente autônomo em ambiente corporativo. O RAG complementa o engenheiro na etapa em que ele já sabe onde olhar. O agente assume a parte do trabalho que mais consumia tempo, a formulação inicial de hipóteses e a coleta de dados, e libera a atenção cara dos especialistas de L2 para a análise de fato. Isso indica que a arquitetura de agentes já é prática hoje para ferramentas corporativas internas, e não apenas para produtos públicos.

Por que as empresas adotam IA no suporte técnico?

Para automatizar a análise inicial dos tickets e economizar tempo dos engenheiros. A MTS migrou para um agente de IA porque o sistema RAG anterior exigia que os especialistas soubessem formular corretamente as consultas de busca.

Como o agente de IA da MTS analisa os tickets?

O agente processa quatro fontes de dados: o histórico de incidentes no Jira, a documentação no Confluence, os logs do sistema e os bancos de dados do cluster de tecnologias de publicidade.

Quais fontes de dados o agente de IA usa no suporte técnico?

O agente de IA da MTS trabalha com quatro fontes: Jira com o histórico de incidentes, Confluence com a documentação, logs do sistema e bancos de dados.