MTS Web Services Migrou de RAG para Agente de IA para Triagem Inicial de Tickets de Suporte

MTS Web Services construiu um agente de IA para processar automaticamente tickets de suporte técnico — e abandonou seu sistema de busca baseado em RAG, que exigia que os engenheiros formulassem consultas corretamente.

Por que construíram RAG — e por que não foi suficiente

O time SRE da segunda linha de suporte do cluster de tecnologia publicitária da MTS Web Services trabalha diariamente com quatro fontes de dados: Jira com histórico de incidentes, Confluence com documentação, logs do sistema e bancos de dados. Ao analisar incidentes complexos, os engenheiros gastavam tempo considerável procurando casos semelhantes e analisando soluções já adotadas.

A primeira solução foi um sistema RAG: dados da Jira e Confluence foram combinados em uma única base de conhecimento pesquisável que suportava consultas em linguagem natural. Os engenheiros podiam fazer perguntas — e o sistema retornava documentos relevantes e registros de incidentes. O efeito foi notável, e o time recebeu feedback positivo.

Contudo, com o tempo, uma limitação estrutural se tornou aparente. RAG é uma ferramenta de busca: para funcionar, o usuário deve saber o que procurar. Ao analisar incidentes, essa condição não é satisfeita: a causa do problema é desconhecida, é pouco claro quais dados são necessários e em que ordem solicitá-los. Como resultado, a ferramenta permanecia subutilizada precisamente onde a ajuda era mais necessária — no início da investigação.

O segundo problema foi a impossibilidade de medir o impacto real: havia feedback positivo, mas métricas objetivas — quanto tempo foi economizado por ticket, como o MTTR mudou — não puderam ser obtidas.

Como o agente assume o primeiro estágio

"Se o sistema já consegue buscar informações e analisar o que encontra, por que não deixar que ele cuide de todo o primeiro estágio da investigação de incidentes?" —

Vladimir Drobot, SRE Lead da MTS Web Services.

Em vez de uma ferramenta passiva esperando uma consulta, o time construiu um agente que conduz investigações de forma autônoma. O agente recebe um ticket como entrada e executa independentemente o primeiro estágio:

• Analisa a descrição do incidente e formula um plano de investigação
• Determina independentemente quais dados são necessários para análise
• Formula e executa consultas de busca na Jira e Confluence
• Agrega informações de múltiplas fontes
• Fornece ao engenheiro uma análise preliminar estruturada com hipóteses sobre as causas

A diferença em relação ao RAG é fundamental: o agente não espera pela pergunta correta de um humano — ele decide o que procurar com base no contexto do ticket.

O que isso significa

A experiência da MTS Web Services demonstra uma distinção-chave entre uma ferramenta auxiliar e um agente autônomo em um ambiente corporativo. RAG complementa um engenheiro no estágio em que ele já sabe onde procurar. O agente assume o trabalho que consumia mais tempo — formulação inicial de hipóteses e coleta de dados — e libera a atenção cara dos especialistas L2 para análise real. Isso mostra que a arquitetura de agentes já é prática hoje para ferramentas corporativas internas, não apenas para produtos públicos.

Por que as empresas implementam IA para suporte técnico?

Para automatizar o processamento inicial de tickets e economizar tempo dos engenheiros. MTS mudou 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 tickets?

O agente processa quatro fontes de dados: histórico de incidentes na Jira, documentação na Confluence, logs do sistema e bancos de dados do cluster de tecnologia publicitária.

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

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