Um cliente encomendou um chatbot de AI, mas a solução veio de uma tecnologia bem diferente

Há uma velha máxima da engenharia: não automatize o caos—primeiro coloque a casa em ordem. Uma história publicada no Habr ilustra isso perfeitamente e ao mesmo tempo mostra onde a inteligência artificial realmente pode trazer valor, e onde ela se torna um brinquedo caro que resolve o problema errado.

A situação é dolorosamente familiar: uma empresa se dirige aos desenvolvedores com um pedido específico—precisam de um chatbot de IA para suporte ao cliente. Os números na mesa são convincentes: 200 solicitações por dia, quatro operadores que não conseguem dar conta, e uma rotatividade constante de pessoal que degrada continuamente a qualidade do serviço. Parece um cenário clássico para implantar um grande modelo de linguagem—treine o bot no histórico de chats, coloque em produção, reduza a carga sobre as pessoas. É exatamente assim que dezenas de integradores no mercado vendem soluções de IA.

Mas o time de desenvolvimento tomou um caminho diferente. Em vez de configurar imediatamente a infraestrutura do chatbot, sentaram e leram manualmente quinhentos tickets. Não leram rapidamente, não alimentaram uma rede neural para classificação rápida—realmente leram com os olhos, compreendendo a substância de cada solicitação.

E o resultado foi desalentador. Descobriu-se que sessenta e oito por cento de todas as solicitações podiam ser fechadas com uma simples chamada de API: verificar status do pedido, atualizar dados, iniciar uma devolução. Essas são tarefas para as quais a IA não é necessária—uma interface bem projetada e integração com o backend são suficientes.

Outros quatorze por cento das solicitações eram resolvidas por um formulário assistente—um cenário passo a passo, onde o cliente passa por uma série de perguntas e obtém o resultado sem envolvimento do operador.

Em outras palavras, mais de oitenta por cento da carga de suporte existia não porque as tarefas fossem complexas, mas porque os clientes não tinham uma ferramenta de autoatendimento conveniente. O problema não era a ausência de inteligência artificial, mas a ausência de automação básica. Essa é uma distinção fundamental que é muito fácil perder de vista no hype em torno dos modelos generativos.

Mas a história não termina aí, e é aqui que ela se torna realmente interessante. Quando removeram a rotina do meio, as solicitações restantes—aquelas complexas, não padronizadas, que exigiam atenção humana—foram submetidas ao clustering com IA. E o modelo descobriu algo que nem operadores nem gerentes tinham notado: um grupo estatisticamente significativo de reclamações apontando para um lote de produtos defeituoso. O problema ainda não tinha se tornado generalizado—solicitações individuais se perdiam no fluxo geral, e nenhum operador individual podia ver o padrão ao lidar com tickets um por um. Mas o algoritmo de clustering, ao processar os dados em conjunto, identificou a anomalia e essencialmente alertou a empresa sobre uma crise iminente.

Esse case é valioso porque inverte a lógica convencional de implementar IA em processos de negócios. O mercado está atualmente obcecado com a ideia de chatbots baseados em grandes modelos de linguagem. Empresas gastam centenas de milhares implementando soluções que essencialmente fazem o que uma página FAQ bem escrita com uma barra de busca faz. Enquanto isso, o verdadeiro poder do aprendizado de máquina—a capacidade de encontrar padrões não óbvios em grandes conjuntos de dados—permanece não utilizado, simplesmente porque nunca chegam lá, atolados na automação do trabalho rotineiro.

Em um contexto mais amplo, isso faz parte de uma tendência que ganha impulso na indústria. Cada vez mais profissionais dizem que a implementação bem-sucedida de IA não começa com a escolha de um modelo ou escrita de prompts, mas com auditoria de processos. Antes de perguntar "qual rede neural devemos conectar", vale a pena perguntar "o que exatamente está quebrado e por quê". Muitas vezes a resposta acaba sendo mundana: o que está quebrado não é a inteligência do suporte, mas roteamento de solicitações, estrutura da base de conhecimento, ou simples ausência de um botão "verificar status do pedido" na conta do cliente.

A história do lote defeituoso também é um argumento de que a IA é mais eficaz não como substituta dos humanos, mas como seu amplificador. Um operador de suporte é fisicamente incapaz de manter milhares de solicitações em sua cabeça e identificar anomalias estatísticas entre elas. Mas é perfeitamente capaz de tomar uma decisão quando o sistema destaca um problema. É nessa combinação—análise de máquina mais julgamento humano—que nasce valor real, não em tentar substituir um operador vivo por um modelo generativo que às vezes alucina.

A conclusão é simples e desconfortável para quem vende soluções de IA "chave na mão": às vezes o melhor que um time de desenvolvimento pode fazer é honestamente dizer ao cliente que ele não precisa de um chatbot. E então mostrar onde a inteligência artificial realmente vai mudar as regras do jogo.