Epotos implementou AI local para reclamações e migrou as queixas para o Bitrix24

A Epotos, fabricante de sistemas de supressão de incêndio, levou o tratamento de reclamações de clientes do encaminhamento manual de e-mails e do Excel para um pipeline de AI semiautomatizado. E-mails recebidos, anexos e fotos agora são processados por uma stack local de OCR, LLM e Bitrix24, e os funcionários recebem uma tarefa já estruturada com checklist.

Como funcionava antes

Antes da implementação, tudo se apoiava em um esquema familiar, mas pesado: as reclamações chegavam a uma caixa de e-mail compartilhada, ao lado de propostas comerciais, convites para feiras e correspondência comum. O secretariado encaminhava manualmente os e-mails necessários, registrava as solicitações e, na prática, funcionava como filtro primário. Para uma empresa com várias linhas de negócio — de veículos especiais a transporte terrestre — isso virou um gargalo, especialmente quando o fluxo de casos cresceu para várias dezenas por semana e os especialistas em reclamações deixaram de conseguir analisar a causa raiz de cada ocorrência.

Depois, os dados eram levados para uma planilha Excel com status e atualizações, mas ela era preenchida manualmente. O histórico de comunicação com o cliente se espalhava por longas cadeias de e-mails, e a ordem de ações sobre as reclamações muitas vezes existia apenas na cabeça de funcionários experientes ou era transmitida oralmente aos novatos. Como resultado, a empresa via o fato da reclamação em si, mas perdia velocidade, transparência e um padrão único de tratamento. Nesse contexto, a automação já não parecia um experimento, mas uma forma de colocar o processo de volta sob controle.

Como o sistema foi montado

A equipe decidiu não quebrar o canal habitual e manteve o e-mail como ponto de entrada. Depois, as mensagens são coletadas via IMAP, e seu conteúdo é processado por uma stack de AI local, para que os dados dos clientes não precisem ser enviados para a nuvem. Para os anexos, foi usado o Tesseract com um modelo russo de OCR: ele extrai texto de PDF, fotografias e outros arquivos em que o copy-paste comum não basta. Como modelo de linguagem, escolheram o Qwen3-30B-A3B, executado via Ollama. Ele determina se o e-mail é uma reclamação e, em caso positivo, o decompõe em campos estruturados para o trabalho posterior.

• Leitura do corpo do e-mail e dos anexos, incluindo PDF, imagens e arquivos de texto
• OCR para fotos e digitalizações em que o defeito é descrito não no texto, mas em um documento ou imagem
• Classificação do e-mail recebido: reclamação, spam, e-mail interno ou solicitação irrelevante
• Extração de detalhes sobre o produto, número de série, defeito, categoria e contatos do remetente
• Gravação do resultado no Bitrix24 em 25–30 campos e criação automática de uma tarefa com o checklist necessário

Separadamente, a equipe montou um sistema de prompts e regras: o modelo deve responder estritamente em JSON, distinguir uma reclamação de produto de e-mails comerciais e distribuir as reclamações por categorias. Depois disso, os dados seguem para o Bitrix24, onde são criadas listas e processos de negócio com responsáveis, observadores e etapas de fechamento.

Sobre o pipeline principal, o autor criou uma pequena interface administrativa: nela é possível ver logs de processamento, histórico de execuções, lista de e-mails, configurações de prompts e a possibilidade de reprocessar casos de uma data específica, se o serviço tiver parado e parte dos e-mails tiver precisado ser tratada manualmente.

O que a implementação trouxe

O principal efeito não é que a AI “respondeu aos e-mails no lugar das pessoas”, mas que a reclamação passou a ser um objeto digital com um histórico de vida compreensível. Agora, a empresa registra não apenas o fato da reclamação, mas todo o contexto: qual produto aparece no caso, quem relatou o problema, o que exatamente falhou e em que etapa está a análise. Isso simplifica as reuniões, torna os dashboards de reclamações mais úteis e ajuda a buscar relações de causa e efeito na qualidade do produto, em vez de apenas fechar incidentes um a um.

O segundo resultado é a padronização. Quando a tarefa é criada automaticamente no CRM com o checklist necessário, os novos funcionários recebem não conselhos verbais, mas uma sequência pronta de ações. Além disso, surge controle de status em tempo real: dá para ver quem é responsável pelo caso e o que já foi feito. Ao mesmo tempo, o caso mostra com honestidade que, sem pessoas, o processo não desaparece completamente — o secretariado continua monitorando o e-mail, e o serviço às vezes exigia reinicialização manual. Mas, mesmo com essa limitação, o tratamento das reclamações ficou visivelmente mais organizado e transparente.

O que isso significa

Este caso mostra bem um cenário prático de AI na indústria: não construir uma “plataforma inteligente” separada, mas incorporar o modelo ao fluxo já existente de e-mail, documentos e CRM. Para muitas empresas industriais, é justamente uma LLM local com OCR e regras claras que pode gerar o efeito mais rápido ali onde o fluxo de entrada ainda vive na caixa de e-mail e nas planilhas.