Agente de IA para automação de tickets de suporte, da resposta ao fechamento

Um ticket bem triado que fica sem resposta não serve para nada. Depois de saber do que ele trata e o quanto é urgente, ainda é preciso redigir a resposta, publicá-la, acompanhar o prazo antes que ele estoure, e fechar o ticket corretamente. É essa parte do trabalho, a mais repetitiva e a mais sensível ao volume, que um agente de IA autônomo pode assumir.

O problema

O custo de um tratamento de ticket malfeito aparece rápido no comportamento dos clientes. Segundo dados do Zendesk Benchmark citados pelo Zendesk, 73% dos consumidores trocam de marca depois de várias experiências ruins de atendimento, e mais da metade faz isso já na primeira experiência ruim (https://www.zendesk.fr/blog/customer-service/satisfaction/customer-service-statistics/). O relatório CX Trends 2026 do Zendesk, baseado em mais de 11 mil entrevistados em 22 países, vai na mesma direção: 85% dos responsáveis por CX entrevistados acreditam que os clientes vão embora depois de um problema não resolvido, mesmo já no primeiro contato (https://cxtrends.zendesk.com/).

A boa notícia é que os mesmos dados do Zendesk Benchmark mostram que a IA já é vista como útil exatamente nesse terreno: quase 8 em cada 10 consumidores consideram um bot de IA útil para problemas simples, e dois terços dos executivos entrevistados dizem que seus investimentos em IA para o atendimento ao cliente geraram melhorias de desempenho significativas. Um sinal de resultado concreto vem de um fornecedor do setor: a Intercom, que vende seu próprio agente de IA de suporte (Fin), informava em junho de 2026 uma taxa média de resolução de 76% no conjunto de suas mais de 7 mil equipes clientes, um número que vinha crescendo mês a mês segundo a empresa (https://www.intercom.com/blog/from-resolutions-to-outcomes-evolving-how-fin-delivers-value/). É um número divulgado por um fornecedor sobre seu próprio produto, não uma medição independente, é preciso lê-lo com essa ressalva, mas a ordem de grandeza dá uma ideia do que um tratamento assistido por IA consegue cobrir em tickets baseados em base de conhecimento.

O que esses números não mostram é o trabalho necessário antes para que uma taxa de resolução alta seja alcançável: uma base de conhecimento atualizada, macros relevantes para os casos recorrentes, um acompanhamento de SLA que alerta antes do prazo, não depois. Sem essa preparação, um tratamento automatizado produz principalmente respostas genéricas ou fora do assunto, o que prejudica a confiança em vez de melhorá-la. É exatamente essa lacuna que esse agente foi projetado para preencher: apoiar-se no que já existe em vez de inventar uma resposta do zero.

O que o agente faz, passo a passo

Na Atako, esse agente trabalha em tickets já abertos e categorizados, tenham sido triados por uma pessoa ou por um agente de triagem dedicado. Ele monitora a fila continuamente, somando todos os canais de ticketing conectados, sem depender do horário da equipe.

Para cada ticket, ele busca na base de conhecimento da empresa o artigo mais relevante, e depois redige uma resposta adaptada ao contexto preciso do ticket e ao tom definido pela empresa. Se o grant concedido no conector de ticketing autorizar em modo de escrita, ele publica a resposta diretamente; caso contrário, prepara um rascunho para validação humana. Em paralelo, calcula e acompanha o prazo de SLA restante para cada ticket conforme sua prioridade, e alerta a equipe no Slack quando um ticket se aproxima do prazo sem resposta suficiente. Quando o motivo de um ticket corresponde a um padrão já resolvido várias vezes, ele aplica ou sugere uma macro em vez de redigir uma resposta do zero. Assim que o ticket é resolvido, atualiza a ficha do cliente no CRM com um resumo da resolução.

As integrações envolvidas

Zendesk e Freshdesk recebem a resposta redigida via update_ticket, se o grant autorizar em modo de escrita, e permitem ao agente acompanhar o status do ticket até seu fechamento. O Notion serve como base de conhecimento: o agente busca ali o artigo relevante com search ou query_database antes de redigir qualquer coisa, o que evita que ele invente uma resposta sem fonte.

O HubSpot atualiza a ficha do cliente assim que o ticket é resolvido, com um resumo da resolução registrado no contato ou no negócio em questão. O Slack recebe por fim o alerta quando um ticket se aproxima do prazo de SLA sem resposta suficiente, para que um humano retome o controle antes que o prazo estoure.

O que continua com o humano

O agente nunca redige uma resposta do zero: ele se apoia na base de conhecimento existente, e se ela não cobre o assunto do ticket, ele não tem nada confiável para propor. Cada integração que ele usa depende de um grant preciso: um grant somente leitura no Zendesk, por exemplo, obriga o agente a preparar suas respostas como rascunho em vez de enviá-las diretamente, o que mantém um ponto de controle humano sistemático enquanto a equipe quiser.

Três responsabilidades permanecem claramente humanas. Primeiro, validar ou corrigir as respostas geradas antes do envio, em tudo o que não corresponde a uma macro já validada pela equipe. Depois, tratar os tickets complexos ou escalados que a base de conhecimento não cobre, o que exige um julgamento real sobre o caso do cliente e às vezes uma decisão comercial que o agente não tem mandato para tomar sozinho. Por fim, manter a base de conhecimento atualizada: por melhor que seja projetado, um agente não consegue responder corretamente com base em uma documentação desatualizada ou incompleta.

Esse funcionamento segue o princípio do human-in-the-loop: o agente absorve a redação repetitiva e o acompanhamento dos prazos, o humano mantém o controle sobre o que realmente sai para o cliente assim que o caso foge do quadro conhecido. Cada ação do agente, resposta publicada, macro aplicada, atualização no CRM, é registrada com seu status e consultável na linha do tempo de atividade do agente, e no log de integração de toda a empresa para um administrador.

Resultado mensurável

Ao longo do tempo, essa regularidade também muda a forma como a equipe de suporte vive sua carga de trabalho: menos picos de estresse ligados a prazos de SLA que estouram em silêncio, e mais tempo dedicado aos tickets que realmente exigem julgamento humano em vez de uma resposta já escrita em outro lugar.

O benefício principal se mede em dois eixos: o cumprimento dos prazos de SLA, porque o agente monitora cada ticket continuamente e alerta antes do prazo, não depois, e a regularidade da qualidade das respostas, porque elas sempre vêm da mesma base de conhecimento em vez de serem reformuladas de forma diferente por pessoas diferentes a cada vez. Isso não dispensa manter a base de conhecimento atualizada, é até uma condição para que o resultado se sustente no tempo: por melhor que seja projetado, um agente continua dependente da qualidade do que recebe para ler, o que torna a documentação um investimento contínuo, não uma tarefa pontual resolvida uma vez no início do projeto e esquecida até o próximo incidente.

O plano Standard da Atako cobra 20 euros por mês por vaga de agente (slot), com 1000 créditos incluídos todo mês para as chamadas ao modelo usadas na busca de artigos, na redação e no acompanhamento de SLA. Esse custo permanece o mesmo qualquer que seja o volume de tickets tratados no mês, apenas o número de agentes ativos ao mesmo tempo entra na conta. O detalhamento está na página de preços.