Entendido e encaminhado

O Desafio

Não é de hoje que a presença de spams tem incomodado setores operacionais: incham o armazenamento, poluem a relação de e-mails que efetivamente precisam de atenção e geralmente consomem tempo para tratamento. Ainda que cada exclusão levasse apenas alguns segundos, o montante vai crescendo ao longo do tempo, resultando em dias inteiros no fim do ano que foram desperdiçados.

Existiam ainda casos em que regras simples não seriam suficientes: e-mails de agradecimento ou respostas sem ação necessária, mas que ainda incluíam o domínio b3 no campo de destinatários.

O Contexto

O e-mail é o principal canal de comunicação da B3 frente aos inúmeros processos de atendimento, trâmites internos e oficialização de etapas. O setor de atendimento ao cliente é muito dependente de uma triagem eficiente de e-mails para decidir a prioridade de acordo com prazo e complexidade.

Regras na caixa de entrada ajudam, mas não são uma bala de prata. Certos e-mails precisam ser lidos por completo e interpretados antes de classificados, ou correr o risco de incorretamente arquivar um atendimento em fase final e afetar o NPS da operação.

A Ideia

A principal funcionalidade de um modelo LLM (e até mesmo SLM) é a capacidade de interpretação de um texto corrido. Por que não utilizar essa capacidade para triar esses e-mails, poupando minutos de cada operador e atuando mesmo fora do horário de atendimento?

Aplicando os cuidados de anonimização de dados, a IA precisava apenas concluir se o contexto do atendimento fora resolvido ou dependia de ação. Indo além: poderia até mesmo enviar uma mensagem ao sistema interno da B3 e ativar os mesmos fluxos automatizados que os operadores usavam.

As Barreiras Reais

O compromisso com a LGPD é constante e não negociável. O respeito e devido cuidado à sensibilidade de dados demandam cuidados especiais ao lidar com modelos em constante treinamento.

Existe um leque extenso de operações que são realizadas pelo time de atendimento, sendo inviável classificar em centenas de tipos diferentes. Era necessário estudar a proporção de casos e escolher os tipos prioritários.

Por mais avançados que sejam os modelos de IA hoje, eles não são infalíveis. Uma classificação errada pelo modelo teria o mesmo impacto negativo de deixar o caso sem atendimento.

Por fim, o agente, para ser efetivo, precisava executar ações básicas: abrir um chamado, consultar protocolos em aberto e escalar a um operador quando o modelo tivesse dúvidas ou demandasse de ação humana diretamente.

A preservação do atendimento era a premissa mais importante.

A Solução: Triagem com IA

Um fluxograma automatizado para lidar com centenas de e-mails diários e classificá-los em quatro tipos: produtivo, agradecimento, cópia sem retorno e resposta automática.

Classificação em segundos. A leitura feita por modelos de IA utilizam algoritmos que habilitam classificações em poucos segundos. Essa capacidade operacional é vital para o tamanho da volumetria tratada, sem travar a operação esperando o retorno da solução.

Reaproveitamento de fluxos. O time já dispõe de fluxos pré validados para casos de agradecimento dentro da ServiceNow. O recebimento desses e-mails garantia que o caso do cliente foi resolvido e pode ser classificado como tal. A solução bastaria acionar esses fluxos quando detectasse esse formato.

Filosofia de abstenção. O motor de regras foi composto por modelos comuns de respostas e exemplos de classificação. Porém, a semântica pode mudar totalmente o sentimento da classificação. Para não correr riscos, foi implantado um nível mínimo de confiança para passar o e-mail a um operador humano para validação final.

O que Mudou de Verdade

Soluções simples abriram espaço para desengargalar fluxos com apenas alguns minutos extras todos os dias.

Não foi necessário um grande estudo de caso para entender quais eram os casos mais frequentes e responsáveis por boa parte do problema.

A performance coletiva em segundo nível aumentou. Clientes tinham suas solicitações atendidas em tempo menor, mudando de etapa no mesmo dia da abertura.

O que Ficou de Aprendizado

Simplificação abre caminhos. O tempo para mapear e definir com clareza dezenas de casos diferentes de ação atrelaria muito riscos. Eliminar os casos não acionáveis já era suficiente para ganhar minutos precisos ao longo do dia.

Não reinventar a roda. Adaptar a solução aos fluxos já existentes diminuiu o prazo de entrega final, permitindo dedicar mais tempo à calibração da classificação. A assertividade teve a dedicação necessária para ser eficaz e valoriza o trabalho de outros que vieram antes.

Colaboração com IA. O caso de uso é uma demonstração da colaboração de IA ao invés de uma completa substituição. Operadores permaneceram cruciais para um atendimento de qualidade, com a ferramenta eliminando tarefas rasas e sem muito valor agregado.

Case AutoU + B3 — Triagem de e-mails com IA