- Comece pelo “roteamento” (classificar e encaminhar), não pelo “responder sozinho”
- Defina um esquema de categorias e prioridades simples o bastante para caber na operação
- Peça à IA saída estruturada (JSON/campos) + justificativa curta para auditoria
- Use base de conhecimento (RAG) para reduzir chute e padronizar critérios
- Crie travas para casos sensíveis (pagamentos, dados pessoais, temas legais e saúde)
1) Defina o objetivo (o que a IA pode decidir)
Especifique o escopo com clareza: a IA vai apenas (a) classificar tema, (b) sugerir prioridade, (c) identificar idioma/canal, (d) rotear para uma fila, e (e) marcar se precisa de escalonamento. Se você tentar “triagem + resposta completa” logo no início, o risco operacional sobe e o ganho real costuma cair.
2) Crie um esquema de triagem (categorias e campos obrigatórios)
Padronize um conjunto pequeno de categorias e subcategorias (de 8 a 20, em geral, já dá). Defina também campos fixos: prioridade, impacto, produto/serviço, tipo de cliente (novo/ativo), sentimento (opcional), e fila de destino. Quanto mais objetivo o esquema, mais consistente a IA fica.
3) Escreva regras de prioridade “operacionais” (não filosóficas)
Prioridade não é “parece urgente”; é regra. Ex.: 'pagamento confirmado e serviço bloqueado' = alta; 'dúvida de uso sem erro' = baixa. Inclua exceções: VIP, prazos regulatórios, incidentes coletivos, e casos com risco de churn.
4) Alimente contexto: base de conhecimento + exemplos bons e ruins
A IA triando no vazio vira adivinhação. Dê contexto: políticas (SLA, reembolso), matriz de roteamento, lista de filas e o que cada uma resolve, e exemplos reais anotados por você. Se houver muitos artigos internos, use RAG para a IA consultar trechos relevantes em vez de “lembrar” de tudo.
5) Use um prompt com saída estruturada e campos de auditoria
Peça para a IA devolver: categoria, subcategoria, prioridade, fila, tags, e uma justificativa curta citando sinais do texto do cliente (palavras-chave, números de pedido, termos como 'cobrança duplicada'). Isso facilita revisar rapidamente e treinar o processo.
6) Rode em paralelo (IA sugere, humano confirma) e meça divergências
No piloto, a IA não deve “apertar o botão” sozinha. Ela sugere; o agente confirma/ajusta. Registre onde a IA errou: categoria, prioridade ou fila. A partir disso, refine regras e exemplos. Métrica útil aqui é consistência e tempo de triagem, não “taxa de acerto” abstrata.
7) Coloque travas para dados sensíveis e casos críticos
Crie gatilhos para 'não decidir sozinho': suspeita de fraude, chargeback, dados pessoais sensíveis, ameaça, saúde, jurídico, incidentes de segurança. Nesses casos, a IA apenas marca e encaminha para o protocolo correto.
8) Monitore e atualize (triagem é produto vivo)
Categorias mudam quando produto muda. Ajuste toda vez que surgir uma nova dor recorrente, uma fila nova, ou um incidente coletivo. Faça auditoria semanal de amostras: tickets simples, médios e críticos.
O que a IA faz bem na triagem (e o que ela não deve fazer sozinha)
Triagem é padrão e repetição — o terreno natural para IA. Ela costuma ir bem em: detectar intenção, identificar palavras-chave, agrupar temas e sugerir fila. O ganho aparece quando seu time para de gastar energia lendo o óbvio e passa a resolver.
O que eu evitaria delegar sem supervisão: decisões que afetam dinheiro (reembolso, multa, renegociação), segurança (bloqueios, suspeita de fraude), e qualquer coisa que dependa de contexto não escrito no ticket (histórico do cliente, exceções comerciais, acordos). Nesses pontos, o “chute confiante” custa caro.
Esquema de triagem pronto (modelo simples para copiar)
Abaixo vai um modelo enxuto que funciona para muita operação de suporte. Ajuste os nomes para refletir as filas reais (não invente categorias que ninguém usa).
| Campo | Opções (exemplo) | Como a IA decide | Quando travar e escalar |
|---|---|---|---|
| Categoria | Acesso/Conta; Pagamento; Erro Técnico; Entrega; Dúvida de Uso; Cancelamento; Reclamação | Intenção principal do texto + palavras-chave | Se houver mais de 1 intenção forte, marcar como 'misto' e pedir revisão |
| Prioridade | P0 (crítico), P1 (alta), P2 (média), P3 (baixa) | Regra: impacto + urgência + número de usuários afetados | Se mencionar 'cobrança indevida', 'fraude', 'dados vazados', 'processo', 'Procon' |
| Fila | Financeiro; Suporte N1; Suporte N2; Customer Success; Ouvidoria | Matriz categoria → fila + sinais do cliente (ex.: empresa vs pessoa física) | Se fila sugerida conflitar com palavras-chave críticas, escalar |
| Tags | VIP; Incidente; Recorrente; Bug; Tutorial; Integração; Prazo | Padrões do texto + metadados (plano, canal, região) | Se marcar 'incidente', notificar responsável por plantão |
| Justificativa | 1–2 frases | Citar trechos do ticket (sem inventar dados) | Se justificar com suposição (“provavelmente”), forçar revisão humana |
Prompt exemplo (triagem com saída estruturada e anti-alucinação)
Você pode adaptar este prompt para o modelo que usa hoje. O ponto-chave é obrigar a IA a: (1) não inventar, (2) apontar evidência no texto do cliente, (3) devolver campos estáveis para integrar com help desk/planilha.
Prompt (cole e ajuste):
“Você é um analista de triagem de suporte. Classifique o ticket abaixo e devolva APENAS um JSON com os campos: categoria, subcategoria, prioridade, fila, tags (lista), precisa_escalar (true/false), motivo_escalonamento (string curta), confianca (baixa/media/alta), justificativa (até 240 caracteres). Regras: (a) não invente fatos; use apenas o texto do cliente, (b) se faltar informação, marque confianca=baixa e explique na justificativa, (c) se houver risco financeiro, jurídico, segurança ou dados pessoais sensíveis, precisa_escalar=true. Ticket: <
- Dica prática: mantenha “confianca” mesmo que você não use no dashboard; isso vira um filtro ótimo para amostragem e auditoria.
- Outra dica: se o canal permitir, acrescente metadados no ticket (plano do cliente, data de vencimento, status do pedido). Metadado reduz erro.
Checklist de qualidade (antes de automatizar de verdade)
Antes de colocar a triagem em produção, valide estes pontos com tickets reais (inclusive os chatos):
- Consistência: o mesmo tipo de ticket cai na mesma categoria/fila em dias diferentes?
- Falsos P0: a IA está promovendo demais a prioridade e entupindo a fila de urgência?
- Falsos P3: está rebaixando casos de churn (“quero cancelar”, “piorou muito”, “vou para o concorrente”)?
- Casos mistos: a IA sabe marcar quando há duas intenções (ex.: erro + cobrança)?
- Privacidade: o processo evita copiar dados sensíveis para lugares indevidos (planilhas abertas, chats sem controle)?
- Auditoria: você consegue explicar por que um ticket foi roteado (justificativa curta + evidência)?
Perguntas frequentes
Dá para fazer triagem com IA só com planilha, sem help desk sofisticado?
IA vai reduzir meu time de suporte?
Como evitar que a IA “invente” prioridade ou motivos que não estão no ticket?
O que muda quando eu uso RAG na triagem de tickets?
Leia também
Prompt para atendimento ao cliente: o modelo que evita a IA inventar resposta
Copie e cole um prompt para atendimento ao cliente com travas anti-alucinação: responder só com base na base, dizer “não sei” e não prometer preço/prazo sem fonte. Inclui versão comentada e antes/depois.
Ler →
Como criar uma base de conhecimento para chatbot sem vazar dados (guia prático)
Aprenda a montar uma base de conhecimento para chatbot com controle de acesso, limpeza de arquivos, RAG, testes anti-alucinação e governança — sem expor dados sensíveis.
Ler →
RAG (Retrieval-Augmented Generation)
RAG é a técnica que permite a modelos de IA buscar informações em documentos externos antes de responder. Entenda como funciona e por que elimina alucinações.
Ler →
Chatbot vs agente de IA: qual a diferença e quando usar cada um
Chatbot responde, agente de IA executa. Veja a diferença real entre os dois, uma tabela lado a lado, exemplos e quando cada um compensa no seu negócio.
Ler →