Fechar o chamado rápido não basta: a IA deve corrigir a causa

Qual deve ser o objetivo de uma IA que atende chamados: fechá-los mais rápido ou fechar o ciclo? O ciclo. O objetivo é resolver o chamado, identificar a causa e acionar outro agente para propor a correção do processo ou do código que o gerou, com uma pessoa aprovando a mudança. A prova de que o ciclo fechou não é o número de chamados resolvidos, é a queda de reincidência daquela causa. Em 11 de outubro de 2026, o presidente da área de redes da HPE disse ao The Register que cerca de 70 a 80% dos chamados de TI já dispensam humano e que a IA descobrirá a causa e a corrigirá. O que falta medir é se isso chega à causa, e não só ao sintoma. ^{[1] afirmação da fonte original[2] afirmação da fonte original}

Rami Rahim, que foi presidente executivo da Juniper e hoje dirige o negócio de redes da HPE, disse ao The Register: “acho que hoje estamos em provavelmente 70 a 80% de todos os chamados que não exigem intervenção humana. Em dois a três anos, não teremos problemas que exijam humanos” (tradução nossa). A fala vem de um executivo de fornecedor, e o jornal o diz: “claro que ele diria isso”. É uma estimativa (“provavelmente”), não uma medição. ^{[1] afirmação da fonte original}

A entrevista não trata só de fechar chamados. Rahim descreve o chamado mais comum numa empresa, “o Wi-Fi está ruim”, e explica que, seja qual for a causa real (uma aplicação fora do ar, um problema na rede de longa distância, um problema no provedor de nuvem), o primeiro sintoma aparece no Wi-Fi. A expectativa dele, segundo o jornal, é que a IA descubra por que o Wi-Fi não está no melhor nível mais rápido do que uma pessoa e use agentes para corrigi-lo mais rápido. Como primeiro passo, sugere deixar a IA reiniciar uma porta de um comutador, e liberar as ações automáticas uma a uma. Os indicadores de sucesso dele são o número de chamados abertos sobre desempenho do Wi-Fi e a rapidez com que são resolvidos (traduções nossas). ^{[1] afirmação da fonte original}

Chamados sem humano, segundo a HPE

70 a 80%

Fração de chamados de TI que, na estimativa de um executivo da HPE em 11/10/2026, já não exigiriam pessoa. É fala de fornecedor, com “provavelmente”. Não diz quantos chamados voltam nem se a correção atinge a causa ou só o sintoma (reiniciar uma porta, o exemplo dele, trata a instância).

Demanda de falha em serviços financeiros

40 a 60%

Fração dos contatos de um serviço que, segundo o consultor John Seddon, existe porque a empresa não fez algo, ou fez errado, para o cliente. É estimativa de prática de consultoria, citada em palestra, sem revisão por pares. Ele cita até 80% em telecomunicações e governos locais. Observe: são serviços atendidos por pessoas.

Um caso que ele conta

45%

Pessoas de um serviço financeiro estudaram a própria demanda, acharam 45% de demanda de falha e os chefes responderam que era normal no setor, porque o benchmarking dava isso (relato dele, sem nome da empresa).

Foi a objeção ao primeiro rascunho deste texto, e está certa. Nenhuma das fontes diz que os sistemas de automação de chamados deixam de buscar a causa: Rahim diz o contrário (a IA diagnosticaria e corrigiria). E nenhuma diz que, quando uma pessoa revisava, a causa era tratada. Um texto que dependesse dessas duas afirmações estaria supondo o que não sabe.

O que as fontes mostram é diferente. Seddon, que cunhou o termo demanda de falha, descreve serviços feitos por pessoas em que a demanda de falha chega, segundo ele, a 40 a 60% em serviços financeiros e a até 80% em telecomunicações e governos locais, e conta que, quando a demanda sobe, a resposta de gestão é a de sempre: mais centrais de atendimento, mais utilização, terceirização, tudo focado em custo por transação, o que, diz ele, aumenta a demanda de falha. Pede ao líder que acompanhe um pedido de ponta a ponta e verifique se, quando volta ao cliente, está “limpo” (sem ação adicional do cliente), e relata que “nada sai limpo” (traduções nossas). ^{[2] afirmação da fonte original[3] afirmação da fonte original} Leitura nossa: se com pessoas atendendo a demanda de falha chega a essas faixas, a revisão humana não fechava o ciclo na maior parte das vezes. O adversário não é a máquina, é o desenho de trabalho que mede fechamento e não causa.

Isso muda a pergunta. Se a automação consegue diagnosticar e propor a correção, a vantagem da IA não é fechar o mesmo chamado em menos tempo: é poder fechar o ciclo todas as vezes, algo que nenhum desenho com revisão humana conseguiu fazer em escala. A premissa escondida na conversa é que o ganho está em velocidade e custo por chamado. O ganho possível está em eliminar causas.

Comece pelo mais simples: um chamado é a evidência de que algo falhou. Resolvê-lo devolve o serviço àquela pessoa; só corrigir a causa impede o próximo chamado. A Toyota organizou a produção em torno dessa diferença. O jidoka, que a empresa define como “automação com toque humano”, existe para que, quando ocorre uma anormalidade, a máquina a detecte e pare, o que impede a saída de produto com defeito e permite “construir qualidade nos processos, detectando claramente as anormalidades e evitando que se repitam” (tradução nossa). ^{[5] afirmação da fonte original} Uma descrição de enciclopédia resume a regra: para completar o jidoka, não basta corrigir o defeito no produto em que apareceu; o processo é avaliado e mudado para remover a possibilidade de o mesmo erro acontecer de novo. ^{[6] afirmação da fonte original}

Traduza para um atendimento com IA. Resolver o chamado é corrigir o defeito no produto. Fechar o ciclo é mudar o processo ou o código para que ele não volte. O desenho que fecha o ciclo tem quatro passos: a IA resolve o chamado, registra a causa, aciona um segundo agente que propõe a correção (do processo, do código, do cadastro, do que for), e uma pessoa com alçada aprova a mudança. Depois a empresa confere se a reincidência caiu. Se caiu, a causa foi eliminada; se não caiu, o diagnóstico estava errado, e isso também é informação.

Agora o ciclo de verdade, aquele em que a empresa ganha com o tempo. A falha gera um chamado, a IA o resolve e registra a causa, outro agente propõe a correção, uma pessoa a aprova, a causa some, e há menos chamados da mesma causa. Cada volta tira uma causa de circulação, e o volume cai sem que se contrate ninguém. O mesmo laço, quebrado em algum ponto (a causa não é registrada, a proposta não chega a quem aprova, ninguém confere a reincidência), vira só uma fila que esvazia e enche.

A implicação de primeira ordem é a que todo mundo diz: automatize o atendimento e reduza o tempo e o custo por chamado. É verdade e é incompleta. Abaixo, três cadeias de três degraus, em cada um perguntando “e depois?”. As fontes dão os ingredientes (a fala de Rahim, as ideias de Seddon e da Toyota). As cadeias são hipóteses da Invisible Work, e nenhuma fonte as mede.

Cadeia 1: o painel que mede fechamento não distingue os dois desenhos

1. 1

   Primeira ordem: a meta é resolver mais chamados, mais rápido, sem humano

   É a meta natural, e é a que Rahim cita: chamados abertos e rapidez da solução.

2. 2

   Segunda ordem: o desenho que só resolve e o que fecha o ciclo têm o mesmo painel

   Na conta acima, os dois resolvem 100%. A empresa tende a escolher o mais simples de implantar, que é o primeiro, sem saber que escolheu.

3. 3

   Terceira ordem: a falha vira parte do custo de operar

   Hipótese: com o tempo, a falha entra no orçamento como normal (lembre os 45% que os chefes de Seddon acharam “normais no setor”). A automação ficou melhor em absorver, e a empresa em não corrigir.

Cadeia 2: quando o ciclo fecha, o gargalo passa a ser a aprovação

1. 1

   Primeira ordem: a IA resolve, registra a causa e aciona o agente de correção

   O agente propõe a mudança no processo, no código ou no cadastro que gerou o chamado.

2. 2

   Segunda ordem: as propostas chegam em volume, e alguém precisa aprová-las

   A capacidade de revisar passa a limitar quantas causas se eliminam por mês. Uma proposta aprovada sem teste pode criar uma falha nova. Isso é questão de alçada: quem pode aprovar o quê, até que valor ou risco. O Insight sobre limites de gasto de agentes trata do mesmo princípio, em outro ponto da empresa.

3. 3

   Terceira ordem: a empresa passa a decidir onde investir em prevenção

   Com a reincidência medida por causa, o orçamento pode migrar de atender para prevenir, e quem é dono de cada causa passa a responder pelo que ela custa. Hipótese: sem esse dono, o ciclo quebra no meio.

Cadeia 3: mais agentes, mais pontos de falha, e a pergunta de quem responde

1. 1

   Primeira ordem: a empresa coloca agentes de IA para trabalhar

   Rahim prevê mais agentes do que pessoas nas empresas, e todos dependem da rede e dos sistemas.

2. 2

   Segunda ordem: cada agente é um novo usuário, com falhas próprias

   Mais tráfego e mais pontos de falha geram mais chamados. Rahim diz que isso exige mais equipamento de rede.

3. 3

   Terceira ordem: se um agente detecta, outro corrige e um terceiro resolve, quem responde?

   Hipótese: a cadeia inteira pode girar sem pessoa. Alguém precisa ser o dono do que mudou e do que se espera que melhore, com registro das mudanças feitas por agentes.

O método abaixo é da Invisible Work, com perguntas para as três cadeias. Vale para atendimento a cliente, TI interna e qualquer operação que receba pedidos de ajuda. Complementa o texto sobre “Agentes de IA sem alçada”, que trata de quem aprova o quê.

1. 01

   Cada chamado resolvido registra a causa, e alguém confere se está certa?

   Peça um código de causa em cada fechamento e uma amostra conferida por pessoa. Se a causa apontada por uma IA não é conferida, o ciclo pode girar em cima de um diagnóstico errado.

2. 02

   A causa chega a um dono, com prazo, ou vira relatório?

   Para cada causa recorrente, deve haver uma pessoa responsável e uma proposta de correção (do processo, do código, do cadastro). Se o agente de correção propõe e ninguém decide, o ciclo para.

3. 03

   Quanto tempo passa entre o primeiro chamado de uma causa e a correção em produção?

   É a medida do ciclo. Compare com o tempo de resolver o chamado: se o chamado fecha em minutos e a causa leva meses, a empresa melhorou o atendimento e não o produto.

4. 04

   A reincidência caiu depois de cada correção?

   É a prova. Meça os contatos da mesma causa antes e depois, por cliente ou por unidade de operação. Se não caiu, o diagnóstico ou a correção estava errado, e a empresa precisa saber disso.

5. 05

   O painel premia chamados resolvidos ou causas eliminadas, e quem pode aprovar o quê?

   Some ao painel a reincidência por causa e a parcela de chamados que viraram mudança. Defina a alçada: o que o agente de correção pode fazer sozinho (por exemplo, uma configuração reversível) e o que exige aprovação de uma pessoa.

A fala de Rahim é de um executivo de fornecedor, uma estimativa (“provavelmente”) e uma previsão, e o The Register registra o interesse comercial dele. Este texto não afirma que os sistemas de automação deixam de identificar a causa: nenhuma fonte diz isso, e o próprio Rahim fala em diagnóstico e correção. Também não afirma que, com revisão humana, a causa era tratada: a leitura de que não era vem das faixas de demanda de falha de Seddon (40 a 60% em serviços financeiros, até 80% em telecomunicações e governos locais), que são de prática de consultoria, não de estudo revisado por pares, e ele vende consultoria sobre o método; o dado do Reino Unido, de uma enciclopédia aberta, não faz parte do argumento. O jidoka foi lido no site da Toyota e numa enciclopédia aberta, e a transposição para o atendimento é leitura da Invisible Work. O decreto foi lido no Planalto e não é parecer jurídico. Não há aqui dado sobre empresas brasileiras nem sobre a reincidência de chamados em sistemas automáticos reais. A conta de 12.000 contatos, de 75% de redução e de 144.000 contra 45.000 é hipotética e não inclui o custo e o risco da correção. As três cadeias e o método de cinco perguntas são hipóteses. O que mudaria esta conclusão: medições de empresas com automação mostrando que a reincidência já cai de forma consistente depois de cada correção (o painel de fechamento então basta); evidência de que correções propostas por agentes criam falhas novas mais do que eliminam as antigas; ou casos em que a causa-raiz apontada pela IA está errada com frequência.

Seis perguntas para quem responde por resultado, por orçamento ou por operação.