Escalar operações de suporte exige lidar com volumes crescentes de chamados, cumprir acordos de nível de serviço (SLAs) rigorosos e manter documentação atualizada — tudo sem aumentar o quadro de funcionários na mesma proporção. A AWS publicou um guia técnico mostrando como usar IA generativa para capturar conhecimento de fluxos operacionais, aplicá-lo na resolução de tickets e antecipar riscos antes que eles estourem os SLAs.
O problema: conhecimento fragmentado
Em muitas equipes, o conhecimento necessário para resolver chamados está espalhado entre SOPs (procedimentos operacionais padrão), gravações de treinamento e “conhecimento tribal” de analistas experientes. O resultado é uma cadeia de ineficiências: a documentação existe, mas não persiste; os tickets chegam mais rápido do que a orientação é encontrada; e os líderes enxergam relatórios do passado, não a operação em tempo real.
A proposta da AWS é melhorar os processos subjacentes, não otimizar tickets isolados. A solução combina três capacidades centrais em uma camada de execução, mais uma camada de análise e decisão.
As três capacidades da camada de execução
A primeira é o Video-to-SOP, que converte gravações de treinamento e demonstrações em procedimentos estruturados. O vídeo é processado por dois modelos: o Marengo Embed 2.7, que gera embeddings multimodais para busca, e o Pegasus 1.2, que faz a compreensão generativa do vídeo, produzindo resumos por etapa e extraindo metadados operacionais. O Claude Sonnet 4.6 então transforma isso em um SOP formal com capturas de tela embutidas. Um editor interativo permite verificar cada etapa contra o vídeo original, com timestamps que abrem o trecho exato da gravação.
A segunda é o ticket analyzer, que analisa chamados com processamento de linguagem natural e RAG (geração aumentada por recuperação) para recomendar o procedimento correto, além de usar agentes para tarefas como etiquetagem, comentários e atualização de status — sempre com um humano no circuito. A terceira é a value stream intelligence, que mostra o fluxo de trabalho em mapas interativos de raias, revelando gargalos e atritos de aprovação.
Análise e previsão de risco
Na camada de análise, modelos de machine learning categorizam tickets e atribuem escores de risco de SLA, destacando casos de alto impacto. Um agente embutido no Amazon QuickSight (aqui referido como Amazon Quick) recomenda rebalanceamento de carga, revisado por fluxos supervisionados com trilha de auditoria.
O ponto central do design é o ciclo de reforço: cada SOP capturado e cada ticket resolvido fortalecem a base de conhecimento, tornando a próxima resolução mais rápida e precisa. A AWS destaca que a solução se adapta a outros setores, como serviços financeiros, saúde, logística, manufatura e energia.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
