Com o crescimento acelerado da empresa, percebemos a necessidade de escalar nosso atendimento sem perder qualidade. Por isso, decidimos incorporar Inteligência Artificial na área de Customer Experience (CX), com o objetivo de melhorar a velocidade de resposta, aumentar a precisão e liberar nossa equipe para focar nos casos mais complexos.
O ponto de partida: diagnóstico inicial
O primeiro passo foi fazer um levantamento completo de métricas de uma das equipes de CX — que representava aproximadamente 50% de todos os tickets da Pomelo — e da equipe de TechOps (segundo nível de escalonamento). Foram analisados:
- Quantidade total de tickets
- Motivos de contato
- Classificação de dificuldade de automação
- SLA
- Escalonamentos para nível 2 e 3 (TI)
Em paralelo, mapeamos as ferramentas usadas na época para resolver tickets e realizamos reuniões com as equipes para entender, passo a passo, como se dava a resolução. Também analisamos as APIs disponíveis para definir o que poderíamos automatizar programaticamente.
Escolha da vertical e análise de dados
Após o diagnóstico, escolhemos começar por uma vertical de produto específica e seus respectivos motivos de contato. Descobrimos que grande parte das dúvidas dessa equipe eram resolvidas com informações do nosso Datalake.
Para aproveitar essa descoberta:
- Mapeamos e documentamos todas as queries utilizadas para resolver os tickets da vertical.
- Utilizamos uma API desenvolvida pela equipe de Data para executar queries programáticas no Datalake.
- Criamos um backend e frontend iniciais para apoiar a evolução da ferramenta.
- Conectamos essas soluções às APIs de Data e à ferramenta de tickets.
Com isso, centralizamos todas as ferramentas de consulta em um só frontend, evitando que os analistas tivessem que escrever queries ou alternar entre vários sistemas. O resultado foi imediato: aumento de velocidade e redução da complexidade do trabalho.
Das árvores de decisão aos manuais técnicos
Com o frontend, validamos quais dados do Datalake realmente agregavam valor. Isso permitiu avançar para a criação de árvores de decisão teóricas junto ao time de CX para cada motivo de contato.
Depois, transformamos essas árvores em manuais técnicos estruturados, permitindo que a IA entendesse e processasse as resoluções de tickets.
O agente inteligente: de instrução à ação
Em paralelo, incorporamos um modelo de linguagem de grande escala (LLM) ao sistema e desenhamos um agente personalizado com instruções específicas. Com o tempo, refinamos seu comportamento e definimos como deveria acessar as informações dos manuais.
Para isso, criamos um novo micro serviço com base vetorial especializada, onde armazenamos os manuais em um esquema otimizado para consulta eficiente.
O agente passou a contar com:
- Instruções gerais para responder tickets
- Instruções específicas dos manuais
Tudo foi feito de forma iterativa: começamos com um motivo de contato, testamos, ajustamos e escalamos para outros casos.
Treinamento e validação em tempo real
Com o agente integrado ao backend para executar ações, disponibilizamos sua interface no frontend para que analistas CX o utilizassem com tickets reais. Ao clicar em “analisar ticket”, o agente gerava uma narrativa com a resolução proposta.
O treinamento seguiu um esquema simples:
- Polegar para cima se a resposta estivesse correta
- Polegar para baixo se incorreta, com a resposta corrigida pelo analista
Essa resposta era armazenada na base de dados e também enviada automaticamente para o sistema de tickets como resposta ao cliente, reduzindo a carga operacional.
Com isso, montamos um prompt composto por:
- Problema do cliente (via sistema de tickets)
- Manual de resolução correspondente
- Exemplos validados de respostas anteriores
Esse aprendizado constante foi a chave para melhorar a precisão do agente.
Escala e impacto
Após alguns dias de treinamento, integramos o agente ao sistema de tickets para responder automaticamente a tickets de um motivo de contato.
Dois meses depois, já tínhamos 17 motivos automatizados, representando:
- 50% dos tickets da equipe de CX inicial
- 25% dos tickets de todas as equipes de CX da Pomelo
Isso foi possível graças a um modelo escalável, com boas práticas de programação, backend e frontend sólidos, potencializado pela IA.
Também implementamos:
- Logs e métricas para monitorar % de tickets analisados com IA
- Participação ativa dos analistas na validação do sistema
- Auditoria, health checks e alertas na aplicação
Desde o início, medimos o impacto com uma pergunta-chave: A IA ajudou a resolver o ticket?
Começamos com 70% de eficácia percebida, que foi aumentando progressivamente com os ajustes.
Sinergias e automações adicionais
O agente resolutor foi integrado a um agente categorizador de tickets, que opera no Dashboard da Pomelo e interage diretamente com os clientes. Esse agente identifica a criticidade e o motivo do contato, criando o ticket para o agente resolutor.
Além disso, usamos fluxos automatizados integrados ao Jira, disparando ações automáticas ou semiautomáticas que facilitam o trabalho dos analistas em caso de falhas.
O resultado
O resultado foi claro: escalamos o negócio mantendo eficiência operacional, qualidade de atendimento e agilidade.
A adoção de IA na área de Customer Experience foi um processo iterativo, técnico e colaborativo. Começamos com um diagnóstico preciso, construímos bases sólidas de backend e frontend, e sobre elas incorporamos IA para potencializar a operação.
O impacto: mais velocidade, mais eficiência e analistas focados nas interações de maior valor.
Na Pomelo, acreditamos que inovação não é destino, é caminho. Esse projeto é exemplo de como combinamos tecnologia de ponta com visão de negócio para escalar com velocidade, sempre com o objetivo de oferecer a melhor experiência aos nossos clientes.