Resposta honesta, sem marketing: este é um artigo de transparência técnica sobre segurança de dados na IA do atendimento — o módulo Relatório de Causa-Raiz da Service Up. Mostramos, com diagrama de fluxo, o que realmente sai do seu Znuny quando a IA gera um RCA, o que nunca sai, e quais caminhos existem para reforçar a soberania de dados — incluindo a conversa sobre modelos self-hosted quando isso for requisito de contrato.
⚡ Versão de 30 segundos
- O motor de IA do módulo (DeepSeek, modelo deepseek-chat) recebe, por análise, o texto do chamado que está sendo analisado — e não um dump da sua base. A busca semântica, o agrupamento por serviço e o PDF de 8 seções são montados dentro do seu Znuny.
- Todo o pipeline de orquestração roda no seu servidor: a IA recebe um prompt e devolve o texto da análise, que volta para dentro da sua base Znuny. Nenhuma credencial ou estrutura de acesso trafega.
- A pergunta certa não é só ‘o modelo é chinês?’ e sim ‘qual endpoint recebe o prompt?’. É nesse ponto de saída — uma única chamada de API — que se concentra toda a discussão de soberania de dados.
- Para quem não pode deixar nenhum byte sair (setor público, saúde, financeiro): apontar o módulo para um modelo open-weight self-hosted (DeepSeek, Llama, Qwen) é um cenário que desenhamos caso a caso — fale com a gente antes de assumir que está pronto para o seu ambiente.
- Alavancas de LGPD que você controla hoje: escolher quais filas/serviços são processados e disparar o processamento de forma explícita (‘Processar agora’ ou o console bin/znuny.Console.pl Maint::AICopilot::RCAScan no seu próprio servidor).
A pergunta honesta do CIO (e por que ela está quase certa)
Toda vez que apresentamos o Relatório de Causa-Raiz, o motor por trás é o DeepSeek — o modelo deepseek-chat. E toda vez surge a mesma pergunta, geralmente do CIO ou do encarregado de dados: ‘DeepSeek é um modelo chinês. Meus chamados, com nome de cliente e descrição do problema, vão parar onde?’
É uma ótima pergunta — e merece uma resposta técnica, não um folheto. A boa notícia é que a preocupação está apontando para o lugar quase certo. A única correção é esta: o ponto sensível não é a nacionalidade do modelo. É UM ponto específico do fluxo — o endpoint que recebe o prompt, a única chamada que sai da sua rede.
Este artigo existe para mostrar, de forma transparente, o que sai do seu Znuny, o que nunca sai, e quais caminhos existem para reforçar a soberania de dados quando segurança de dados na IA do atendimento é requisito de contrato, não desejo.
O fluxo: o que sai do Znuny e o que fica no seu servidor
Pense no módulo como duas camadas. A camada de orquestração roda dentro do seu Znuny: ela lê o chamado, faz a busca semântica entre os chamados, agrupa por serviço vinculado, monta a linha do tempo e renderiza o PDF de 8 seções. Essa camada não sai do seu servidor.
A segunda camada é uma chamada de API: a orquestração monta um prompt com o texto daquele chamado e o envia ao motor de IA, que devolve o texto da análise (causa raiz, recomendações, sentimento). Esse texto volta para dentro do Znuny e é gravado na sua base. O fluxo, em alto nível, é: Znuny → prompt do chamado → motor → texto de volta → Znuny.
- FICA dentro do Znuny: seu banco de dados, credenciais, histórico de login, a relação cliente↔chamado, os 85 serviços, os 182 chamados sem serviço vinculado e o PDF final.
- SAI no envio: o conteúdo textual do chamado em análise, dentro do prompt. Por design, não vai um dump da base, e o esquema do banco e a estrutura de acesso permanecem no seu servidor.
- VOLTA: apenas o texto gerado (a análise). Nenhuma credencial ou dado estrutural trafega de volta.
- O PONTO DE ATENÇÃO: qual endpoint recebe esse prompt é a questão central de soberania — por padrão, a API pública DeepSeek.
A operação inteira · painel de causa-raiz
Recriação do painel real (Ferramentas → AI Copilot · Relatório de Causa-Raiz).
Modo padrão (API DeepSeek) e a conversa sobre on-premise
No modo padrão, o prompt do chamado trafega criptografado (TLS) até o endpoint do DeepSeek e a análise volta. É rápido de implantar e atende muitas operações — mas o texto do chamado, naquele instante, atravessa a fronteira da sua rede. Por isso somos transparentes: esse é o ponto a avaliar.
Quando a soberania é inegociável (setor público, saúde, financeiro), o caminho que discutimos é apontar o módulo para um modelo open-weight rodando na sua própria infraestrutura (DeepSeek, Llama, Qwen e similares, atrás de um servidor de inferência na sua VPC ou data center), de modo que o prompt vá para uma máquina sua. Esse é um cenário que desenhamos caso a caso — envolve dimensionamento de GPU, latência e validação no seu ambiente, e não deve ser assumido como uma chave pronta para qualquer instalação.
A experiência do agente, o console Maint::AICopilot::RCAScan e o PDF de 8 seções são parte do mesmo módulo. O que muda, num cenário on-premise, é o destino do prompt — e é exatamente sobre esse desenho que vale conversar antes de fechar contrato.
Camadas de controle que você tem hoje (e as que desenhamos juntos)
Self-hosted é o nível máximo de soberania e é uma conversa de arquitetura. Mas já existem alavancas práticas, alinhadas à LGPD, que ficam na sua mão — sem depender da nossa palavra.
- Escopo de processamento: você decide QUAIS filas/serviços passam pela IA. Filas sensíveis podem simplesmente não ser processadas — o RCAScan respeita o recorte que você define.
- Processamento sob comando: o disparo é explícito (‘Processar agora’ na interface ou o console bin/znuny.Console.pl Maint::AICopilot::RCAScan no seu próprio servidor) — não há envio silencioso em segundo plano.
- Minimização por design: o foco da análise é o chamado em questão, não um dump da base — o que reduz a superfície de exposição.
- Anonimização e endpoint privado: políticas para mascarar identificadores antes do envio e o redirecionamento para um modelo interno são itens que avaliamos em conjunto, conforme a sua exigência de conformidade.
Por que isto é um módulo DA Service Up — e o que isso muda para você
O Relatório de Causa-Raiz não é um plugin genérico baixado de um marketplace. É um módulo desenvolvido pela Service Up, parceira Znuny/OTOBO no Brasil, rodando dentro do seu Znuny. Isso importa para segurança por um motivo concreto: você tem com quem conversar sobre arquitetura, sobre o contrato de processamento de dados e sobre cenários como o self-hosted — em português, com um time que conhece o seu ambiente ITSM.
A tese do módulo continua a mesma de toda a nossa linha de IA: a IA não substitui pessoas, ela acelera e dá autonomia. A IA acelera; o humano decide. E, em segurança, vale a mesma lógica: a IA processa o texto; a decisão sobre o fluxo dos dados é sua, e a desenhamos junto com você.
🔧 Para os técnicos
Abra só o que te interessa.
Tecnicamente, o que vai dentro do prompt enviado ao motor?
O conteúdo textual do chamado em análise — descrição, histórico de interações e os campos relevantes para a causa raiz. Por design, não vai um dump da base: a orquestração (busca semântica entre chamados, agrupamento pelos 85 serviços, montagem da linha do tempo e render do PDF) roda dentro do seu Znuny, e a IA recebe um prompt e devolve texto. O esquema do banco e a estrutura de acesso de usuários permanecem no seu servidor. É o princípio de minimização da LGPD aplicado por arquitetura. Para uma auditoria formal do que efetivamente trafega no seu ambiente, monitore o ponto de saída (ver pergunta sobre auditoria).
Dá para trocar o deepseek-chat por um modelo self-hosted?
O motor padrão é a API pública do DeepSeek (modelo deepseek-chat). Apontar o módulo para um modelo open-weight self-hosted (DeepSeek, Llama, Qwen e similares) atrás de um servidor de inferência na sua infraestrutura (VPC/data center) é um cenário que avaliamos caso a caso — não é uma configuração padrão garantida em qualquer instalação. Envolve dimensionamento de GPU, latência, compatibilidade do servidor de inferência e validação no seu ambiente. O restante do módulo (Processar agora, o console Maint::AICopilot::RCAScan, o PDF de 8 seções, o painel agregado por serviço) faz parte do mesmo produto. Fale com a gente para desenhar essa topologia antes de assumi-la como pronta.
E a LGPD, na prática? Onde fica o controle do encarregado de dados?
Alavancas que você tem hoje: (1) Escopo — você define quais filas/serviços o RCAScan processa, deixando dados sensíveis fora do fluxo de IA; (2) Disparo explícito — o processamento ocorre via UI (‘Processar agora’) ou console no seu servidor, sem envio silencioso em background. Itens que desenhamos em conjunto conforme a sua exigência: anonimização/mascaramento de identificadores antes do envio e o redirecionamento do endpoint para um modelo interno (soberania total, eliminando a transferência internacional). Para o DPO, o objetivo é transformar isso em cláusula de contrato verificável, e não em promessa de folheto.
Posso auditar o que efetivamente saiu da minha rede?
Sim, com as ferramentas do seu próprio perímetro. Como a chamada ao motor é um único ponto de saída (um endpoint), você pode observar e logar o tráfego nesse ponto pela sua rede e correlacionar com os disparos do RCAScan. Num cenário on-premise, a verificação fica ainda mais direta: confirmar, no firewall/VPC, que o tráfego do módulo só alcança o host de inferência interno. A orquestração e o armazenamento do resultado permanecem dentro do Znuny o tempo todo. Essa observabilidade depende da instrumentação de rede do seu lado — algo que orientamos na implantação.
Este módulo é parte do AI Copilot da Service Up
Somos especialistas em ITSM e help desk (parceira Znuny/OTOBO). O AI Copilot já roda no nosso ambiente — e pode rodar no seu.
Soberania de dados é requisito de contrato no seu caso? Vamos desenhar o seu fluxo
Converse com o nosso time comercial e veja a IA aplicada ao seu atendimento.
Falar com o comercial no WhatsApp+55 11 5192-3351
