Antes de assinar qualquer solução de análise de causa raiz com IA, passe-a por este checklist. Critérios objetivos, uma tabela de avaliação e as armadilhas que só aparecem depois do contrato — com o que olhar dentro do Znuny.
⚡ Versão de 30 segundos
- Demo impressiona, produção decepciona: a pergunta certa não é se a IA gera um PDF bonito, e sim se a causa raiz está ancorada nos dados reais do chamado ou foi inventada.
- Chatbot não é ferramenta de RCA. Um wrapper de ChatGPT devolve texto plausível; uma RCA séria cita evidências, linha do tempo, gaps e o serviço vinculado.
- Os 7 critérios de compra: ancoragem em evidências, transparência do raciocínio, profundidade de integração, precisão alta em causas conhecidas, visão agregada por serviço, processamento em lote e soberania do dado.
- Armadilhas a evitar: aceitar ‘erro humano’ como causa raiz, métrica de cobertura inflada, caixa-preta sem citação e custo por token que explode no volume real.
- Teste de fogo antes de assinar: rode chamados históricos com causa raiz já conhecida e veja se a IA acerta. É isso que o módulo de RCA da Service Up entrega dentro do Znuny.
Sumário: por que toda demo parece mágica (e por que isso engana)
Este é um guia de compra. Avaliando uma ferramenta de RCA (análise de causa raiz) com IA para o seu help desk em 2026? Você verá, na ordem: chatbot x ferramenta de RCA, o checklist de 7 critérios, a tabela de pesos, as 5 armadilhas pós-contrato, o teste de fogo de 30 minutos e como o módulo da Service Up se posiciona.
A cena da demo é sempre a mesma: cola-se o texto de um chamado, clica num botão e, em segundos, surge um PDF com resumo executivo, causa raiz e recomendações. Impressiona. O problema é que gerar texto plausível é exatamente o que um modelo de linguagem faz melhor — com ou sem dado por trás.
O maior risco de RCA com IA é a ‘interpretação alucinada’: o modelo escreve uma causa raiz convincente que não corresponde aos fatos. Na demo, com um caso escolhido a dedo, você nunca vê isso. Em produção, com centenas de chamados reais no mês, vê toda semana. A pergunta de compra, então, não é ‘a IA gera um relatório?’ — todas geram — e sim ‘esse relatório está preso aos fatos do meu chamado ou é uma redação bonita sobre um tema?’.
1. Chatbot x ferramenta de RCA: a diferença que não aparece na tela
Um chatbot e uma ferramenta de RCA podem produzir uma saída visualmente idêntica. A diferença está embaixo do capô — e é ela que decide se você vai confiar no relatório numa reunião de cliente.
Um chatbot (wrapper de ChatGPT) recebe o texto do chamado e devolve uma resposta. Ponto. Ele não sabe qual serviço está vinculado, não conhece o SLA da fila, não enxerga a linha do tempo real entre as interações e não distingue um chamado de 2 horas de um com gap de 29 dias.
Uma ferramenta de RCA séria integra-se ao seu help desk: lê o serviço vinculado, a fila, os tempos, o histórico e cruza tudo isso. A diferença prática entre um wrapper de ChatGPT e um assistente de verdade está justamente na profundidade da integração — ele acessa seu catálogo de serviços e seu histórico, não só o último texto colado.
Critério prático: peça para a ferramenta justificar a causa raiz citando evidências do próprio chamado (datas, mensagens, o serviço). Se ela não consegue citar, é redação — não é RCA.
Veja em ação · do chamado ao PDF
2. O checklist de 7 critérios para avaliar uma ferramenta de RCA
Use esta lista como roteiro na demo. Marque cada item como Atende / Atende parcialmente / Não atende. Quem não passar nos quatro primeiros não é uma ferramenta de RCA — é um gerador de texto.
- 1. Ancoragem em evidências — A causa raiz cita fatos do chamado (linha do tempo, gaps, mensagens, serviço vinculado)? Ou é genérica e poderia servir para qualquer ticket?
- 2. Transparência do raciocínio — Você consegue ver como a IA chegou à conclusão, ou é uma caixa-preta? Em outage real, falso positivo destrói a confiança — você precisa auditar.
- 3. Profundidade de integração — Lê serviço vinculado, fila, SLA e histórico do seu help desk, ou só o texto colado? Esta é a linha que separa chatbot de ferramenta.
- 4. Precisão alta em causas conhecidas — Em chamados de causa já conhecida, a IA acerta a causa na grande maioria das vezes (uma meta razoável é acima de 8 a cada 10)? Prefira precisão alta a ‘cobertura’ alta: falso positivo custa mais que silêncio.
- 5. Visão agregada por serviço — Além do relatório por chamado, há um painel que agrupa os chamados do período por serviço, com a causa raiz como detalhe? É isso que vira decisão de gestão.
- 6. Processamento em lote — Dá para analisar centenas de chamados de uma vez (botão ‘processar agora’ e/ou via console agendado), ou é um a um na mão? Sem lote, não escala.
- 7. Soberania e contexto do dado — Você sabe qual motor de IA roda, onde o dado trafega e consegue medir cobertura real? Sem transparência aqui, não há conformidade nem auditoria.
3. Tabela de critérios (com pesos sugeridos)
Transforme o checklist em nota. Sugestão de pesos para um help desk de médio porte — ajuste conforme sua realidade. Some os pontos: abaixo de 60 em 100, desconfie da demo. O quadro abaixo segue o formato critério — peso — o que pedir para ver na demo.
Ancoragem em evidências | 25 | Uma causa raiz que cite datas e o serviço do chamado, não um texto genérico.
Transparência do raciocínio | 15 | A trilha de como a IA concluiu; possibilidade de auditar e contestar.
Profundidade de integração | 20 | Leitura automática de serviço vinculado, fila, SLA e histórico.
Precisão (causa conhecida) | 15 | Resultado em 5 a 10 chamados antigos que você já sabe a resposta.
Visão agregada por serviço | 10 | Painel do período com chamados agrupados por serviço.
Processamento em lote | 10 | Análise de centenas de chamados em uma rodada.
Soberania/contexto do dado | 5 | Qual motor roda, métricas de cobertura, onde o dado trafega.
O peso maior fica em ‘ancoragem em evidências’ de propósito: é o critério que mais separa RCA de chatbot e o que menos aparece numa demo bem ensaiada.
4. As 5 armadilhas que aparecem só depois do contrato
Estas são as ciladas que a demo esconde e o dia a dia revela. Marque-as no seu contrato de avaliação (POC) antes de assinar.
- Aceitar ‘erro humano’ como causa raiz — É a armadilha clássica de RCA. ‘Erro humano’ quase nunca é causa raiz; é sintoma de treinamento ruim, processo confuso ou interface malfeita. Se a IA para no primeiro culpado, ela não está fazendo causa raiz.
- A falácia do caminho único — A ferramenta para na primeira explicação plausível e ignora causas paralelas. RCA boa explora além da resposta óbvia.
- Métrica de cobertura inflada — ‘Analisamos 100% dos chamados!’ soa ótimo, mas cobertura sem precisão é ruído. Números honestos (ex.: 66% de cobertura com critério claro) valem mais que 100% de texto genérico.
- Caixa-preta sem citação — Relatório lindo, zero rastreabilidade. Se você não consegue mostrar ao cliente de onde saiu a conclusão, ela não serve para reunião nem para auditoria.
- Custo por token que explode no volume real — Na demo são 3 chamados; em produção são centenas por mês. Peça a conta no seu volume real, com processamento em lote incluído — não no cenário de brochura.
5. O teste de fogo de 30 minutos antes de assinar
O método mais honesto de avaliação é simples: rode chamados históricos cuja causa raiz você já conhece e veja se a IA acerta. Não deixe o fornecedor escolher os casos — escolha você.
Passo 1: selecione de 5 a 10 chamados antigos, encerrados, de causas variadas (um com gap longo, um de SLA estourado, um de dúvida simples, um problema técnico real).
Passo 2: rode cada um na ferramenta e compare a causa raiz da IA com a verdade que você já sabe. Conte os acertos. Se a taxa de acerto for baixa (uma meta razoável é acima de 80%), repense.
Passo 3: para cada acerto, exija a evidência — a IA deve apontar a data, a mensagem ou o serviço que sustenta a conclusão. Acerto sem evidência é sorte, não método.
Passo 4: rode o lote inteiro de uma vez e cronometre. Mede escala e mede custo no seu volume real, não no da demo.
6. Como o módulo de RCA da Service Up se posiciona (e próximo passo)
O ‘Relatório de Causa-Raiz’ faz parte do AI Copilot da Service Up e roda dentro do Znuny (ITSM/help desk) — não é um chatbot avulso colado por fora. Foi desenhado em cima exatamente dos critérios deste checklist, e por isso serve de referência de comparação ao avaliar concorrentes.
Duas faces, cobrindo o critério 1 e o 5: por chamado, gera um relatório de RCA completo em PDF com 8 seções (resumo executivo, linha do tempo, análise de gaps e causa raiz, sentimento, status técnico, recomendações, métricas e conclusão). E um painel agregado que agrupa os chamados do período por serviço vinculado, com a causa raiz da IA como detalhe — a visão que vira decisão de gestão.
Ancoragem em evidências (critério 1) e profundidade de integração (critério 3): por estar dentro do Znuny, ele lê o serviço vinculado, a fila, os tempos vs SLA e o histórico. Num exemplo real, o chamado #2685787 teve um gap de ~29 dias identificado na linha do tempo — o tipo de evidência concreta que um wrapper de ChatGPT não enxerga.
Números reais de 30 dias (critério 7, transparência): 974 chamados, 647 analisados, 66% de cobertura, 85 serviços; cobertura por dimensão de Sentimento 88%, RCA 84% e FAQ 30% — lembrando que esses são números de cobertura (quantos chamados foram alcançados), não de precisão. Motor DeepSeek (deepseek-chat). São números honestos, não a promessa de ‘100%’ das brochuras. Processamento em lote (critério 6): existe o botão ‘Processar agora’ e o comando de console bin/znuny.Console.pl Maint::AICopilot::RCAScan, que permite agendar a análise de centenas de chamados sem trabalho manual.
A tese por trás do módulo: a IA não substitui pessoas. A IA acelera; o humano decide. O relatório entrega a causa raiz com evidência em segundos para o analista validar e agir — ele ganha autonomia, não um chefe robô.
Próximo passo: quer ver esses critérios aplicados a chamados reais do seu Znuny? Fale com a Service Up pelo WhatsApp comercial +55 11 5192-3351 e faça o teste de fogo com os seus próprios chamados históricos.
🔧 Para os técnicos
Abra só o que te interessa.
Como medir a precisão da IA de RCA de forma objetiva, sem depender da impressão da demo?
Monte um conjunto de validação com chamados encerrados cuja causa raiz você já conhece (golden set). Rode-os na ferramenta e pontue cada saída como acerto/erro contra a verdade conhecida. Calcule precisão (das causas que ela apontou, quantas estavam certas) e priorize-a sobre recall: em RCA, falso positivo durante uma crise destrói a confiança mais do que um silêncio. Uma meta de referência razoável é precisão acima de 80%. Repita com tipos variados (gap longo, SLA estourado, dúvida, problema técnico) para não premiar um modelo que só vai bem no caso fácil. Atenção: a ‘cobertura’ que algumas ferramentas reportam (quantos chamados foram analisados) é uma métrica diferente de precisão — não confunda as duas.
Tecnicamente, o que ancora a causa raiz nos fatos e evita a alucinação?
Três coisas. (1) Contexto estruturado: a ferramenta deve receber não só o texto, mas campos do help desk — serviço vinculado, fila, timestamps das interações, tempos vs SLA. No módulo da Service Up isso vem do próprio Znuny. (2) Exigência de citação: o relatório deve apontar a evidência (data, mensagem, serviço) que sustenta cada conclusão; sem rastro, é redação. (3) Estrutura forçada: ao dividir a saída em seções fixas (linha do tempo, análise de gaps, status técnico), você obriga o modelo a percorrer os dados em vez de produzir um parágrafo genérico — é por isso que o relatório tem 8 seções, e não um campo livre.
Como isso roda em escala dentro do Znuny, sem analisar chamado a chamado na mão?
O módulo expõe duas vias. Na interface, o botão ‘Processar agora’ dispara a análise de um lote. Para volume e agendamento, há o comando de console bin/znuny.Console.pl Maint::AICopilot::RCAScan, que pode rodar via cron para varrer os chamados do período e popular o painel agregado por serviço. Em 30 dias isso resultou em 647 de 974 chamados analisados (66% de cobertura), sobre 85 serviços. Ao avaliar concorrentes, peça o equivalente: se só há análise individual manual, a ferramenta não escala para a sua operação.
Que sinais nos dados agregados ajudam a achar problemas sistêmicos, além do relatório por chamado?
O painel agregado agrupa chamados por serviço vinculado, o que expõe padrões que o caso isolado esconde. Dois exemplos reais do módulo: 182 chamados ficaram como ‘No linked service’ — sinal de processo (chamados não estão sendo vinculados ao serviço, o que cega qualquer RCA por serviço); e ‘Consultoria::Dúvida’ apareceu como serviço de maior volume (142 chamados) — possível indício de gap de documentação/FAQ, não de incidente técnico. Essa leitura agregada é o que transforma RCA de relatório bonito em decisão de gestão.
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.
Faça o teste de fogo com os seus próprios chamados
Converse com o nosso time comercial e veja a IA aplicada ao seu atendimento.
Falar com o comercial no WhatsApp+55 11 5192-3351
