Análise de sentimento no chamado: como ler a evolução do tom (neutro → cobrança → frustração) antes de perder o cliente

O cliente não avisa que vai sair — ele muda o tom

Quase ninguém abre um chamado escrevendo “estou prestes a cancelar”. O que acontece costuma ser mais silencioso: a primeira mensagem é objetiva e neutra (“poderiam verificar o acesso?”). Dias depois vem a cobrança educada (“alguma previsão?”). Depois a cobrança seca (“até quando vou esperar?”). E só então — às vezes nunca dito em voz alta — a frustração que precede a decisão de ir embora.

Essa evolução é o que a análise de sentimento no atendimento ao cliente existe para ajudar a enxergar. Mais do que o rótulo de uma única mensagem, o que importa é a direção. Um chamado que começa neutro e termina frustrado conta uma história que a média de CSAT do fim do mês esconde por completo.

O problema clássico é de escala humana: um analista lê o tom da conversa que está na frente dele, mas ninguém relê centenas de chamados do mês para perceber em quais a temperatura subiu. É justamente esse trabalho de leitura em massa que o Copilot da Service Up assume.

Como o Copilot lê o sentimento dentro do Znuny

A análise de sentimento é um dos motores do AI Copilot da Service Up, módulo que roda dentro do Znuny (a base ITSM/help desk). Para cada chamado, a IA percorre as interações — abertura, respostas do cliente, notas do agente — e avalia o tom da conversa.

O motor por trás é o DeepSeek (modelo deepseek-chat). Além de avaliar o sentimento, ele rastreia um vocabulário de 22 palavras e expressões negativas que funcionam como bandeiras de fricção — repetições, sinais de pressão e indícios de abandono. Termos como “de novo”, “até quando” ou “ninguém me responde” são exemplos do tipo de marcador que costuma indicar que a conversa esquentou (são ilustrações; a lista exata faz parte da configuração do motor).

O resultado não vive isolado num painel separado: o sentimento entra como uma das oito seções do Relatório de Causa-Raiz, lado a lado com a linha do tempo do chamado e a análise de gaps. Assim, quando o tom piora, você vê na mesma tela o que aconteceu naquele intervalo — por exemplo, o gap de cerca de 29 dias detectado no chamado #2685787, em que o silêncio do atendimento ajuda a explicar a virada emocional.

Ler a evolução, não o ponto: neutro, cobrança, frustração

A leitura mais útil do sentimento é olhar a evolução, e não uma mensagem isolada. Uma forma prática de organizar essa leitura é pensar em três estágios que o time aprende a reconhecer na conversa — não são rótulos que a ferramenta imprime, mas um jeito de interpretar para onde o tom está indo:

Vale a regra de ouro do produto: a IA acelera, o humano decide. O Copilot não responde ao cliente nem fecha o chamado sozinho — ele entrega a leitura pronta para que o analista ou o gestor ajam com contexto e a tempo.

• Neutro — o estado normal. Linguagem objetiva, pedidos diretos, sem carga emocional. A maioria dos chamados começa e termina aqui, e está tudo bem.
• Cobrança — a inflexão. Aparecem pedidos de previsão, menções a tempo decorrido, perguntas sobre prazo. Ainda não é raiva; é o cliente sinalizando que o relógio dele começou a contar. É AQUI que reter é barato.
• Frustração — o alarme. Repetição (“de novo”, “como já falei”), sensação de abandono (“ninguém me responde”), tom curto. Quando a conversa chega aqui, a janela de retenção já está estreita.

O que a evolução mostra que o CSAT não mostra

Uma nota de satisfação chega tarde e agregada: é uma foto tirada no fim, geralmente respondida por quem já decidiu ficar ou já decidiu sair. A leitura de sentimento ao longo do chamado é o filme — e ele roda enquanto ainda dá para mudar o final.

Em 30 dias, o Copilot processou 647 dos 974 chamados abertos (66% de cobertura geral), e a análise de sentimento alcançou 88% desses processados. É a maior cobertura entre os motores do módulo — à frente da própria causa-raiz (84%) e do FAQ (30%) —, o que faz dela um dos sinais mais densos para priorizar a fila.

Na prática, isso muda a pergunta do gestor. Em vez de “qual foi a nota média?”, passa a ser “em quais chamados o tom está piorando?”. A resposta vira uma lista de risco acionável, não um relatório de autópsia.

Do sinal à ação: onde o sentimento entra no fluxo

O sentimento é processado em lote junto com o restante da análise da IA. O time pode disparar pela interface, no botão “Processar agora”, ou via console com o comando bin/znuny.Console.pl Maint::AICopilot::RCAScan — que pode ser agendado para rodar sobre o histórico de forma recorrente.

Depois de processado, o sentimento aparece de duas formas. Por chamado, dentro do Relatório de Causa-Raiz em PDF, na seção dedicada ao tom da interação. E de forma agregada no painel do período, onde os chamados são agrupados por serviço vinculado — permitindo ver, por exemplo, se a frustração está concentrada num serviço específico em vez de espalhada.

Esse cruzamento é o que transforma sentimento em decisão. Quando a frustração se acumula sempre no mesmo serviço, você não está mais lidando com um cliente irritado isolado — está olhando para um problema estrutural de SLA ou de processo que a causa-raiz vai nomear.

A IA acelera; o humano decide reter

Nada disso substitui o atendente. O ponto da análise de sentimento não é automatizar a empatia — é dar autonomia e tempo ao time. A IA faz o trabalho inviável na mão (reler grandes volumes de chamados sem cansar) e devolve um mapa: aqui o tom virou, aqui o cliente está cobrando, aqui o silêncio durou cerca de 29 dias.

Com esse mapa, o gestor prioriza, o analista entra na conversa certa com o contexto certo, e a retenção acontece antes da frustração — não como reação ao pedido de cancelamento, mas como antecipação ao sinal de tom.

É assim que a Service Up entende a IA no atendimento: um copiloto que ajuda a enxergar a evolução emocional dos seus chamados para que a sua equipe aja enquanto ainda dá tempo de mudar o desfecho.