A resposta para o chamado de hoje pode ter sido escrita meses atrás. Ninguém acha porque o cliente daquela vez usou outras palavras. A busca semântica do Copilot da Service Up encontra pelo significado, não pelo termo exato.
⚡ Versão de 30 segundos
- Busca tradicional casa palavras (LIKE/full-text): se o chamado antigo dizia ‘sistema travou’ e você procura ‘aplicação congelando’, ela tende a retornar zero — mesmo a solução existindo.
- Busca semântica entende intenção e significado: encontra o chamado equivalente mesmo escrito com sinônimos, gírias ou erros de digitação.
- Resultado prático: a solução escrita meses atrás reaparece rapidamente, em vez de o agente reabrir uma investigação do zero.
- É um módulo do AI Copilot da Service Up dentro do Znuny (ITSM). O motor de análise do Copilot é o DeepSeek (deepseek-chat) — a IA acelera; o humano decide.
- Nos últimos 30 dias o Copilot já apoiou a operação em 974 chamados, com 647 analisados (66% de cobertura) sobre 85 serviços.
O problema: a solução existe, mas a busca não a enxerga
Todo help desk maduro tem uma verdade incômoda: muitos chamados de hoje já foram resolvidos antes. O conhecimento está lá, registrado em algum chamado encerrado meses atrás. O problema nunca foi a falta de solução — é a dificuldade de reencontrá-la.
A cena é sempre a mesma. O cliente abre um chamado: ‘a aplicação está congelando ao salvar’. O agente, diligente, pesquisa ‘aplicação congelando’ na base. Zero resultados. Conclui que é um caso novo e começa a investigação do zero. Só que meses antes, outro cliente pode ter descrito exatamente o mesmo problema com outras palavras: ‘o sistema trava na hora de gravar’. A solução completa está naquele chamado. Ninguém a encontra porque ‘congelando’ e ‘trava’ são, para uma busca por palavra-chave, palavras totalmente diferentes. (Exemplo ilustrativo.)
- O conhecimento não se perde — ele fica invisível para quem busca com termos diferentes.
- Cada solução não reencontrada vira retrabalho: nova investigação, novo tempo de resolução, novo desgaste.
- Quanto maior a base de chamados encerrados, pior o problema — há mais conhecimento enterrado e mais formas de descrevê-lo.
Como funciona a busca tradicional (e por que ela falha)
A busca tradicional de chamados — seja o LIKE de um banco SQL, seja um índice full-text — opera por correspondência de caracteres. Ela responde a uma pergunta literal: ‘em quais chamados aparece exatamente esta sequência de letras?’. É rápida, é determinística e é cega para significado.
Ela não sabe que ‘lentidão’, ‘travando’, ‘congelando’ e ‘demorando para responder’ descrevem o mesmo sintoma. Não sabe que ‘NF-e’ e ‘nota fiscal eletrônica’ são a mesma coisa. Muitas vezes não perdoa o plural, a abreviação, a gíria do cliente nem o erro de digitação. Se as palavras não baterem, o resultado tende a ser vazio — e um resultado vazio é interpretado como ‘não existe’, quando na verdade pode significar ‘existe, mas escrito de outro jeito’.
- Casa caracteres, não conceitos.
- Sinônimos, abreviações e erros de digitação podem derrubar o resultado para zero.
- O agente não tem como saber se o vazio é ‘não há solução’ ou ‘a busca não encontrou a solução que há’.
Por dentro · processamento em lote
O scan roda em segundo plano; o botão “Processar agora” dispara os últimos N dias.
Como funciona a busca semântica do Copilot
A busca semântica inverte a lógica. Em vez de comparar palavras, ela compara significados. A pesquisa procura os chamados cujo significado é mais próximo do que você descreveu — independentemente das palavras exatas usadas.
Na prática, o agente digita ‘a aplicação está congelando ao salvar’ e o Copilot da Service Up traz de volta aquele chamado antigo onde alguém escreveu ‘o sistema trava na hora de gravar’, com a causa-raiz e a solução já documentadas. É a diferença entre procurar por letras e procurar por intenção. A busca semântica é uma das faces do AI Copilot — que também faz análise de sentimento, RCA, tempo vs SLA e o panorama agregado por serviço.
- Compara o significado da frase, não a grafia das palavras.
- Tolera sinônimos, gírias, abreviações e erros — porque entende a intenção.
- Reaproveita o conhecimento já encerrado: a solução antiga reaparece para o caso novo.
Lado a lado: mesma intenção, resultados opostos
Imagine um único cenário rodando nas duas buscas. O chamado novo diz: ‘aplicação congelando ao salvar’. O chamado-fonte, encerrado meses atrás, diz: ‘sistema trava na hora de gravar — corrigido limpando o cache da sessão’. (Exemplo ilustrativo.)
Busca tradicional: procura ‘aplicação congelando’ → nenhum chamado contém essa exata combinação → zero resultados → o agente abre um caso novo e reinvestiga. Busca semântica: entende que ‘aplicação congelando ao salvar’ e ‘sistema trava na hora de gravar’ são o mesmo problema → retorna o chamado-fonte no topo → o agente lê a causa-raiz, aplica a correção e fecha o caso. Mesma base, mesma pergunta, mesmo conhecimento disponível — o que muda é só se a ferramenta consegue ou não enxergá-lo.
- Antes (palavra-chave): 0 resultados, investigação do zero, retrabalho.
- Depois (semântica): a solução antiga no topo, partindo de conhecimento já validado.
- O ganho não vem de mais conhecimento — vem de tornar o conhecimento existente acessível.
Por que isso importa para o gestor do help desk
Reencontrar soluções prontas ataca três dores ao mesmo tempo: reduz o tempo de resolução (o agente não recomeça do zero), padroniza a qualidade (todos chegam à mesma solução validada, não a versões improvisadas) e protege o time da rotatividade de conhecimento (o que o especialista resolveu no ano passado continua acessível mesmo que ele tenha saído).
E há um efeito de escala silencioso. No período de 30 dias, o Copilot operou sobre 974 chamados, com 647 analisados — 66% de cobertura — distribuídos em 85 serviços. Cada chamado encerrado e analisado deixa de ser um arquivo morto e passa a ser um candidato a resposta para o próximo caso parecido. A base de conhecimento deixa de ser algo que alguém precisa escrever manualmente e passa a emergir do próprio histórico de atendimento.
- Menos tempo de resolução: para de reinvestigar o que já foi resolvido.
- Mais consistência: a solução validada vira o ponto de partida, não a sorte do agente.
- Memória que não depende de pessoas: o conhecimento sobrevive à troca de time.
A IA acelera; o humano decide
A busca semântica não responde o chamado sozinha e nem é essa a proposta. Ela coloca a solução mais provável na frente do agente — e é o agente quem confirma se aquele caso antigo realmente se aplica, ajusta ao contexto do cliente e dá a resposta. A IA faz o trabalho braçal de garimpar o histórico; a decisão técnica continua sendo humana.
Esse é o princípio de todo o AI Copilot da Service Up: dar autonomia e velocidade ao time, não substituí-lo. A busca semântica é a porta de entrada mais imediata desse valor — porque transforma cada chamado que você já resolveu em um ativo reutilizável, sem esforço extra de documentação. Quer ver isso rodando no seu próprio Znuny? Fale com a Service Up pelo WhatsApp +55 11 5192-3351.
- A IA garimpa e sugere; o agente valida e decide.
- Nenhuma métrica inventada: o Copilot trabalha sobre os chamados reais da sua operação.
- Módulo do AI Copilot da Service Up, rodando dentro do seu próprio Znuny.
🔧 Para os técnicos
Abra só o que te interessa.
Qual a diferença técnica entre full-text/LIKE e busca semântica?
A busca tradicional (LIKE ou índice full-text/invertido) faz correspondência léxica: casa tokens e substrings exatos, no máximo com stemming e stopwords. Por isso é cega a sinônimos e paráfrases. A busca semântica, por outro lado, recupera resultados por significado em vez de grafia: ‘sistema trava’ e ‘aplicação congela’ são tratados como equivalentes mesmo sem compartilhar nenhuma palavra. Na prática, full-text responde ‘onde aparece este termo?’ e a busca semântica responde ‘o que significa o mesmo que isto?’.
Qual motor de IA está por trás e como o módulo roda no Znuny?
O motor de análise do AI Copilot é o DeepSeek (modelo deepseek-chat), e o módulo opera dentro do Znuny (ITSM, base OTOBO). O processamento das análises pode ser disparado sob demanda pelo ‘Processar agora’ na interface ou em lote pelo console: bin/znuny.Console.pl Maint::AICopilot::RCAScan. Assim a análise dos chamados acontece de forma controlada pela operação, sem depender de ação manual chamado a chamado — e quanto mais chamados analisados, mais conhecimento fica disponível para reaproveitamento.
A busca semântica só serve para reencontrar chamados antigos?
Não — ela é uma das faces do mesmo Copilot que também gera o Relatório de Causa-Raiz (RCA) em PDF por chamado (8 seções: resumo executivo, linha do tempo, análise de gaps + causa-raiz, sentimento, status técnico, recomendações, métricas e conclusão) e o painel agregado, que agrupa os chamados do período por serviço vinculado exibindo a causa-raiz da IA como detalhe. A busca semântica é a camada de recuperação; RCA, sentimento, tempo vs SLA e gráficos sob demanda são análises construídas sobre a mesma base de chamados.
Em que ponto a busca semântica deixa de achar conexões?
A qualidade depende de três fatores: cobertura, vinculação e contexto. Cobertura — no período, 647 de 974 chamados foram analisados (66%); chamados ainda não processados rendem menos correspondências. Vinculação — 182 chamados estavam como ‘No linked service’, o que reduz o agrupamento por serviço no painel agregado (o top é ‘Consultoria::Dúvida’, com 142). Contexto — descrições muito curtas ou genéricas dão menos sinal para a IA distinguir o problema. A recomendação prática é manter o RCAScan rodando para subir a cobertura de análise e vincular serviço aos chamados para enriquecer tanto a recuperação quanto o painel.
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.
Pare de reinvestigar o que seu time já resolveu
Converse com o nosso time comercial e veja a IA aplicada ao seu atendimento.
Falar com o comercial no WhatsApp+55 11 5192-3351
