Reler o histórico, cruzar datas, caçar o gap e formatar o relatório me custou uma tarde inteira: 3h47. O relatório RCA automático da IA saiu antes de eu terminar de escrever o resumo executivo. Esta é a corrida, lado a lado — com a ressalva honesta de que os tempos são uma ilustração do experimento, não uma medição auditada.
⚡ Versão de 30 segundos
- Experimento ilustrativo: montei um RCA à mão para o chamado #2685787 (um caso com gap de ~29 dias), cronometrando o esforço de ponta a ponta. Deu cerca de 3h47.
- O AI Copilot da Service Up, dentro do Znuny, gerou o mesmo relatório RCA automático em PDF (8 seções) em torno de 9 segundos — ordens de grandeza mais rápido.
- O ganho não é só velocidade: a IA tende a não pular uma resposta no meio do histórico nem inverter uma data, dois erros típicos de quem fecha relatório cansado.
- Em escala isso vira cobertura: 974 chamados no período, 647 já analisados (66%), 85 serviços mapeados — sem ninguém parar a operação para escrever relatório.
- A tese segue a mesma: a IA acelera, o humano decide. O relatório vira ponto de partida da conversa, não o fim da tarde.
As regras da corrida (e por que escolhi o pior chamado)
Pra ser justo comigo mesmo, eu não peguei um chamado fácil. Fui na fila e escolhi o mais bagunçado que achei: o #2685787, um caso com idas e vindas, mudança de responsável no meio e um gap de ~29 dias entre uma resposta e a seguinte. O tipo de chamado que dá medo de abrir.
A regra era simples. Eu, com o histórico aberto numa aba e um documento em branco na outra, montaria um RCA decente: resumo, linha do tempo, onde a coisa travou, causa raiz, recomendação. Do lado de lá, o AI Copilot da Service Up faria a mesma coisa a partir do mesmo chamado. Antes de tudo, um aviso: os tempos abaixo são a minha estimativa do experimento, não um cronômetro lacrado em laboratório.
- Mesmo chamado para os dois lados: #2685787.
- Mesmo objetivo: um relatório RCA que um gestor leria sem reclamar.
- Sem atalho do meu lado: histórico de verdade, datas de verdade, formatação de verdade.
Meu cronômetro, etapa por etapa: cerca de 3h47
Eu não percebo o tempo passar quando faço isso no dia a dia, porque é fragmentado entre uma coisa e outra. Quando sentei pra fazer de uma vez, o número assustou. A maior parte do tempo não é “escrever” — é reler, voltar, conferir se eu não inverti duas datas e copiar trechos sem errar.
No fim, eu tinha um relatório bom. Mas ele me custou a tarde, e eu ainda fiquei com aquela dúvida de quem fechou às pressas: será que pulei alguma resposta no meio do histórico? As marcações por etapa abaixo são aproximadas — o que importa é a ordem de grandeza, não o segundo exato.
- Reler o histórico inteiro e entender o caso: ~1h10.
- Montar a linha do tempo e cruzar as datas (achar o gap de ~29 dias): ~55min.
- Escrever causa raiz e recomendações: ~50min.
- Formatar, revisar e exportar em PDF apresentável: ~52min.
- Somando tudo: cerca de 3 horas e 47 minutos.
Veja em ação · do chamado ao PDF
O cronômetro da IA: em torno de 9 segundos
Do outro lado foi quase decepcionante de tão rápido. Abri o chamado #2685787, pedi o relatório de causa-raiz e o Copilot fez o que faz: leu o histórico, montou a linha do tempo, marcou o gap, classificou o sentimento, escreveu a causa raiz e as recomendações, e devolveu um PDF com 8 seções — em poucos segundos, sem etapa manual no meio. Saiu antes de eu terminar de redigir, do meu lado, o parágrafo do resumo executivo.
E o detalhe que mais me incomodou (no bom sentido): ele achou o mesmo gap de ~29 dias que eu suei pra encontrar. Só que sem suar, e sem o risco de eu ter pulado uma linha no caminho. Vale lembrar: o tempo de inferência varia com o tamanho do histórico e a carga do modelo — os ~9s são a ordem de grandeza de um chamado, não uma promessa cravada.
O que a IA não faz que eu fazia errado
A história fácil é “a IA é mais rápida”. A história mais útil é outra: a IA é mais consistente. Quando eu monto um RCA cansado, no fim do dia, eu pulo coisas. Inverto uma data. Esqueço de olhar o tom do cliente porque tô focado no técnico. O relatório sai bom, mas “bom” depende de como eu estava naquele dia.
O relatório RCA automático não tem dia ruim. Ele lê o histórico do começo ao fim, monta as 8 seções e cruza as datas com o mesmo critério, chamado após chamado. Não é que ele seja infalível — como toda saída de IA, convém revisar — mas ele não cansa no meio do terceiro chamado da tarde, que é justamente quando o erro humano aparece. A IA acelera; quem valida a causa raiz continua sendo o time.
Onde a corrida deixa de ser corrida: a escala
Um RCA em segundos é uma boa história. Mil RCAs é um negócio diferente. No painel real do módulo, no período de 30 dias, são 974 chamados, dos quais 647 já foram analisados — 66% de cobertura — distribuídos em 85 serviços. Ninguém na operação parou a tarde pra escrever isso.
Os chamados ainda aparecem agrupados por serviço vinculado, com a causa raiz da IA como detalhe de cada grupo. Aí a conversa muda: em vez de “vamos escrever o relatório”, o gestor pergunta “por que esse serviço concentra tanto chamado?”. O relatório deixou de ser tarefa e virou ponto de partida.
E fica claro o limite: isso é um módulo da Service Up, rodando dentro do seu Znuny. A IA acelera; quem decide o que fazer com o padrão que ela revelou continua sendo o seu time.
O veredito honesto da corrida
Eu não “perdi” pra IA. Eu ganhei a tarde de volta. As ~3h47 que eu gastaria escrevendo um relatório viram tempo pra resolver o problema que o relatório aponta — que é, afinal, o trabalho que importa.
Se a sua equipe ainda monta RCA à mão, faça o teste do cronômetro com o próximo chamado bagunçado: cronometre o seu lado e compare. A diferença vai te convencer mais do que qualquer post. E quando convencer, é só chamar no WhatsApp da Service Up (+55 11 5192-3351) pra ver o relatório RCA automático rodando no seu próprio help desk.
🔧 Para os técnicos
Abra só o que te interessa.
Como a IA monta o RCA tão rápido? O que roda por baixo?
O motor é o DeepSeek (modelo deepseek-chat). Quando você pede o relatório de um chamado, o Copilot lê o histórico daquele ticket no Znuny e gera as 8 seções: resumo executivo, linha do tempo, análise de gaps + causa raiz, sentimento, status técnico, recomendações, métricas e conclusão — entregues em PDF. Os ~9 segundos são uma estimativa do tempo de inferência de um único chamado, sem etapa manual no meio; o número real varia conforme o tamanho do histórico e a carga do modelo.
E para a operação inteira? Isso roda chamado a chamado na mão?
Não. Existe o processamento em lote: o botão “Processar agora” dispara a análise dos últimos N dias, e por linha de comando é o console bin/znuny.Console.pl Maint::AICopilot::RCAScan. Foi assim que se chegou aos 647/974 chamados analisados (66% de cobertura) em 85 serviços, sem ninguém abrir um por um.
Como ele acha um gap de ~29 dias que eu levo quase uma hora pra encontrar?
A seção de análise de gaps + causa raiz cruza os timestamps dos artigos/respostas do chamado e destaca os intervalos longos na linha do tempo. No #2685787 isso expôs o gap de ~29 dias. É justamente a parte mais propensa a erro humano (inverter ou pular uma data) que a máquina faz de forma mais regular — mas, como toda saída de IA, convém uma conferência antes de levar o relatório adiante; o relatório RCA automático é ponto de partida, não palavra final.
Tenho como confiar nos números de cobertura por dimensão?
O painel separa por dimensão: Sentimento 88%, RCA 84% e FAQ 30% de cobertura no período, com 22 palavras negativas catalogadas na análise de sentimento. Sinais úteis do mesmo painel: 182 chamados sem serviço vinculado (“No linked service”) e o serviço com mais chamados sendo Consultoria::Dúvida (142) — ou seja, dá pra agir sobre vinculação e categorização, não só ler relatório.
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 do cronômetro no seu próprio help desk
Converse com o nosso time comercial e veja a IA aplicada ao seu atendimento.
Falar com o comercial no WhatsApp+55 11 5192-3351
