Por dentro do AI Copilot da Service Up: como a IA gera RCA no Znuny (DeepSeek, RCAScan e cobertura)

Onde o Copilot mora: dentro do Znuny, não ao lado dele

O AI Copilot não é um app externo que consome a API e devolve resposta numa aba separada. Ele é um módulo do Znuny, acessível pelo menu Ferramentas, que enxerga o chamado pelos mesmos dados que o agente vê: fila, estado, serviço vinculado, dono, artigos (cada interação cliente↔agente), timestamps e SLA. É essa proximidade que permite duas faces no mesmo lugar: a análise por chamado (conversa em linguagem natural + RCA completo em PDF) e o painel agregado da operação inteira, com os chamados do período agrupados por serviço vinculado e a causa raiz da IA como detalhe de cada grupo.

Na prática, isso significa que o Copilot considera a linha do tempo real do ticket — todas as interações, não apenas os últimos comentários — para montar as 8 seções do relatório: resumo executivo, linha do tempo, análise de gaps e causa raiz, evolução do sentimento do cliente, status técnico, recomendações de curto e médio prazo, métricas de qualidade e conclusão. Foi assim que, no ticket #2685787, ele apontou um gap crítico de cerca de 29 dias sem que ninguém precisasse reler o histórico.

• Acesso: menu Ferramentas dentro do Znuny.
• Leitura: considera todas as interações (artigos) do chamado, não uma amostragem dos últimos comentários.
• Saída por chamado: RCA em PDF de 8 seções, pronto para o gestor.
• Saída agregada: chamados do período por serviço vinculado, com causa raiz da IA por grupo.

O motor: DeepSeek (deepseek-chat) faz o raciocínio, o Znuny faz a orquestração

O cérebro analítico é o DeepSeek, modelo deepseek-chat. O Znuny cuida de tudo ao redor: seleciona quais chamados entram, monta o contexto a partir dos artigos, dispara a chamada e registra o resultado (sentimento, RCA, FAQ) para o painel ler depois. Essa separação importa para quem integra: o LLM é um componente substituível e bem isolado; a inteligência de qual chamado processar, quando e com qual recorte de período/fila/estado é lógica do módulo, não do modelo.

Por que isso é uma boa arquitetura de adoção? Porque o resultado fica processado e disponível. O processamento (em lote ou assíncrono) é onde a inferência acontece; quando você abre o painel, está lendo análises do recorte que já foi processado, e não esperando o modelo responder linha a linha em tempo real. É o padrão certo para ITSM, onde o volume é alto e a consulta é frequente.

• Modelo: DeepSeek deepseek-chat — o componente de raciocínio.
• Znuny: seleção de chamados, montagem de contexto, orquestração e registro do resultado.
• Resultado processado em lote/assíncrono, consultado no painel sem reprocessar.
• Inferência concentrada no processamento, não a cada abertura de tela.

Dois caminhos para processar: ‘Processar agora’ e o scan de console

Existem dois jeitos de popular ou atualizar as análises. O primeiro é o botão Processar agora na própria interface: ele dispara a análise em segundo plano para os últimos N dias, respeitando os filtros ativos. É assíncrono de propósito — você clica, segue trabalhando, e os resultados aparecem conforme o lote conclui. Nada de travar a tela esperando 974 chamados serem lidos um a um.

O segundo é o scan de console, para quem administra o servidor ou quer agendar: bin/znuny.Console.pl Maint::AICopilot::RCAScan. É o mesmo motor, chamado pela linha de comando — ideal para um cron que mantém o painel sempre fresco sem depender de alguém clicar. Os filtros são os mesmos nas duas vias: Período (24h, 7d, 15d, 20d, 30d ou custom), Filas e Estados. O filtro é o que define o universo de análise, e entender isso é a chave para interpretar a cobertura.

• Processar agora: assíncrono, em segundo plano, últimos N dias, respeita filtros.
• Scan de console: bin/znuny.Console.pl Maint::AICopilot::RCAScan — agendável via cron.
• Filtros comuns: Período (24h/7d/15d/20d/30d/custom), Filas, Estados.
• Boa prática (recomendação, não do produto): rodar o RCAScan agendado fora do horário de pico, já que o lote consome inferência.

Por que 84% de RCA, e não 100%: cobertura é honestidade, não defeito

No ambiente real dos últimos 30 dias: 974 chamados no período, 647 analisados pela IA — 66% de cobertura geral. Quebrando por dimensão, Sentimento cobre 88% (860 chamados), RCA cobre 84% (823) e FAQ cobre 30% (300). A pergunta inevitável do CIO é: por que não 100%?

Porque cobertura forçada seria pior que cobertura honesta. Um chamado recém-criado ainda não tem linha do tempo para analisar. Um chamado com texto pobre — duas linhas, anexo sem descrição, encaminhamento vazio — não tem material para uma causa raiz defensável. Chamados fora do recorte de filtro simplesmente não entram naquele scan. E o sentimento cobre mais que o RCA (88% contra 84%) por um motivo lógico: dá para medir o tom de uma única mensagem do cliente, mas uma causa raiz exige um histórico que conte uma história. O FAQ em 30% é esperado — nem todo chamado é uma dúvida que vira artigo de base de conhecimento. Em vez de inventar uma causa raiz plausível e errada, o Copilot prefere não cobrir o que não consegue sustentar. Para uma ferramenta que vira PDF na mesa do gestor, isso é uma decisão de engenharia a favor da confiança.

• 66% de cobertura geral = 647 de 974 chamados analisados.
• Sentimento 88% (860) > RCA 84% (823): tom mede-se numa mensagem; causa raiz exige histórico.
• FAQ 30% (300): nem todo chamado é dúvida que vira artigo de base de conhecimento.
• Não-cobertura típica: chamado recém-criado, texto insuficiente ou fora do filtro do scan.

Qualidade de dados: os 182 ‘No linked service’ são o seu teto

O sinal mais acionável do ambiente não está no que a IA fez, e sim no que os dados não deixaram ela fazer bem. Há 182 chamados marcados como No linked service — sem serviço vinculado. No modo por chamado isso quase não atrapalha: o Copilot lê os artigos do ticket de qualquer forma. Mas no painel agregado da operação, o serviço vinculado é a chave de agrupamento. Sem ele, 182 chamados caem num balde genérico e a leitura por serviço perde resolução exatamente onde o gestor mais quer enxergar padrão.

Há também a outra ponta da distribuição: o serviço que mais aparece é Consultoria::Dúvida, com 142 chamados — um tema recorrente que, sozinho, já sugere oportunidade de automação ou de base de conhecimento — seguido por uma cauda longa de 85 serviços. A lição de adoção é direta: a IA acelera, mas ela acelera sobre o dado que existe. Disciplina de vincular serviço, escrever um primeiro artigo com contexto e padronizar estados é o que transforma 84% de RCA em insight agregado confiável. A IA acelera; o humano decide — e, antes disso, o humano organiza o que a IA vai ler.

• 182 ‘No linked service’ = chave de agrupamento ausente no painel agregado.
• Consultoria::Dúvida lidera com 142 chamados: candidato natural a automação/FAQ.
• Cauda longa de 85 serviços: padronizar o catálogo melhora a leitura por serviço.
• Regra de ouro: vincular serviço e escrever contexto no chamado eleva a qualidade de toda análise downstream.