Suporte ao cliente por IA — Claude + Kunavo para automação de tickets em nível de produção

Por que o suporte ao cliente é a implantação de IA com maior ROI

Três números explicam. Ticket médio tratado por uma pessoa: ~5 minutos, $1,50–3 com custo total. Ticket médio redigido por IA (com revisão humana): ~1 minuto, $0,01–0,05 em custos de API. Resolução média totalmente feita por IA (sem intervenção humana): ~30 segundos, $0,01. Isso representa uma redução de custo de 30–150 vezes com a mesma qualidade, depois que o prompt de classificação + redação estiver ajustado.

A ressalva: tickets frequentes de nível 1 funcionam muito bem com IA; tickets complexos precisam de pessoas. A arquitetura abaixo faz o roteamento de forma inteligente — um modelo barato classifica, um modelo caro redige os casos que justificam isso, e as regras de escalonamento enviam os casos difíceis para uma fila humana.

Arquitetura em quatro etapas

1. Classificar — Claude Haiku 4.5 retorna categoria + prioridade + sentimento como JSON
2. Recuperar — buscar os 5 documentos mais relevantes da sua base de conhecimento (use o guia de RAG)
3. Redigir — Claude Sonnet 5 escreve uma resposta usando o contexto da base de conhecimento + diretrizes de tom
4. Encaminhar — enviar automaticamente se a prioridade=baixa e a confiança for alta; caso contrário, enviar a um agente humano para aprovação/edição com um clique

import json
from openai import OpenAI
client = OpenAI(api_key="sk-kn-...", base_url="https://api.kunavo.com/v1")

# Claude enforces a json_schema response_format; json_object it does not.
TICKET = {
    "type": "object",
    "properties": {
        "category": {"type": "string",
                     "enum": ["billing", "shipping", "account", "technical", "other"]},
        "priority": {"type": "string", "enum": ["low", "normal", "urgent"]},
        "sentiment": {"type": "string", "enum": ["negative", "neutral", "positive"]},
    },
    "required": ["category", "priority", "sentiment"],
    "additionalProperties": False,
}

# 1) Classify the ticket (cheap model)
def classify(text: str) -> dict:
    resp = client.chat.completions.create(
        model="claude-haiku-4-5",
        messages=[
            {"role": "system", "content": "Classify this support ticket."},
            {"role": "user", "content": text},
        ],
        response_format={"type": "json_schema",
                         "json_schema": {"name": "ticket", "schema": TICKET}},
        max_tokens=200,
    )
    return json.loads(resp.choices[0].message.content)

# 2) Draft a response (better model)
def draft(ticket: str, kb_context: list[str], guidelines: str) -> str:
    resp = client.chat.completions.create(
        model="claude-sonnet-5",
        messages=[
            {"role": "system", "content": [{
                "type": "text",
                "text": guidelines,  # tone, policy, escalation rules
                "cache_control": {"type": "ephemeral"},
            }]},
            {"role": "user", "content": (
                f"# Knowledge base\n{chr(10).join(kb_context)}\n\n"
                f"# Customer message\n{ticket}\n\n"
                "Draft a reply. Be specific, cite the KB doc id."
            )},
        ],
        max_tokens=500,
    )
    return resp.choices[0].message.content

Projeção de custo real

• 100 tickets/dia com classificação + redação + cache: ~$0,02/ticket × 100 = ~$60/mês
• 1.000 tickets/dia: ~$600/mês — substitui ~3 agentes em tempo integral nas tarifas ocidentais típicas de nível 1
• 10.000 tickets/dia (grande e-commerce): ~$6.000/mês — substitui 30 ou mais agentes

Esses valores consideram o cache de prompts ativado (o prompt do sistema é estático; o contexto da base de conhecimento muda por ticket). Como funciona o cache de prompts — a diferença entre $60 e $200/mês com 100 tickets/dia.

Padrões a evitar

• Enviar automaticamente respostas de alto risco (reembolsos, alterações de conta, reclamações) sem revisão humana. O risco à reputação de uma única resposta automática ruim supera todos os ganhos de eficiência
• Fazer roteamento por palavra-chave em vez de classificação por LLM — o roteamento por palavras-chave falha assim que os usuários formulam as coisas de maneira diferente; a classificação por LLM lida facilmente com paráfrases
• Expectativas infladas para o nível 1 — a IA lida com repetições e perguntas comuns, não com “fui cobrado 3 vezes por um pedido e seu chatbot continua dizendo para entrar em contato com o suporte”. Mantenha uma saída clara para atendimento humano

Como é um bom resultado no sexto mês

• 60–80% dos tickets recebidos resolvidos sem intervenção humana (IA + base de conhecimento)
• Os 20–40% restantes são redigidos pela IA, revisados e enviados por pessoas em ~1 min/ticket
• A equipe humana se concentra nos casos excepcionais + na melhoria da base de conhecimento
• Custo líquido: 70–85% menor que antes da IA; o CSAT dos clientes costuma ser maior (respostas mais rápidas)

Considerações de localização

Se você atende clientes em vários idiomas, o Claude Sonnet 5 lida bem com cerca de 30 idiomas. Para coreano especificamente — em que os níveis de formalidade são importantes — consulte nosso estudo detalhado sobre automação de call center em coreano. Para japonês, chinês, alemão e francês, use o mesmo procedimento, com diretrizes específicas do idioma no prompt do sistema armazenado em cache.

Comece em 30 minutos

1. Cadastre-se — cobrança por uso a partir de uma recarga de $10 em /app/signup
2. Conecte sua base de conhecimento ao pgvector + text-embedding-3-large, gerando os embeddings diretamente com a OpenAI — a Kunavo atende à etapa de geração, não à etapa de embeddings
3. Integre o trecho de classificação + redação acima ao seu sistema de tickets (Intercom, Zendesk e Freshdesk têm pontos de entrada por webhook)
4. Comece no “modo de rascunho” — pessoas aprovam todas as respostas. Depois de 100 aprovações corretas, ative o envio automático para categorias de baixa prioridade

Perguntas frequentes