Nosso suporte operava de forma reativa.
Tickets chegavam por e-mail, dependiam de triagem manual e falhas no SLA eram recorrentes. A equipe perdia tempo em tarefas operacionais, e os clientes sentiam o impacto.
Soa familiar?
Foi a partir desse diagnóstico que decidimos repensar o suporte do zero, incorporando Agentes de IA como peça central da operação.
No início, foi frustrante. Pedíamos uma coisa e os agentes entregavam outra. A virada aconteceu quando entendemos algo essencial:
O problema não era a ferramenta.
Era a forma como estávamos nos comunicando com ela.
Este artigo é sobre essa jornada — as escolhas arquiteturais, os erros, os aprendizados e como a engenharia de prompts transformou nosso suporte convencional em um Suporte Agêntico.
A Arquitetura do Suporte Agêntico: Memória, Decisão e Orquestração
Antes de automatizar qualquer coisa, organizamos a casa.
A pergunta que guiou nossa arquitetura foi simples:
- Onde vive a memória dos agentes?
- Quem toma as decisões?
- Quem executa?
- Como escalar sem explodir custo?
A resposta foi dividir claramente as responsabilidades.
🧠 Memória Persistente: Microsoft Dataverse como Base Cognitiva
Escolhemos o Microsoft Dataverse como camada central de memória operacional.
Não queríamos apenas armazenar tickets.
Queríamos armazenar contexto, histórico decisório e aprendizado operacional.
No Dataverse registramos:
- Histórico estruturado de tickets
- Estado do fluxo de suporte
- Decisões tomadas pelos agentes
- Feedback do cliente
- Métricas de SLA
- Padrões recorrentes identificados
Isso nos tirou de um modelo “stateless” de IA e nos levou para um modelo com memória estruturada e governável.
Com segurança por papel, auditoria nativa e integração fluida com a Power Platform, o Dataverse se tornou nossa base cognitiva.
Não estamos apenas automatizando tarefas.
Estamos construindo histórico de decisão.
🤖 Copilot com Agentes Decisores de Processo
Decidimos não usar IA apenas para responder perguntas.
Criamos Agentes Decisores especializados, implementados via Copilot, cada um com responsabilidade clara:
- Agente Classificador → categoriza e prioriza tickets
- Agente de SLA → avalia risco de violação
- Agente de Escalonamento → decide quando subir nível
- Agente de Diagnóstico → sugere causa provável
- Agente de Melhoria Contínua → identifica padrões recorrentes
Esses agentes não executam processos.
Eles decidem.
A execução é feita pelos fluxos.
Separar decisão de execução foi o divisor de águas da nossa arquitetura.
Isso trouxe:
- Rastreabilidade
- Explicabilidade
- Governança
- Evolução incremental dos prompts
- Controle de custo
⚙️ Orquestração Escalável com Power Automate
A camada de execução ficou com o Power Automate, estruturado em flows independentes, desacoplados e orientados a eventos.
Nossa abordagem arquitetural:
- Flows modulares por responsabilidade
- Disparo por evento (event-driven)
- Separação entre decisão e execução
- Tratamento centralizado de erros
- Logs estruturados para auditoria
O resultado foi surpreendente:
Conseguimos uma arquitetura escalável com custo extremamente baixo por execução.
Como os agentes apenas decidem e os flows executam ações específicas, evitamos:
- Chamadas redundantes de IA
- Loops desnecessários
- Processamento excessivo
Escalamos volume sem escalar complexidade.
Essa separação clara transformou o suporte em um sistema previsível, auditável e evolutivo.
O Ponto Crítico: A Evolução dos Nossos Prompts
Aqui foi onde o jogo realmente virou.
No início, nossos pedidos eram vagos.
O Prompt Fraco (Nosso Primeiro Erro)
“Preciso que me ajude a criar um processo de suporte melhor para minha empresa, vamos usar o Power Automate, me dê exemplos de fluxos.”
A resposta foi uma lista genérica.
Não gerava execução. Não gerava projeto.
O Prompt Otimizado (A Virada de Chave)
Passamos a estruturar nossas requisições como instruções claras.
Um bom prompt passou a ter:
- Papel
“Atue como um Product Manager experiente.” - Contexto
Cenário do negócio, problema e objetivo. - Formato de saída obrigatório
Exigimos JSON estruturado. - Restrições
O que não deveria ser feito.
Exemplo de estrutura exigida:
{
“user_story_title”: “Título da User Story”,
“persona”: “Para [quem]”,
“need”: “Eu preciso [necessidade]”,
“goal”: “Para que [objetivo]”,
“acceptance_criteria”: [
“Critério 1”,
“Critério 2”
]
}
A partir daí, os agentes deixaram de gerar ideias genéricas e passaram a gerar insumos acionáveis de projeto.
Resultados Reais: O Impacto na Rotina da Equipe
A maior transformação não foi técnica. Foi humana.
Antes:
- Categorizar tickets manualmente
- Copiar e colar informações
- Atualizar planilhas
- Apagar incêndios
Agora:
- Analisar problemas complexos
- Atuar preventivamente
- Tomar decisões estratégicas
- Evoluir processos
O trabalho deixou de ser operacional para se tornar analítico.
Isso aumentou:
- A qualidade do atendimento
- A previsibilidade de SLA
- A satisfação da equipe
Nossa Dica de Ouro
Se pudéssemos dar um único conselho:
Invista tempo em aprender a se comunicar com os Agentes de IA.
A qualidade da sua operação será um reflexo direto da qualidade dos seus prompts.
Se fôssemos começar hoje:
- Começaríamos pequeno
- Automatizaríamos uma tarefa repetitiva primeiro
- Envolveríamos a equipe desde o dia zero
- Testaríamos incansavelmente
Implementar Agentes de IA é um processo de aprendizado.
Mas uma coisa é clara:
Agentes de IA não são chatbots melhorados.
São camadas de decisão dentro da arquitetura corporativa.
E você — já está tratando IA como interface, ou como arquitetura?
