Triagem automática da caixa de atendimento dos apps
As caixas de atendimento dos apps Itaú e Itaú Personnalité recebem um volume alto de mensagem de cliente. Construí o fluxo que lê, classifica e encaminha cada uma, e transforma o texto solto em base consultável.
- Cliente
- Itaú
- Setor
- Banco de grande porte
- Período
- 2026
- Papel
- Produto e dados
Power Automate
Copilot
Outlook
Excel
Trabalho corporativo sob confidencialidade. Descrevo escopo e método, sem número de resultado e sem dado de cliente. As capturas mostram apenas a estrutura do fluxo.
O contexto
As caixas de atendimento dos aplicativos recebem mensagem de cliente o dia inteiro: relato de bug, dúvida, sugestão, reclamação crítica. Tudo chega no mesmo lugar, em texto livre, escrito do jeito que a pessoa fala.
Ler e classificar isso à mão é um trabalho que não termina. E consome justamente o time que deveria estar resolvendo o problema, não catalogando.
O que estava em jogo
Dois custos que se somam:
Custo operacional. Triagem manual não escala. Quanto mais o app cresce, mais gente é preciso só para ler.
Custo de informação. O que o cliente escreve é o melhor sinal de produto que existe. Sem estrutura, milhares de mensagens viram arquivo morto em vez de virar um mapa de onde o produto dói.
Como funciona
O fluxo dispara a cada mensagem recebida, interpreta o conteúdo e decide o caminho. Não é filtro por palavra-chave: o cliente não escreve do jeito que o sistema espera, e regra rígida quebra na primeira variação.
Leitura. A mensagem é convertida de HTML para texto limpo antes de qualquer decisão. Parece detalhe, mas é o que evita que assinatura e rodapé de e-mail contaminem a classificação.
Classificação. Um modelo de linguagem interpreta o conteúdo e atribui o tipo: falha técnica, atrito de experiência, sugestão, urgência.
Bifurcação. Caso claro segue direto para registro estruturado. Caso ambíguo vai para encaminhamento humano. Essa separação é a decisão mais importante do desenho inteiro.
Registro. Cada mensagem tratada vira uma linha em tabela, com os campos já extraídos. É isso que transforma texto solto em base consultável.
Resultado
Indicadores do processo de triagem, comparando o mês anterior à automação com o mês seguinte:
| Indicador | Antes | Depois |
|---|---|---|
| Tempo diário de triagem manual | ~3h | ~20min |
| Mensagens classificadas por dia | ~15 | volume total |
| Tempo até a mensagem chegar ao time certo | até 1 dia | minutos |
| Base consultável de voz do cliente | não existia | contínua |
O que eu aprendi
O ganho maior não foi o tempo economizado na triagem. Foi o subproduto: ao estruturar mensagem em dado, a operação passou a ter um mapa contínuo da voz do cliente, que antes existia só como percepção de quem lia mais.
O segundo aprendizado é sobre erro. Em automação com modelo de linguagem, o difícil não é classificar, é decidir o que fazer com o caso duvidoso. Um fluxo que erra em silêncio é pior que triagem manual, porque ninguém percebe. A regra que ficou é simples: na dúvida, sobe para humano, e a dúvida fica registrada.