Resumo e Classificação de Solicitação (Triagem de Tickets)

Ganhos:

• Capacidade de transformar solicitações longas e dispersas de clientes em resumos estruturados e acionáveis
• Capacidade de classificar solicitações de acordo com categoria, urgência e opinião do cliente com um esquema fixo
• Capacidade de definir um formato de saída consistente (JSON/tabela) adequado para automação para processamento de tickets em massa

Imagine a manhã de uma equipe de suporte: 220 novos tickets (tickets) foram acumulados durante a noite. Alguns são uma frase “Esqueci minha senha”, alguns são uma reclamação irritada de três parágrafos e alguns são na verdade uma oportunidade de vendas. Ler essa pilha, atribuir cada um à categoria correta, determinar sua urgência e encaminhá-lo para a pessoa certa (isso se chama triagem; a mesma lógica de ordenar os pacientes por prioridade no pronto-socorro) consome as duas primeiras horas do dia.

A inteligência artificial (IA) pode fazer esse trabalho em segundos e de forma consistente. Mas a magia não está em dizer “resuma este pedido”; Impõe uma lista fixa de categorias, níveis de urgência claros e um formato de saída imutável no modelo. Nesta unidade, estabeleceremos um sistema de triagem que vai desde o processamento de uma única solicitação até a rotulagem de centenas de solicitações de forma automatizada.

Nota: Os rótulos de categoria e urgência gerados pela IA são uma ferramenta de triagem preliminar. Em particular, os pedidos rotulados como “urgentes” e “reclamações” devem ser confirmados por um ser humano antes de serem processados.

Por que Resumo Estruturado?

Um resumo gratuito (“o cliente está tendo problemas com a remessa”) não pode ser pesquisado, classificado ou automatizado. Porém, fica clara a necessidade do gestor de suporte para as seguintes questões:

• Em qual categoria esta solicitação se enquadra? (Envio, Devolução, Pagamento, Técnico, Informações do Produto, Reclamação, Oportunidade de Venda)
• Quão urgente é isso? (Crítico/Alto/Médio/Baixo)
• Qual é o estado emocional do cliente? (Irritado / Decepcionado / Neutro / Satisfeito)
• Qual é a sua essência de uma frase?
• Qual deve ser o próximo passo?

Depois de definir essas questões antecipadamente e fornecê-las ao modelo como um esquema (campos constantes e valores possíveis), todas as 220 solicitações se tornarão comparáveis ​​e filtráveis ​​no mesmo formato.

Passo a passo: estabelecendo um esquema de triagem

1. Fixe a lista de categorias. Não deixe o modelo caber; Dê uma lista fechada.
2. Defina o critério de urgência. Concreto o que significa “crítico”: serviço completamente interrompido, perda de pagamento, risco de segurança.
3. Identifique rótulos emocionais. Use um conjunto limitado e claro.
4. Importe o formato de saída. Para processamento em lote, JSON (formato de dados de leitura de máquina que consiste em pares de valores de campo) é adequado; para solicitação única, tabela é adequada.
5. Faça uma regra de "marcar se não tiver certeza". Se o modelo não tiver certeza da categoria, diga incerto e o humano olhará.
6. Verificar. No primeiro lote, verifique manualmente a precisão das etiquetas e defina o prompt.

Prompts copiáveis

Prompt básico que converte uma única solicitação em um resumo estruturado:

Função: Você é um especialista experiente em triagem de suporte. Analise a solicitação do cliente abaixo. Adicione um comentário; apenas confie no que está no texto.Preencha os seguintes campos:- resumo: (máximo 1 frase)- categoria: [Envio | Retorno | Pagamento | Técnico | Informações do produto | Reclamação | Oportunidade de vendas]- urgência: [Crítica | Alto | Médio | Baixo]- emoção: [Irritado | Decepção | Neutro | Satisfeito]- próximo_passo: (frase única, ação concreta)- inseguro: ("sim" se a categoria/urgência não estiver clara, caso contrário "não") Solicitação:"""{{ request_text }}"""

Para processamento em lote, o prompt converte várias solicitações em uma matriz JSON de uma só vez:

Processe as solicitações numeradas abaixo. Gere um objeto JSON para cada um com o esquema a seguir e retorne todos como uma matriz JSON. Saindo do esquema: { "id": "", "summary": "", "category": "", "urgency": "", "emotion": "", "next_step": "", "Não tenho certeza": "" } Apenas categorias: Envio, Devolução, Pagamento, Técnico, Informações do Produto, Reclamação, Oportunidade de Venda. Solicitações: {{ numbered_request_list }}

O prompt que esclarece o critério de urgência e ensina ao modelo a definição de “Crítico”:

Determine a urgência de acordo com a seguinte regra: - Crítica: serviço completamente indisponível, perda de pagamento, risco de segurança/dados, ameaça legal. - Alta: função importante está quebrada, mas existe solução alternativa; cliente irritado.- Médio: problema singular, sem interromper o fluxo de trabalho.- Baixo: solicitação de informações, sugestão, dúvida geral. Escreva o motivo da sua decisão em uma frase no campo “motivo_urgência”.

Prompt que captura a oportunidade de vendas e estabelece uma ponte de suporte/vendas:

Ao processar a solicitação, caso o cliente demonstre interesse em adquirir um novo produto/pacote/suplemento (ex. “você tem um pacote maior”, “quantos usuários são necessários”), crie a categoria “Oportunidade de Venda” e adicione uma dica de uma frase para a equipe de vendas no campo “nota_venda”.

Alerta Fraco/Prompt Forte

Alerta fraco

Alerta poderoso

"Resuma e classifique esta solicitação"

Lista de categorias fechadas + definição de urgência + esquema JSON fixo

Gera rótulos diferentes a cada vez

Sempre dá o mesmo rótulo para a mesma solicitação

Ele usa a palavra “urgente” de acordo com seus próprios desejos.

Aplica critérios concretos para "crítico"

Ele inventa o vago

emin_degilim: diga sim e deixe com a pessoa

A consistência é a regra de ouro aqui: se a mesma reclamação não se enquadrar na mesma categoria em dois dias diferentes, nenhum relatório e automação serão confiáveis.

Três Mini Estojos

Caso 1 — Crítica confidencial. Em uma empresa de SaaS (software alugado pela internet), a mensagem “Não consigo fazer login, a equipe toda está esperando 40 pessoas” parecia comum porque era curta. O prompt de triagem marcou-o como "Crítico" graças à regra de urgência (critérios "serviço completamente indisponível"). A solicitação foi atendida em 6 minutos em vez de esperar 2 horas na fila; uma violação do SLA (acordo de nível de serviço, ou seja, tempo de resposta prometido) foi evitada.

Caso 2 – Priorização da raiva. Um dia, quando foram examinadas as tags de IA de 180 solicitações, constatou-se que 14 solicitações com a emoção “Irritado” foram colocadas em uma fila separada. Essas solicitações foram direcionadas a representantes experientes, e a pontuação negativa da pesquisa (CSAT, ou seja, pontuação de satisfação do cliente) naquela semana melhorou significativamente em comparação com a semana anterior.

Caso 3 — Ponte do suporte às vendas. “Meu pacote atual é para 5 usuários, preciso aumentar para 20 pessoas, é possível?” AI marcou a mensagem como “Oportunidade de vendas” e adicionou uma nota de vendas. A solicitação recaiu automaticamente sobre a equipe de vendas; Uma oportunidade de upsell que teria passado despercebida se tivesse sido perdida na fila de suporte padrão tornou-se um ganho.

Dica: mantenha sua lista de categorias o mais curta e discreta possível. 20 categorias vão confundir o modelo (e sua equipe); 6 a 8 categorias claras são rotuladas de forma mais consistente e são significativas nos relatórios. Combine duas categorias frequentemente confundidas.

Conectando-se à automação

O verdadeiro poder da saída JSON estruturada é que ela flui automaticamente para a próxima etapa: a solicitação rotulada como “Crítica” notifica imediatamente o gerente, “Oportunidade de vendas” cai no CRM (software de gerenciamento de relacionamento com o cliente), “Retorno” vai para o fluxo de autoatendimento. Mas a primeira regra da automação: ações de alto impacto (reembolso, encerramento de conta) nunca são acionadas apenas com base na tag de IA; Às vezes há aprovação humana.

Cuidado: a análise de sentimento é uma previsão, não uma medida exata. Um cliente que o modelo chama de “neutro” pode, na verdade, ficar silenciosamente muito irritado. Use a tag emoção para priorizar; mas não confie apenas nisso para tirar conclusões definitivas como “este cliente já está satisfeito”.

Erros comuns

• Deixando a lista de categorias para o modelo; recebendo rótulos diferentes e incompatíveis todas as vezes.
• Deixar uma palavra relativa como “urgente” indefinida; O pedido de todos é urgente.
• Não corrigir o formato de saída; Às vezes, um parágrafo, às vezes uma lista aparece em vez de JSON.
• Não fornecer uma porta de saída para a incerteza (não tenho certeza).
• Vincular transações de alto impacto (reembolso, encerramento de conta) à tag AI sem aprovação humana.
• Automatizando todo o fluxo sem verificar manualmente o primeiro lote.

Em resumo

• A triagem classifica rapidamente a pilha de solicitações recebidas por categoria, urgência e emoção.
• A chave para a consistência: lista fechada de categorias, definição concreta de urgência e formato de saída fixo (JSON).
• Os rótulos de urgência e emoção aceleram a priorização; Apresenta demandas críticas e raivosas.
• A saída estruturada pode ser diretamente vinculada à automação (notificação, roteamento, CRM).
• Ações de alto impacto e rótulos ambíguos devem sempre passar por verificação humana.

Tarefa de aplicativo

Processe em lote as 5 solicitações de clientes diferentes que você tem (ou amostras) com o prompt da matriz JSON acima. Em seguida, verifique manualmente a saída: (1) Cada categoria está correta? (2) Aqueles marcados como “críticos” realmente interrompem o serviço? (3) Eu disse “sim” nos lugares certos? Corrija todas as tags que não cabem e atualize o prompt (especialmente definições de categoria e regra de urgência) de acordo. Este exercício cria o hábito de calibrar o esquema de acordo com a sua própria realidade.

lista de verificação

• [] Defini uma lista fechada e discreta de categorias.
• [ ] Descrevi os níveis de urgência com medidas concretas.
• [] Corrigi o formato de saída (JSON/tabela).
• [] Adicionei uma porta de saída para incerteza (não tenho certeza).
• [] Verifiquei manualmente o primeiro lote e calibrei o prompt.
• [ ] Coloquei uma camada de aprovação humana em ações de alto impacto.