IA no atendimento de TI deixou de ser um diferencial competitivo isolado e virou o tema central de praticamente toda conversa sobre o futuro do Service Desk. Foi esse o fio condutor que a HALO levou ao Gartner CIO & IT Executive Brasil e ao HDI Experience 2026, resumido em duas palavras que guiaram a IA no atendimento de TI: Work for You, a IA trabalhando por você.
O que está por trás desse conceito: como funciona, de fato, uma IA que trabalha em vez de apenas responder, por que tantos projetos de inteligência artificial em Service Desk não saem do papel (ou saem e frustram), e como o modelo de precificação de uma plataforma de ITSM pode ser, silenciosamente, o maior obstáculo para a adoção real de IA em operações de TI.
A maior parte das plataformas de gestão de serviços vende uma ferramenta para o time operar. A proposta da HALO inverte esse protagonismo: a IA opera, e o time decide o rumo. É, literalmente, o critério que separa uma “IA que responde” de uma “IA que trabalha por você” e resume a proposta em uma linha que também serve de diagnóstico para o setor: o maior custo nas operações de TI não é a falha em si, é o tempo que um chamado passa esperando alguma solução.
Por que tantos projetos de IA no atendimento de TI não saem do papel
Vale abrir com uma pergunta pouco confortável: por que projetos de IA falham? Não é retórica. A maioria das empresas de TI corporativa já testou, de alguma forma, IA aplicada ao Service Desk, e uma fração relevante desses projetos não avança além do piloto ou é descontinuada em poucos meses. Os padrões de falha mais comuns, e que qualquer time de TI corporativa provavelmente já reconhece, costumam se repetir:
- IA “acoplada”, não nativa. Um chatbot ou assistente é adicionado por cima de um sistema legado, sem acesso real aos dados operacionais, respondendo perguntas genéricas mas incapaz de agir dentro do fluxo de chamados, mudanças ou problemas.
- Automação que exige desenvolvimento. A promessa de “automatizar tudo” esbarra na necessidade de um time técnico dedicado para configurar e manter cada fluxo, o que na prática trava a expansão do projeto depois dos primeiros casos de uso.
- Custo que cresce mais rápido que o valor entregue. À medida que a operação tenta usar mais IA, o modelo de cobrança (frequentemente por uso, por agente ou por resolução) faz o investimento escalar de forma imprevisível, o que detalhamos mais adiante neste artigo.
- Ausência de governança clara. Sem regras explícitas sobre o que a IA pode e não pode fazer sozinha, a liderança de TI trava a expansão do projeto por receio de perda de controle, mesmo quando a tecnologia já é tecnicamente capaz.
É em cima desses quatro pontos que se apoiam os quatro pilares que sustentam uma IA que realmente funciona no atendimento de TI. Cada um deles responde diretamente a um dos padrões de falha listados acima.
Pilar 1: Triagem automática de chamados
O primeiro pilar é a triagem automática de chamados: a capacidade da IA de reconhecer, resumir e classificar um chamado assim que ele é aberto, sem que um analista precise ler, categorizar e priorizar manualmente cada solicitação que chega.
Na prática, isso significa que o sistema identifica automaticamente do que se trata o chamado, associa artigos de base de conhecimento correlacionados, gera um resumo do problema e já sugere (ou aplica, dependendo do nível de autonomia configurado) a categorização correta. O ganho não é apenas de velocidade, é de consistência. Times de Service Desk humanos categorizam de forma inconsistente ao longo do dia, especialmente sob pressão de volume alto; a IA aplica o mesmo critério, no mesmo padrão, chamado após chamado.
Esse pilar conecta diretamente com o diagnóstico central do conceito Work for You: o maior custo em TI é o tempo de espera, não a complexidade da solução em si. Um chamado mal categorizado na abertura frequentemente significa retrabalho de triagem mais à frente, reatribuição entre filas e, no fim, mais tempo de fila até a resolução. Resolver a triagem na origem ataca o gargalo antes que ele se espalhe pelo resto do fluxo.
Vale destacar também um caso de uso mais avançado: o reconhecimento de chamados correlacionados. Quando um mesmo incidente gera dezenas de chamados semelhantes (por exemplo, uma falha de rede que afeta múltiplos usuários ao mesmo tempo), a IA agrupa automaticamente esses chamados em um único incidente, evita que o time trate cinquenta sintomas separados de um mesmo problema e resolve tudo a partir de uma única causa raiz identificada.
Na prática operacional, isso muda o comportamento do time de N1 de forma bem concreta: em vez de abrir, investigar e fechar cinquenta chamados individualmente (com cinquenta interações diferentes com usuários, cinquenta atualizações de status e um volume de trabalho que cresce junto com o número de pessoas afetadas), a equipe recebe um único incidente consolidado, já com a lista de chamados vinculados, e comunica a todos de forma centralizada assim que a causa raiz é corrigida. O tempo total de resolução não muda apenas na média: ele deixa de escalar junto com o tamanho do impacto, que é exatamente o tipo de comportamento que separa uma operação reativa de uma operação madura.
Pilar 2: Agentes de IA sem fila de espera
O segundo pilar aborda diretamente a distinção que dá nome ao conceito da HALO: a diferença entre uma IA que responde e uma IA que age. A maioria das plataformas de mercado oferece algum tipo de assistente conversacional: o usuário pergunta, a IA responde, e o chamado volta para a fila de atendimento humano: a IA participou da conversa, mas não resolveu nada.
Agentes de IA sem fila de espera significa o oposto: o agente não espera ser acionado para agir. Ele monitora, identifica e executa. Um exemplo direto é o agente de primeiro nível (N1) operando de forma autônoma sobre chamados recorrentes e de baixa complexidade (resets, liberações de acesso, configurações padrão), sem que um analista humano precise tocar no chamado do início ao fim.
Isso não elimina o time de suporte; realoca sua capacidade. Quando a IA absorve o volume repetitivo e previsível, o time humano concentra energia nos chamados que realmente exigem julgamento técnico, negociação com o usuário ou decisão de negócio: exatamente o tipo de trabalho que gera valor e retém talento, em vez de esgotar a equipe com tarefas mecânicas.
Pilar 3: Automação sem escrever código
O terceiro pilar é, talvez, o mais decisivo para times de TI corporativa de porte médio: automação sem escrever código. Voltando ao padrão de falha citado anteriormente (automação que exige desenvolvimento), esse é o ponto em que a maioria dos projetos de IA em ITSM esbarra na prática. Não é raro uma empresa comprar uma plataforma com forte discurso de automação e descobrir, meses depois, que cada novo fluxo automatizado depende de um desenvolvedor, um parceiro de implementação ou uma fila de suporte do próprio fornecedor.
O caminho inverso é configurar fluxos de aprovação, roteamento e escalonamento via interface visual, por quem já entende o processo de negócio (o analista sênior ou o gestor de service desk), sem depender de uma equipe de desenvolvimento dedicada à plataforma. Isso muda o ritmo de evolução da operação: um ajuste de processo que levaria semanas em um ciclo de desenvolvimento tradicional passa a ser implementado em horas.
Essa característica também é o que sustenta a promessa de IA nativa em todas as camadas da plataforma, e não como um módulo à parte. Quando a automação e a IA fazem parte da mesma configuração no-code, ajustar um fluxo automatizado ou adicionar um ponto de decisão de IA a um processo existente é a mesma operação, não duas integrações separadas mantidas por times diferentes.
Pilar 4: Governança ponta a ponta
O quarto pilar responde diretamente ao último padrão de falha da lista: a ausência de governança clara sobre o que a IA pode fazer sozinha. Governança ponta a ponta significa que cada agente de IA opera estritamente dentro das permissões definidas pelo cliente: não existe autonomia irrestrita, existe autonomia configurada.
Isso se traduz, na prática, em uma matriz de permissões: quais tipos de chamado a IA pode resolver sozinha, quais exigem aprovação humana antes da execução, quais ficam completamente fora do escopo de automação por critério de risco ou criticidade. A liderança de TI define essas regras uma vez, e a plataforma as aplica de forma consistente em todos os agentes, em vez de depender da interpretação individual de cada analista sobre “o que dá para automatizar”.
Esse pilar é o que permite às empresas escalar autonomia de IA sem perder controle sobre a operação, e é, provavelmente, o argumento mais importante para o CIO ou gestor de TI que ainda hesita em expandir a IA no atendimento de TI além de casos de uso pontuais e de baixo risco. A pergunta não precisa ser “quanto de autonomia eu dou para a IA”, e sim “quais regras eu configuro para que a autonomia seja segura”, o que muda completamente a natureza da decisão.
Isso também resolve um problema comum em fases iniciais de adoção de IA: a resistência natural do próprio time técnico. Quando as regras de autonomia são explícitas e auditáveis (o que a IA fez, por que fez, dentro de qual permissão), a IA deixa de ser uma caixa-preta ameaçadora e passa a ser tratada como mais um membro do time, com escopo de atuação claro, assim como qualquer analista júnior recém-contratado passa por um período em que só executa tarefas dentro de um escopo definido, até ganhar mais autonomia.
O custo oculto da IA: por que o modelo de precificação também é uma barreira
Um ponto que raramente aparece nas demonstrações de produto é: quanto custa, de fato, usar IA em uma plataforma de gestão de serviços? Esse é justamente o tema por trás do conceito “Per Token, Per Agent, Per Resolution: The Hidden Cost of AI within Enterprise Service Management”: o custo oculto da IA dentro da gestão de serviços corporativos.
O ponto é direto: boa parte do mercado de ESM (Enterprise Service Management) cobra IA como um item à parte, frequentemente por consumo: por token processado, por agente ativo, por resolução automatizada concluída. Esse modelo parece razoável à primeira vista (você paga pelo que usa), mas na prática cria um efeito perverso: quanto mais a IA funciona bem e quanto mais a operação decide expandir seu uso, mais a fatura cresce, de forma pouco previsível. É exatamente esse tipo de imprevisibilidade que trava a expansão de projetos de IA depois do piloto: o caso de uso funciona tecnicamente, mas o custo de escalar não fecha na aprovação orçamentária.
É esse pano de fundo que sustenta o posicionamento da HALO sobre precificação:
- A HALOITSM oferece precificação não modular e all-inclusive. Funcionalidades de IA, descoberta de ativos e os demais recursos da plataforma entram em uma única linha de cobrança, não em módulos separados.
- Desenvolver novos recursos não aumenta o custo para a HALO. Por que aumentaria para o cliente? A lógica declarada pela empresa é que o cliente não deveria pagar mais por gerar mais valor a partir da própria plataforma que já contratou.
- Ganhos de escala são repassados, não retidos. Um exemplo: hospedar mais clientes via AWS reduz o custo por instância, e essa economia é repassada ao cliente, em vez de absorvida como margem adicional.
A síntese dessa filosofia foi resumida por Paul Hamilton, CEO e fundador da HALO, em uma frase que resume bem o contraponto ao modelo “per token, per agent, per resolution”: “A filosofia da HALO é oferecer um produto best-in-class, totalmente moderno, no-code, com atendimento excepcional, a um preço justo.”
Esse ponto conecta diretamente de volta aos quatro pilares descritos acima. De pouco adianta uma plataforma que utiliza IA no atendimento de TI, demonstrar triagem automática, agentes autônomos, automação no-code e governança robusta se, na hora de escalar esse uso da fase de piloto para toda a operação, o modelo de cobrança tornar o projeto financeiramente inviável. A discussão sobre custo oculto de IA não é um tema paralelo ao dos quatro pilares: é a pré-condição para que eles realmente cheguem à operação real de uma empresa.
Prova real: o que a FastShop já está fazendo com isso
Toda essa arquitetura de produto e de precificação só importa se sustenta uma operação real, em produção, com volume e complexidade de empresa grande. É aqui que entra o case público da FastShop, uma das maiores redes de varejo de eletrônicos do Brasil.
Antes da HALO, a operação de gestão de serviços da FastShop rodava sobre ServiceNow, e o diagnóstico apontou três dores centrais desse modelo anterior:
- Custos crescentes de licenciamento, manutenção e evolução da plataforma, típicos de modelos modulares onde cada nova funcionalidade ou expansão de uso gera custo adicional.
- Lock-in de plataforma, com alta complexidade e processos desatualizados, cada vez mais distantes das reais necessidades do negócio.
- Uso restrito à área de TI, com as demais áreas da empresa dependendo de ferramentas paralelas e descentralizadas para controle e atendimento, já que expandir o uso da plataforma para outras áreas exigiria novos módulos e investimento extra.
Com a migração para a HALO, o cenário muda de forma estrutural: uma plataforma única e não modular, com toda a cadeia de serviço disponível desde o primeiro dia de uso. Mais relevante ainda: o uso da plataforma deixou de ser exclusivo da área de TI e se expandiu para RH, PMO, Atendimento ao Cliente e, mais recentemente, para a área Fiscal, com a intenção declarada de seguir expandindo para o restante da empresa. A automação e a IA aplicada a atendimento e comunicação já operam, inclusive, com um agente virtual embarcado diretamente no Microsoft Teams, levando a IA da HALO para dentro da ferramenta que os times já usam no dia a dia, sem exigir que o usuário aprenda uma interface nova.
Um detalhe relevante do case: a implementação foi conduzida em conjunto pelos times da HALO Brasil e da FastShop, unindo TI e áreas de negócio no mesmo projeto, reforçando, na prática, exatamente o tipo de expansão de uso que o modelo de precificação all-inclusive da HALO foi desenhado para viabilizar sem gerar custo incremental por área adicional.
Work for You : IA no atendimento de TI
Work for You: IA no atendimento de TI, não nasceu como um conceito de campanha. Ele é a síntese de uma tese de produto que atravessa os quatro pilares descritos acima (triagem automática, agentes sem fila de espera, automação sem código e governança ponta a ponta) e o próprio modelo de negócio por trás da plataforma, que remove o incentivo perverso de cobrar mais quanto mais a IA gera valor.
A pergunta que resume tudo isso é direta: você trabalha com IA. Mas sua IA trabalha por você? A maioria das plataformas do mercado responde quando alguém pergunta, e devolve o chamado para a fila. A proposta da HALO, sustentada por um case real em produção, é que a IA não espere ser acionada: ela aja de maneira autônoma, dentro de regras claras, sem que isso signifique perda de controle ou explosão de custo à medida que a operação decide confiar mais nela.
Perguntas Frequentes
O que significa “a IA trabalhando por você” na prática? Significa que a inteligência artificial não se limita a responder perguntas ou sugerir soluções: ela executa ações diretamente dentro do fluxo de trabalho (categoriza, prioriza, resolve e notifica), sempre dentro dos limites de permissão definidos pela empresa, sem esperar que um analista humano acione cada etapa manualmente.
Automação sem código substitui a necessidade de um time técnico dedicado? Reduz drasticamente a dependência de desenvolvimento para manter e evoluir fluxos de automação, já que a configuração é feita via interface visual por quem entende o processo de negócio. Isso não elimina a necessidade de conhecimento técnico de ITSM, mas remove o gargalo de depender de uma fila de desenvolvimento ou de consultoria externa para cada ajuste.
Como funciona a governança de agentes de IA em uma plataforma de ITSM? Por meio de permissões configuráveis: a empresa define exatamente quais ações cada agente de IA no atendimento de TI pode executar de forma autônoma, quais exigem aprovação humana e quais ficam fora do escopo de automação. Essas regras são aplicadas de forma consistente em toda a operação, em vez de depender de decisão individual de cada analista.
Por que o modelo de precificação de uma plataforma de IA para ITSM importa tanto quanto a tecnologia em si? Porque um modelo de cobrança baseado em uso (por token, por agente, por resolução) pode tornar a expansão do projeto financeiramente inviável mesmo quando a tecnologia funciona bem tecnicamente. Um modelo all-inclusive remove esse atrito e permite que a empresa escale o uso da IA sem penalizar o próprio sucesso da adoção com custo crescente e imprevisível.
Vale a pena migrar de uma plataforma modular como ServiceNow para uma solução all-inclusive? Depende do estágio de maturidade e do plano de expansão de uso da empresa. Para operações que pretendem levar IA e automação além da TI (RH, atendimento ao cliente, áreas de negócio), um modelo all-inclusive tende a remover o atrito financeiro que normalmente barra essa expansão, como mostra o caso da FastShop.
Quer ver a IA no atendimento de TI trabalhando por você na prática? Já acesse sua versão TRIAL da Plataforma HALO e entenda como aplicar os quatro pilares (triagem automática, agentes sem fila de espera, automação sem código e governança ponta a ponta) na sua própria operação de TI.
