Desbloqueando o potencial da IA para se libertar do suporte de TI no modelo “break-fix”
4 de setembro | 07 minutos de leitura
No cenário digital atual, em que o trabalho depende da tecnologia, o service desk de TI desempenha um papel fundamental para garantir o bom funcionamento das operações de TI e negócios. No entanto, ficou evidente que se basear apenas nos modelos tradicionais de suporte de TI não é mais suficiente no nosso ambiente dinâmico atual.
O modelo de “break-fix” (quebrar-arrumar), embora funcional para problemas isolados, simplesmente não consegue acompanhar o ritmo das demandas em constante evolução de um local de trabalho digital em tempo real. Felizmente, a integração da inteligência artificial e tecnologias de machine learning às práticas do service desk permite que as organizações passem de uma abordagem reativa de combate a incêndios para uma postura mais proativa.
Para ilustrar melhor isso, aqui está uma tabela que aponta as disparidades entre o modelo tradicional de “break-fix” e um modelo proativo de suporte de TI.
| Suporte de TI reativo com um modelo de correção de falhas | Suporte proativo de TI com um service desk habilitado para IA | |
|---|---|---|
| Ticket criação | Criação manual e reativa de tickets, em que os problemas são analisados somente após o usuário final relatá-los. | Criação automática de tickets com base na detecção precoce de anomalias. |
| Categorização, priorização e atribuição de tickets | Automações baseadas em regras que geralmente são rígidas e dependem de parâmetros predefinidos. | Automações inteligentes baseadas em dados históricos para economizar tempo e esforço durante as etapas iniciais do processo de emissão de tickets. |
| Análise e diagnóstico | Verificações e tarefas manuais para identificar a causa-raiz dos problemas que consomem muito tempo e são propensos a erros. | Análise rápida de tendências para identificar padrões e possíveis anomalias para identificar a causa-raiz dos problemas com mais rapidez e precisão, possibilitando um diagnóstico e resolução mais rápidos. |
| Gestão do conhecimento | Acesso mínimo às informações e uma base de conhecimentos desorganizada. | Uma base de conhecimentos dinâmica e atualizada que extrai soluções de tickets e conversas automaticamente. |
Aqui está um caso de uso simples que mostra como a IA pode te ajudar a enfrentar problemas nos endpoints de seus funcionários proativamente:
Digamos que uma parte significativa da sua força de trabalho dependa de uma aplicação de software específica para suas tarefas diárias. Com o tempo, vamos supor que você não tenha priorizado a atualização desse software para a versão mais recente. Isso significa que seus usuários finais agora estão vulneráveis a problemas de compatibilidade, riscos de segurança e outros problemas de desempenho. No entanto, graças às tecnologias de IA e ML, você pode resolver o problema proativamente antes mesmo que ele afete seus usuários finais.
Aqui está como;
1. Detecção precoce de anomalias com base nas pontuações de Experiência Digital do Funcionário (DEX)
As soluções de monitoramento de desempenho de aplicações da organização vão monitorar o desempenho dessa aplicação de software continuamente, rastreando métricas como tempos de carregamento, número de falhas, taxas de erro e capacidade de resposta na aplicação — para analisar o desempenho da aplicação da perspectiva do usuário final. Essas métricas permitem quantificar a experiência dos seus funcionários e o seu sentimento geral em relação a esse software específico.
Agora, está bem claro que um desempenho ruim da aplicação = usuários finais insatisfeitos.
Além disso, a frustração não para por aí. Há o ônus adicional de reportar esse problema ou esperar que o service desk resolva o problema.
Felizmente, com a IA, é possível corrigir esses problemas antes mesmo que os usuários finais tomem conhecimento deles.
Com os insights obtidos das métricas mencionadas acima, você descobre que a pontuação de DEX está abaixo dos valores de referência. Com base nesses dados, algoritmos de ML podem ser treinados para acionar alertas automaticamente, criando tickets no software do service desk da organização. Os alertas podem ser enviados em tempo real, e os tickets podem ser preenchidos com dados relevantes, como o tipo de endpoint, aplicação afetada e natureza da anomalia, para oferecer uma ideia melhor do que o problema implica à equipe de suporte.
Essa abordagem proativa para detectar problemas potenciais logo no início contribui para um service desk que pode priorizar e resolver incidentes rapidamente, minimizar o tempo de inatividade e, em última análise, melhorar a experiência do usuário final.
2. Categorização, priorização e atribuição inteligente de tickets
Depois que o ticket é registrado no software do service desk, o foco passa a ser agilizar e automatizar o processo de emissão de tickets. As tecnologias de ML podem facilitar isso analisando vários aspectos do ticket e correlacionando essas informações com dados históricos de tickets anteriores.
Ao analisar palavras-chave específicas, como “lento” ou “sem resposta”, a aplicação que está causando o problema e mensagens de erro incluídas, o ML primeiramente categorizaria o ticket com o rótulo ”problema de desempenho da aplicação - CRM v1.2.05” . Além disso, ela avaliaria os níveis de impacto (incidente isolado ou problema generalizado) e a urgência da resolução (com base na criticidade da aplicação) para atribuir o nível de prioridade do ticket como “alto”, sinalizando-o assim para atenção imediata. Usando seu conhecimento de resoluções anteriores e experiência da equipe em questões similares, o ML pode encaminhar o ticket para a equipe ou indivíduo mais qualificado. Ao categorizar, priorizar e atribuir o ticket de maneira inteligente, o ML elimina a necessidade de intervenção manual, economizando muito tempo e esforço nas fases iniciais do processo de emissão de tickets.
3. Análise e diagnóstico do problema em questão
Em seguida, ao identificar padrões e similaridades entre vários tickets com base em atributos de campo semelhantes, os algoritmos de ML podem agrupar tickets similares, nesse caso, todos os tickets que mencionam desempenho lento com a mesma aplicação. Utilizando agrupamento (clustering) de IA, sua fila de tickets agora será organizada, permitindo a resolução mais rápida de incidentes similares, em vez de você ter que classificar muitos tickets individualmente.
Além disso, ao analisar as descrições dos tickets, a IA generativa pode gerar resumos concisos, destacando os principais detalhes sobre o incidente. Isso significa que sua equipe de suporte de TI não precisa gastar muito tempo para decifrar o problema.
Agora, para se aprofundar no que está causando o problema em primeiro lugar, a IA pode ser utilizada para iniciar uma análise de causa-raiz, com a RCA se concentrando em um problema de software mais amplo. Essa abordagem proativa elimina a necessidade de a área de TI aguardar o surgimento de outros tickets e evita incidentes futuros. Com base em dados e relatórios de emissão de tickets anteriores, os algoritmos de ML podem identificar uma correlação entre problemas de desempenho e versões específicas do software, solicitando que a equipe de suporte atualize o software para a versão mais recente nos endpoints afetados.
4. Gerenciamento de conhecimentos otimizado para resolução rápida de incidentes
Agora que a equipe de suporte identificou que o problema subjacente é um software desatualizado, ela pode se concentrar no desenvolvimento de um plano para implementar a versão mais recente rapidamente e resolver os problemas de desempenho. Ao analisar artigos de conhecimento interno com base em implementações de upgrades anteriores ou pesquisar em repositórios externos, a GenAI pode sugerir métodos relevantes de solução de problemas, guias de upgrade passo a passo ou até mesmo destacar um patch específico conhecido por resolver problemas de desempenho similares. Isso ajuda a agilizar ainda mais o processo de resolução de tickets, pois a equipe de suporte não precisa vasculhar um conjunto interminável de artigos de conhecimento para chegar àquele que é relevante para o problema que está sendo corrigido.
Ao implementar essas estratégias, a equipe de suporte pode não apenas resolver o problema da lentidão da aplicação proativamente, mas também tomar medidas preventivas para enfrentar possíveis ocorrências no futuro.
Resultado
Estamos apenas arranhando a superfície do potencial transformador da IA no gerenciamento de serviços de TI. Conforme as capacidades de IA continuarem se desenvolvendo, sua função no ITSM vai se tornar mais crucial, moldando o futuro de como gerenciamos nossas experiências digitais. A integração da IA ao service desk representa possibilidades interessantes para o futuro do gerenciamento de serviços de TI. Desde processos de suporte automatizados até a identificação e resolução proativas de problemas, as tecnologias de IA oferecem inúmeras oportunidades para ajudá-lo a elevar seus processos de prestação de serviços para um nível totalmente novo.
