Resumo executivo: a pauta da semana no facility management é o avanço dos agentes de inteligência artificial nas centrais de atendimento — o chamado AI Service Management. A tecnologia é real, mas depende de uma base que a maioria das operações ainda não tem: histórico estruturado de chamados e ativos dentro de um CMMS.
O que mudou na pauta
O tema saiu do laboratório. Publicações do setor discutiram nesta semana a transição “da abertura de chamados ao AI Service Management”, com agentes inteligentes assumindo triagem, classificação e roteamento nas centrais de facilities. É a mesma onda que reorganizou o service desk de TI nos últimos anos, chegando ao mundo predial.
Por que agora. Três fatores se somaram: custo de inferência de modelos em queda, maturidade das APIs dos sistemas de gestão e pressão por produtividade em um setor com escassez de mão de obra técnica.
O risco de leitura. “IA na central” é frequentemente vendida como substituição de atendentes. Na prática, o ganho consistente está em outro lugar: reduzir o tempo entre o chamado e a ação técnica correta.
O que é AI Service Management, sem marketing
Definição. AI Service Management é a aplicação de modelos de linguagem e automação sobre o ciclo de vida do chamado — abertura, triagem, priorização, execução e encerramento —, dentro das mesmas regras de processo que já existiam.
O que ele não é. Não é chatbot solto no WhatsApp respondendo o que acha. Sem integração com a base de ativos e o histórico, o modelo produz respostas plausíveis e erradas — o pior resultado possível em manutenção.
Camadas de aplicação, da mais simples à mais avançada
| Camada | O que faz | Pré-requisito | Maturidade |
|---|---|---|---|
| Abertura assistida | Interpreta a descrição livre do usuário e preenche categoria, local e ativo | Cadastro de locais e ativos | Alta — resultado rápido |
| Triagem e priorização | Sugere prioridade com base em criticidade do ativo e impacto | Criticidade cadastrada | Alta |
| Roteamento | Encaminha para a equipe ou fornecedor certo | Matriz de responsabilidade e contratos | Média |
| Sugestão de causa e solução | Recupera OS semelhantes e propõe procedimento | Histórico com no mínimo 12 meses de dados | Média |
| Agente autônomo | Abre OS, agenda e aciona fornecedor sem intervenção humana | Governança e trilha de auditoria | Baixa — exige controle rígido |
O gargalo real: dado
Modelo não inventa histórico. Um agente que sugere causa provável precisa de ordens de serviço passadas com ativo identificado, sintoma descrito, causa registrada e solução aplicada. Operações que fecham OS com “resolvido” no campo de observação não têm o que alimentar.
Ativo sem identidade quebra tudo. Se o chamado diz “ar-condicionado da sala 12” e o sistema não sabe qual equipamento é, nenhuma camada acima da abertura assistida funciona.
Taxonomia importa mais que o modelo. Categorias de chamado bem definidas e estáveis produzem mais ganho do que trocar de modelo de IA. Essa é a mesma lógica de gestão de incidentes e requisições do ITIL 4, aplicada ao ambiente construído.
Roteiro de adoção em quatro etapas
1. Higienizar a base de chamados
Objetivo: ter dados de entrada confiáveis.
Ação: revisar a taxonomia de categorias, eliminar duplicidades e tornar obrigatório o vínculo chamado ↔ ativo.
Resultado esperado: mais de 90% dos chamados dos últimos 90 dias com ativo e categoria válidos.
Como validar: extração do CMMS com contagem de registros sem vínculo.
2. Começar pela abertura assistida
Objetivo: ganho rápido e de baixo risco.
Ação: aplicar o modelo apenas para pré-preencher campos, mantendo confirmação humana antes de gravar.
Resultado esperado: redução do tempo de abertura e queda de chamados mal classificados.
Como validar: comparar taxa de reclassificação antes e depois, por 30 dias.
3. Medir antes de expandir
Objetivo: evitar automatizar um processo ruim.
Ação: acompanhar acurácia da sugestão, taxa de aceitação pelo atendente e impacto no tempo de resposta.
Resultado esperado: decisão baseada em número, não em percepção.
Como validar: amostra semanal auditada manualmente.
4. Só então avançar para sugestão de solução
Objetivo: reduzir tempo de diagnóstico em campo.
Ação: disponibilizar ao técnico as três OS mais similares do histórico, com peças usadas e tempo gasto.
Resultado esperado: queda de MTTR nos ativos com histórico rico.
Como validar: comparar MTTR entre famílias de ativo com e sem recomendação ativa.
Como medir se a IA está entregando
O erro clássico. Medir “número de interações com o assistente”. Isso mede uso, não valor. Um agente pode ser muito usado e não mudar nada no tempo de solução.
| Indicador | O que revela | Referência inicial |
|---|---|---|
| Taxa de aceitação da sugestão | Se o atendente confia no que o modelo propõe | Acima de 70% indica sugestão útil |
| Taxa de reclassificação | Quantos chamados precisaram ter categoria ou ativo corrigidos depois | Queda em relação à linha de base |
| Tempo até a primeira ação técnica | Impacto real na operação, não na central | Redução mensurável em 60 dias |
| Retrabalho de chamado | Reaberturas por diagnóstico errado | Não pode aumentar após a automação |
| Custo por chamado processado | Sustentabilidade financeira do modelo | Comparar com o custo do atendimento manual |
Regra prática. Se o retrabalho de chamado subir, desligue a automação daquela categoria e volte à triagem humana. Velocidade que gera reabertura é prejuízo disfarçado de produtividade.
O papel que continua sendo humano
Julgamento de risco. Decidir interditar um elevador, suspender uma operação ou acionar brigada é decisão com consequência jurídica e de segurança. Não delegue a um modelo.
Relação com o cliente e com o usuário. Em facilities, boa parte do valor percebido está na comunicação durante o problema. Resposta automática impessoal em situação crítica piora a percepção, mesmo quando o prazo é cumprido.
Diagnóstico em campo. O técnico enxerga o que nenhum histórico registra: vazamento próximo, ruído anormal, improviso feito por terceiro. A IA sugere hipóteses; a inspeção confirma.
Curadoria do conhecimento. Alguém precisa revisar o que o sistema aprendeu e corrigir procedimento errado que se repetiu no histórico. Sem curadoria, o modelo apenas amplifica o vício da operação.
Governança: o que não pode faltar
- Rastreabilidade. Toda sugestão aceita ou rejeitada deve ficar registrada, com identificação de quem decidiu. Sem isso não há auditoria possível.
- Limite de autonomia. Defina explicitamente o que o agente pode fazer sozinho. Acionar fornecedor com custo é decisão que exige aprovação humana.
- LGPD. Descrições de chamado contêm nome, ramal, sala e às vezes informação de saúde. Isso é dado pessoal. Defina base legal, minimização e retenção antes de enviar qualquer conteúdo a um serviço de IA de terceiros.
- Local de processamento. Verifique onde o provedor processa e armazena os dados e se há uso do conteúdo para treinamento. Trate o fornecedor de IA como qualquer outro terceiro crítico — a lógica dos controles de segurança em relações com fornecedores da ISO/IEC 27001:2022 se aplica integralmente.
- Plano de saída. Se o modelo ou o fornecedor mudar, a operação precisa continuar. Mantenha o processo funcionando sem IA como cenário de contingência.
Onde o CMMS entra
O CMMS é a fonte da verdade. Ativos, planos, histórico, contratos e SLA vivem nele. Qualquer camada de IA é apenas uma interface mais inteligente sobre esse repositório — se o repositório é pobre, a inteligência é aparente.
Nosso desenvolvimento. O CMMS que a Brazuca Informática está construindo na plataforma LineaSuite parte exatamente dessa premissa: estruturar primeiro o cadastro de ativos, a taxonomia de chamados e o histórico de OS, para que automações e recomendações sejam construídas sobre dado confiável, e não sobre texto livre.
Paralelo com TI. Quem já implantou GLPI conhece o efeito: no primeiro ano o valor está na disciplina de registro; a automação vem depois, e vem melhor. Em facilities o caminho é o mesmo.
Riscos e pontos de atenção
- Automatizar o erro. Processo mal desenhado com IA em cima produz erro mais rápido e em maior escala.
- Expectativa desalinhada. Prometer “central autônoma” em três meses queima o projeto. Comunique ganhos por etapa.
- Resistência da equipe. Se o técnico entender a ferramenta como vigilância, o preenchimento piora. Posicione como redução de retrabalho.
- Custo variável. Cobrança por consumo ou por chamado processado pode escalar de forma não linear. Modele o custo no pico, não na média.
- Confiança excessiva. Sugestão de causa raiz não é laudo técnico. Em ativos de segurança — elevadores, SPDA, sistemas de combate a incêndio — a responsabilidade técnica permanece com o profissional habilitado.
Próximos passos práticos
- Exporte os chamados dos últimos 12 meses e meça quantos têm ativo identificado. Esse percentual é o teto do que a IA consegue fazer hoje na sua operação.
- Revise a taxonomia de categorias: se houver mais de 60 categorias ativas, provavelmente há sobreposição.
- Escolha um único caso de uso — abertura assistida — e rode 30 dias com medição.
- Formalize a política de uso de IA e o tratamento de dados pessoais antes de conectar qualquer serviço externo.
Precisa estruturar a base antes de automatizar? A Brazuca Informática implanta sistemas de gestão de chamados e manutenção em MT, GO e em todo o Brasil. Converse com nosso time.
Premissas assumidas: a referência a agentes de IA em centrais de facilities baseia-se em publicações setoriais desta semana; percentuais e metas citados são referências de projeto e devem ser calibrados ao contexto de cada operação; o CMMS em LineaSuite está em desenvolvimento e as funcionalidades descritas refletem o escopo atual do produto.
Deixe um comentário