Como a Condor criou um protótipo de suporte de TI com IA generativa

O desafio inicial era reduzir o peso operacional sobre a equipe de TI. Em empresas industriais e de bens de consumo, helpdesk costuma receber chamados repetitivos sobre acessos, sistemas, infraestrutura, políticas, procedimentos e problemas técnicos já resolvidos em situações anteriores. Mesmo quando a resposta existe, o colaborador nem sempre sabe onde procurar.

A Condor queria testar uma forma de aproveitar conhecimento já acumulado em documentos e chamados anteriores. Em vez de tratar cada atendimento como se fosse novo, a proposta era usar IA para recuperar contexto, interpretar a dúvida e entregar respostas consistentes com o histórico da própria empresa.

A empresa possui duas fábricas, mais de 1.600 colaboradores, mais de 1.500 produtos, presença em mais de 100.000 pontos de venda no Brasil e exportação para mais de 30 países. Esse porte cria uma operação interna com grande volume de dúvidas, processos e necessidades de suporte.

No modelo tradicional, o colaborador abre um chamado, aguarda atendimento e o time de TI procura a solução em sistemas, histórico ou conhecimento tácito. Esse fluxo pode funcionar, mas tende a gerar filas e ocupar especialistas com perguntas repetitivas. A IA entra como mecanismo para reduzir essa fricção e acelerar a busca por respostas.

A Condor desenvolveu um protótipo de atendimento de TI com IA generativa usando a plataforma Charla, da MadeinWeb, construída sobre AWS. A solução foi integrada à base de conhecimento e ao histórico de chamados da empresa, permitindo que usuários encontrem respostas a partir de perguntas em linguagem natural.

O projeto foi estruturado como uma prova de valor para o service desk, mas também abriu caminho para outros usos de IA. A própria fonte cita uma frente de previsão de demanda no processo de S&OP, alimentada com dois anos de histórico de vendas e com resultados iniciais acima de 90% de acurácia em vários SKUs.

A arquitetura utilizou Amazon S3 para armazenar documentos e bases internas, Amazon OpenSearch para criar uma base vetorial e permitir busca mais eficiente, Amazon SageMaker em uma etapa inicial de modelos customizados e Amazon Bedrock para dar flexibilidade na escolha de modelos fundacionais.

O case menciona o uso de Claude-2 como modelo fundacional relevante para controle de alucinações e conceitos de responsabilidade. AWS Lambda e Amazon API Gateway foram usados para integrar a solução via APIs, facilitando a conexão com ferramentas internas e fluxos de atendimento.

O colaborador faz uma pergunta ao assistente. A solução consulta documentos técnicos, base de conhecimento e histórico de chamados, recupera trechos relevantes e usa o modelo generativo para estruturar uma resposta. A ideia não é apenas localizar um documento, mas transformar conhecimento interno disperso em uma orientação mais clara e aplicável.

Para o time de TI, isso significa menos tempo gasto com perguntas recorrentes e mais capacidade para resolver problemas complexos. Para o colaborador, significa menos espera e uma experiência mais parecida com conversar com um especialista que conhece os processos internos.

O processo começa com a organização de documentos, chamados e normas técnicas em um repositório seguro. Depois, os conteúdos são indexados e vetorizados para busca semântica. Quando o usuário pergunta, a solução recupera evidências relevantes e o modelo generativo formula a resposta com base no contexto encontrado.

Esse é um padrão de RAG aplicado a atendimento interno: busca primeiro, geração depois. Para empresas brasileiras, esse modelo é especialmente útil porque permite usar conhecimento próprio da organização sem depender apenas do conhecimento geral do modelo.

• Protótipo concluído para atendimento interno de TI e helpdesk.
• Integração com base de conhecimento, histórico de chamados e documentos técnicos.
• Centenas de chamados analisados e documentos técnicos processados para apoiar respostas.
• Frente adicional de previsão de demanda com acurácia superior a 90% em diversos SKUs.
• Potencial de expansão para cerca de 2.000 itens vendidos pela empresa.

Embora o case seja apresentado como protótipo, ele é valioso porque mostra uma abordagem prática: começar por uma dor interna clara, validar arquitetura e depois expandir para áreas como planejamento de demanda.

O aprendizado é que o helpdesk é uma porta de entrada natural para IA generativa: tem base documental, histórico, padrões repetitivos e impacto direto em produtividade. O risco principal está em respostas sem evidência; por isso, o uso de busca vetorial e base interna é essencial.

Outro aprendizado é que a mesma maturidade criada no protótipo pode evoluir para casos de maior impacto operacional, como previsão de demanda. Uma vez que a empresa aprende a organizar dados, conectar modelos e medir qualidade, fica mais fácil replicar o método em outros processos.