Investigação automática

Esta página é para quem decide quanto a IA pode fazer sozinha nos seus chamados. A investigação automática é a parte mais desenvolvida do ChatMade: ela não resume o chamado, ela testa hipóteses contra os seus dados e registra cada consulta que fez.

Como funciona, em ordem

1. O chamado é criado. A triagem roda primeiro: classifica, resume e reescreve o título.
2. A investigação levanta um conjunto de hipóteses, numeradas H1, H2, H3 e assim por diante.
3. Cada hipótese é testada com as ferramentas que você ligou — conectores MCP de observabilidade e conector de banco.
4. Cada chamada de ferramenta vira uma linha de evidência: a consulta, o resultado, a duração.
5. Cada hipótese recebe um veredito: Validated (“Validada”), Invalidated (“Invalidada”) ou Inconclusive (“Inconclusiva”), com uma confiança de 0 a 1.
6. A IA escreve o RCA — o laudo de causa raiz — citando as hipóteses.
7. O que acontece com esse laudo depende do nível de autonomia.

Os três níveis de autonomia

Em Settings → Ticketing (“Configurações → Chamados”), na seção Autonomy level (“Nível de autonomia”), com a dica “The AI never exceeds this level. Higher levels still log every action for audit.”

Três cartões, cada um com as mesmas quatro capacidades marcadas ou riscadas: Triage & investigate, Propose resolution, Message customer, Close ticket.

Nível	Nome na tela	O que a IA faz
L1	Investigate only (“Só investigar”)	Tria e investiga. Escreve o laudo e para. Nada é criado, ninguém é avisado. É o padrão.
L2	Propose, human approves (“Propor, humano aprova”)	Faz tudo do L1 e propõe uma resolução. O chamado vai para Awaiting approval e espera uma pessoa.
L3	Auto-resolve & notify (“Resolver e avisar”)	Pode resolver o chamado e falar com o cliente sozinha.

Ao escolher L3, a tela mostra o aviso: ”⚠ The AI can message customers and close tickets without review. Use only for well-scoped, low-risk queues.”

O L3 tem quatro travas

Mesmo no L3, a IA só resolve sozinha se todas as quatro condições forem verdadeiras:

1. A investigação terminou completa — não estourou o orçamento nem o relógio.
2. Existe pelo menos uma hipótese validada.
3. A confiança do laudo é maior ou igual a 0,85.
4. Existe um canal para avisar o cliente.

Falhando qualquer uma, o L3 cai para o comportamento do L2: em vez de resolver, cria uma proposta e espera aprovação humana.

Atenção: o limiar de 0,85 é real e está no código, mas não tem campo na tela. Ele só é alterável pela API. Quem usa o painel trabalha com 0,85.

Aprovar ou rejeitar uma proposta

Quando a IA propõe, um aviso fica fixo no topo do chamado, com o título “AI proposes a resolution — awaiting your approval” e a linha:

Approving resolves the ticket and sends the customer message below. ChatterMate never executes infrastructure changes — any fix stays with your team.

Isso é literal: o ChatMade não executa mudança de infraestrutura. Ele investiga, conclui e escreve — consertar continua sendo trabalho do seu time.

O aviso mostra dois blocos, Proposed resolution (“Resolução proposta”) e Message to the customer (“Mensagem para o cliente”), mais um atalho para o raciocínio, no formato Reasoning: H2 · Validated · confidence 0.92.

Dois botões: Approve & resolve (“Aprovar e resolver”) e Reject… (“Rejeitar…”).

Ao rejeitar, você escreve o motivo — o campo pede “Why is this wrong? Your reason guides the next investigation…” — e existe a caixa Run the investigation with this feedback (“Rodar a investigação de novo com este retorno”), marcada por padrão.

O motivo da rejeição vira contexto da próxima execução. Ele entra no prompt como retorno do revisor, com até 2000 caracteres. Você não repete a investigação: você a corrige.

Aprovar e rejeitar exigem uma permissão própria, approve_ticket_actions, separada de manage_tickets de propósito. Quem não tem lê: “You don’t have permission to approve AI actions on tickets.”

O orçamento de cada investigação

Limite	Valor	O que acontece ao estourar
Chamadas de ferramenta por execução	25	As hipóteses não testadas viram Inconclusive, com a conclusão “Not tested — the run’s tool-call budget was exhausted.” O laudo sai marcado como parcial.
Chamadas por hipótese	6	A hipótese para de investigar e conclui com o que tem
Relógio da execução	600 segundos	O que estiver pendente vira Inconclusive com “Not completed — the run’s wall-clock budget was reached.” O laudo é escrito assim mesmo
Execuções por chamado	3	Uma quarta tentativa recebe erro 409

Quando o orçamento estoura, o painel de investigação mostra a etiqueta “Partial · budget” (“Parcial · orçamento”) e o laudo ganha a marca “Partial — budget reached” (“Parcial — orçamento atingido”).

Atenção: esses três números — 25, 600 e 3 — não têm campo na tela. Os dois primeiros são alteráveis só pela API; o relógio de 600 segundos não é configurável de jeito nenhum. Na prática, quem usa o painel trabalha com esses valores.

E não existe teto mensal funcionando: a coluna existe no banco, mas nada no código a lê. Não conte com ela.

O painel de investigação

No chamado, o cartão AI investigation (“Investigação da IA”) mostra o estado da execução — Queued, Investigating, Completed, Failed, Cancelled ou Partial · budget — e uma linha de resumo com o número de hipóteses, as chamadas usadas sobre o teto, as chamadas ao modelo, os tokens e o modelo usado.

Cada hipótese é um cartão com o crachá H1, H2, H3, a etiqueta do veredito, uma barra de confiança com o número em duas casas, e ao abrir: Rationale (“Raciocínio”), Conclusion (“Conclusão”) e Evidence — N tool calls (“Evidência — N chamadas de ferramenta”).

Se a hipótese foi resolvida sem tocar em ferramenta nenhuma, a tela diz: “No tool evidence — tested by reasoning over the ticket context.”

Se algum conector configurado não subiu, aparece: “Ran with {n} of {n} configured connectors — findings may be missing evidence.”

A evidência

Cada chamada de ferramenta é gravada com o nome da ferramenta, o conector que a serviu, a consulta enviada, o resultado, a duração em milissegundos e o erro, se houve.

Na tela, cada linha de evidência abre mostrando Query (“Consulta”) — com um botão Copy (“Copiar”) —, Error (“Erro”) e Result (“Resultado”).

Antes de gravar, o texto passa por redação de dados pessoais. Seis padrões são trocados por marcadores como [EMAIL_REDACTED]: e-mail, telefone, CPF/SSN, cartão de crédito, endereço IPv4 e data de nascimento.

Atenção: os padrões de redação são escritos no formato norte-americano. Telefone no formato brasileiro, CPF e IBAN não são reconhecidos por eles. Trate isso como uma camada a mais, não como a sua garantia de privacidade — a garantia de verdade são as colunas mascaradas e a lista branca do conector de banco.

A consulta é cortada em 2000 caracteres e o resultado em 4000.

O laudo de causa raiz

O RCA é versionado por chamado: cada nova execução gera uma versão nova, e a anterior não some. O cartão mostra o crachá v2, v3, a assinatura “Generated by ChatterMate AI · reviewed by {nome}” — ou ”· not yet reviewed” — e a confiança.

As seções são: Summary, Impact, Timeline, Investigation log, Contributing factors, Conclusion, Remediation, Prevention e Customer summary.

Você pode editar o texto e clicar em Save draft (“Salvar rascunho”), ou mandar para o cliente com Send to customer (“Enviar ao cliente”).

O envio segue o canal: se o chamado tem uma conversa ligada, vai por ela; se não tem, vai por e-mail direto. Quando não há nenhum dos dois, o botão fica desligado com o recado “No customer channel — link a conversation or add a customer email to send.”

Quem envia fica registrado como revisor, e o envio vira uma atividade visível para o cliente no histórico.

Ligar a investigação

1. Vá em Settings → Ticketing (“Configurações → Chamados”).
2. Escolha o Autonomy level. Comece no L1 e só suba quando você tiver lido alguns laudos e concordado com eles.
3. Deixe marcada a caixa Run AI triage automatically when a ticket is created (“Rodar a triagem por IA quando o chamado for criado”).
4. Na seção Investigation connectors (“Conectores de investigação”), com a etiqueta via MCP, ligue os servidores de observabilidade que você usa. Há atalhos para Grafana, Elasticsearch, Sentry e CloudWatch, mais Add MCP connector (“Adicionar conector MCP”) para qualquer outro.
5. Se quiser que a IA confira fato no banco, siga Conectores de banco.

Bom saber: os conectores de investigação ficam numa lista separada das ferramentas MCP do agente que fala com o cliente. Uma ferramenta de observabilidade ligada aqui nunca chega ao agente de chat. Isso é de propósito e está escrito no código.

Sem nenhum conector, a investigação ainda roda — só que raciocinando sobre o texto do chamado, sem evidência externa. Serve para triar; não serve para concluir.

Próximo passo

Se você quer que a investigação comece antes de o cliente reclamar, ligue Abrir chamado por alerta.