Filtragem de spam em tickets com IA: como eliminar o lixo sem perder clientes reais

Spam ocupa mais da sua caixa de entrada do que você pensa

A maioria das equipes trata spam como ruído de fundo, alguns e-mails obviamente lixo que você exclui no piloto automático. Então você realmente o mede.

Quando detalhamos uma caixa de entrada de suporte de e-commerce real, o quadro ficou claro: 38% era suporte genuíno ao cliente, 22% era spam puro, 21% era tráfego B2B e interno, e o restante era tudo mais. Esses 22% são imposto puro. Cada um desses tickets é aberto, examinado e descartado por uma pessoa que poderia estar ajudando um cliente real.

Acumula mais rápido do que você pensaria. Se um agente humano gasta até trinta segundos confirmando que um ticket é lixo, em alguns milhares de tickets por mês são horas de tempo pago gastas em nada. É por isso que filtrar spam é geralmente o lugar mais rápido para economizar dinheiro em suporte: é alto volume, baixo risco, e ninguém sente falta do trabalho. Antes de automatizar algo mais glamouroso como a resolução completa de tickets, limpar o lixo é o primeiro ganho óbvio.

O que as pessoas realmente querem dizer com "filtragem de spam em tickets com IA"

Há duas coisas muito diferentes escondidas sob essa frase, e vale a pena ser preciso.

A versão antiga é um filtro: um conjunto de regras que bloqueia remetentes mal conhecidos ou corresponde a palavras-chave de spam, e então joga as correspondências em uma pasta de lixo. Seu e-mail já faz algo disso. É bom para o óbvio e inútil para todo o resto.

A versão que vale a pena considerar é uma camada de triagem. Uma IA lê cada ticket recebido como uma pessoa faria, descobre o que o remetente realmente quer e decide onde pertence: pergunta real, spam, consulta B2B, ou algo para escalar. Spam é apenas um dos buckets nos quais ela classifica. É por isso que isso se sobrepõe tanto com a triagem de tickets com IA e a classificação de tickets em geral: filtrar lixo é um efeito colateral de uma IA que entende sua fila, não um produto independente só para spam.

A distinção importa porque a versão de triagem é a que realmente funciona com o spam bagunçado e criativo que passa pelo seu provedor de e-mail, e é a que não vai enterrar silenciosamente um cliente frustrado que por acaso escreveu "URGENTE" no assunto.

Regras de palavras-chave vs. triagem com IA

Se você já tentou controlar spam com regras, já conhece a dor. Você bloqueia um remetente e três mais aparecem. Você adiciona um filtro de palavra-chave e ele captura o ticket de um cliente real sobre exatamente essa palavra. Você passa mais tempo mantendo as regras do que jamais passou deletando spam.

Regras falham porque spam não é uma lista fixa de palavras, é uma intenção. Um argumento de venda fria disfarçado de pergunta de suporte, um bot sondando seu formulário, um recrutador bombardeando sua caixa de entrada compartilhada — nenhum deles usa a mesma formulação duas vezes. A triagem com IA não corresponde a strings, ela corresponde a significados, e aprende como é seu spam a partir dos tickets que você já tratou. O mesmo motor que impulsiona a etiquetagem automática é o que permite reconhecer lixo que literalmente nunca viu antes.

A outra coisa que as regras erram é o custo de um erro. Um filtro de palavras-chave muito agressivo não apenas perde spam: oculta clientes reais, e você só descobre quando alguém reclama que nunca recebeu resposta. Uma boa camada de triagem é construída exatamente em torno desse medo, que é onde o roteamento baseado em confiança entra em cena (mais sobre isso abaixo).

Como a IA realmente filtra um ticket de spam

Aqui está o que acontece sob o capô quando um ticket chega, e por que é mais cuidadoso do que um botão de deletar.

A IA lê o novo ticket e então pesquisa seu histórico e base de conhecimento por algo similar. Essa comparação é todo o truque: spam parece spam passado, e perguntas reais parecem perguntas reais passadas. Com base no que encontra, o ticket ou é etiquetado e fechado (ou mantido como rascunho para revisão) ou uma resposta é redigida e roteada para o agente certo.

Um exemplo real mostra como isso pode ser sutil. Um argumento de venda fria chegou uma vez ao Zendesk de uma empresa Web3, alguém tentando vender uma lista de 16.973 contatos, disfarçado de mensagem de suporte normal. A IA pesquisou os tickets anteriores da empresa, reconheceu o padrão como o mesmo tipo de spam de vendas que havia visto antes, e em vez de tentar "responder", redigiu uma educada recusa como nota interna para a equipe dar uma olhada. Nenhum cliente real foi enterrado, e nenhum agente teve que parar e descobrir o que a mensagem era.

É também onde o roteamento baseado em confiança prova seu valor. A IA não age sobre cada ticket com a mesma certeza. Quando está confiante de que um ticket é lixo, pode fechá-lo; quando está confiante de que um ticket é uma pergunta real cuja resposta conhece, pode redigir ou enviar; e quando genuinamente não tem certeza, deixa o ticket para um humano. Um líder de CX com quem conversei, gerenciando cerca de 7.000 tickets por mês, resumiu todo o requisito em uma única linha: ele queria uma IA que tratasse apenas os tickets sobre os quais estava confiante e silenciosamente deixasse o resto para as pessoas. Esse é o padrão, e é a diferença entre uma ferramenta que ajuda e uma que causa incidentes silenciosamente. Se você quer os detalhes, nosso artigo sobre limiares de confiança e escalações de IA vai mais fundo.

Configurando sem descartar tickets reais

Esta é a parte que as pessoas erram, então aqui está a ordem em que eu realmente faria.

1. Simular primeiro nos seus tickets anteriores. Antes de a IA tocar em uma fila ao vivo, execute-a nos seus tickets históricos e veja como teria classificado eles. Este é o passo mais importante, e é o que a maioria das ferramentas pula. Você vê, nos seus próprios dados, quanto ela marca como spam e se alguma vez rotula erroneamente um cliente real. O modo de simulação do eesel faz exatamente isso: você executa em milhares de tickets anteriores e obtém cobertura por tema antes de ir ao vivo.

2. Começar no modo de etiqueta ou nota, não fechamento automático. No primeiro trecho, faça a IA etiquetar spam suspeito ou deixar uma nota interna em vez de fechar qualquer coisa. Você observa, corrige os erros e o sistema aprende com suas correções. Este é o mesmo caminho de "primeiro copiloto, autonomia depois" que quase todas as equipes que vi percorrem, e é o correto.

3. Diga a ela o que conta como spam, em linguagem simples. Você não deve precisar de um engenheiro de regras para isso. Com uma boa configuração você descreve seus casos extremos de forma conversacional ("trate argumentos de parceria não solicitados como spam, mas nunca feche um ticket que mencione um reembolso"), e a IA segue.

4. Somente então ative o fechamento automático, atrás de um limiar de confiança. Uma vez que a simulação e a execução supervisionada concordam que a IA é confiável, deixe-a fechar o lixo de alta confiança por conta própria e continue roteando o incerto para pessoas. Você mantém a taxa de falsos positivos baixa precisamente porque nunca pediu que ela fosse certa sobre coisas das quais não está certa.

Feito nessa ordem, você obtém a vantagem (um quinto da sua caixa de entrada tratado silenciosamente) sem o pesadelo (um cliente real fechado automaticamente e furioso). É a mesma disciplina que faz qualquer projeto de automação de tickets ter sucesso ou falhar.

A armadilha de preços: não pague por resolução para spam

Aqui está um detalhe que é fácil de ignorar até a fatura chegar. Muitas ferramentas de suporte com IA têm preço por resolução. Na superfície isso parece justo: você paga por resultados. Mas faça a pergunta óbvia de acompanhamento: fechar automaticamente um ticket de spam conta como uma "resolução" pela qual você é cobrado?

Se sim, a matemática fica feia. Naquela caixa de entrada onde 22% dos tickets eram spam, uma ferramenta por resolução felizmente "resolveria" todo esse lixo e te cobraria pelo privilégio. Você estaria pagando um extra para sua IA fazer o único trabalho que deveria ser quase gratuito. Pior, preços por resolução te punem por picos de volume, então uma inundação de Black Friday de lixo e tickets reais envia sua conta pelas alturas.

Eu inverteria completamente a pergunta. A filtragem de spam deveria reduzir seus custos, não se tornar uma nova linha de despesa. Ao comparar ferramentas, pergunte a cada uma diretamente como ela cobra spam e pondere frente ao que custa um agente humano fazer a mesma triagem. Um modelo fixo ou baseado em uso que não cobra extra por fechar lixo mantém os incentivos honestos. Esta é a mesma armadilha que sinalizamos em nossos desgloses de custos de helpdesk: o preço de etiqueta e o custo real raramente são o mesmo número.

Experimente o eesel para triagem de spam

Se sua caixa de entrada tem um quinto de lixo, o ganho mais rápido no atendimento ao cliente com IA está bem ali. O eesel se conecta ao seu helpdesk existente, aprende sobre spam e tickets reais do seu próprio histórico, e faz triagem de tickets recebidos como um agente perspicaz faria: etiquetando lixo, redigindo respostas reais e escalando o que não tem certeza.

As duas coisas que mais importam para filtragem de spam estão integradas: você pode simular em tickets anteriores antes de ir ao vivo, para ver a taxa de falsos positivos nos seus próprios dados, e o roteamento baseado em confiança significa que nunca fecha um ticket sobre o qual não tem certeza. Funciona no Zendesk, Freshdesk, Gorgias, Front e e-mail, em mais de 80 idiomas, e o preço baseado em uso não te cobra um extra por fechar lixo.

Equipes reais veem isso se mover rapidamente. Como Kim Simpson na Gridwise disse: "No primeiro mês, o eesel está resolvendo 73% dos nossos pedidos de nível 1", com resultados chegando durante um teste de 7 dias. Você pode experimentar o eesel gratuitamente, apontá-lo para seus próprios tickets e ver quanto da sua fila nunca valeu o tempo de um humano.