Como usar IA para gerar macros de suporte a partir de tickets antigos

O que "gerar macros a partir de tickets antigos" realmente significa

Uma macro é um pacote salvo que combina uma resposta padrão com um conjunto de ações do ticket (definir status, adicionar tags, trocar o responsável) que um agente aplica com um clique. As macros são manuais por design, o agente escolhe e aplica, diferente de gatilhos e automações que disparam sozinhos, como o Zendesk documenta.

A parte difícil nunca foi aplicar macros. É escrevê-las. A maioria das equipes tem um punhado de macros que alguém criou às pressas dois anos atrás, enquanto as verdadeiras perguntas repetidas, aquelas que consomem as tardes dos seus agentes, nunca viraram modelo porque ninguém teve tempo de vasculhar o histórico de tickets e identificá-las.

Essa é a lacuna que a IA fecha. Há duas coisas distintas que a IA pode fazer com o histórico de tickets, e as pessoas constantemente confundem as duas:

A primeira, aplicar uma macro existente, é o que a maioria das IAs nativas de helpdesk faz: ela lê o ticket aberto, compara com tickets antigos e sugere qual das suas macros salvas se encaixa. Útil, mas só consegue recomendar macros que você já escreveu.

A segunda, criar novas macros, é do que este guia realmente trata: a IA lê seus tickets resolvidos, encontra as respostas recorrentes que seus agentes digitam à mão repetidamente, e propõe modelos de macro totalmente novos para as lacunas. É aí que mora a economia de tempo real, e é a parte que as equipes mais nos pedem. Em todas as nossas ligações de vendas, treinar a IA com os tickets antigos da própria empresa é, disparado, a capacidade mais pedida.

O que você vai precisar antes de começar

Este é um guia prático, então vamos ser concretos sobre os pré-requisitos:

• Acesso ao seu histórico de tickets resolvidos. A maioria dos helpdesks permite exportar tickets em CSV ou acessá-los via API. Você quer especificamente tickets resolvidos, aqueles que um agente realmente respondeu, não spam ou ruído de fechamento automático.
• Uma noção do seu volume. Algumas centenas de tickets resolvidos por tema comum é um piso saudável. Abaixo disso, a IA está chutando com pouco sinal. (O próprio modelo do Zendesk nem chega a ativar com menos de 100 tickets, mais sobre isso abaixo.)
• Um lugar para revisar os rascunhos. Seja uma planilha, um documento ou a tela de revisão de uma ferramenta de IA, você precisa de um lugar onde um agente possa ler e editar cada rascunho antes que ele vire uma macro ativa.
• Uma camada de IA. Seja o complemento de IA nativo do seu helpdesk, um LLM de uso geral no qual você cola tickets, ou uma ferramenta dedicada como a eesel AI, que se conecta ao helpdesk e faz todo o ciclo por você.

Aqui está o pipeline completo, de ponta a ponta, antes de percorrermos cada etapa:

Passo 1: extraia e limpe seus tickets antigos

Comece exportando uma amostra representativa de tickets resolvidos. "Representativa" carrega bastante peso nessa frase, esta é a etapa que decide silenciosamente o quão boas suas macros vão acabar sendo.

Algumas coisas que vale a pena acertar:

• Amostre ao longo do tempo, não só a última semana. Um mês de tickets fica enviesado pelo que aconteceu naquele mês específico. Puxe de uma janela mais longa para que picos sazonais não dominem. Uma marca de entrega de flores com a qual trabalhamos no Gorgias foi bem deliberada nisso: eles queriam 300 tickets aleatórios por mês em dez meses, excluindo os picos do Dia dos Namorados e do Dia das Mães, porque essas semanas não se pareciam em nada com um dia normal e teriam enviesado toda macro na direção de "cadê meu buquê".
• Só tickets reais, atendidos por um agente. Remova respostas automáticas, spam e tickets fechados sem resposta de agente. Você está tentando aprender como sua equipe responde, não o que suas automações já cobrem.
• Mantenha a resolução, não só a pergunta. Um ticket só é útil aqui se incluir a resposta real do agente. Essa resposta é a matéria-prima do texto da macro.

Se você nunca olhou seus dados de tickets dessa forma, vale a pena fazer uma análise de tickets de suporte separadamente, ela mostra quais temas realmente valem a pena virar modelo antes mesmo de você escrever uma linha.

Passo 2: deixe a IA agrupar as perguntas repetidas

Agora entregue essa pilha de tickets para a IA e peça que ela agrupe por intenção. Você está procurando grupos como "onde está meu pedido", "como redefino minha senha", "solicitar um reembolso", "mudar meu endereço de entrega", as perguntas que aparecem centenas de vezes com apenas os detalhes trocados.

Esta é a etapa que é genuinamente tediosa à mão e genuinamente rápida para um modelo. Uma boa passada de IA volta com algo como: "47% dos seus tickets se encaixam em 9 temas recorrentes; aqui estão os 9, ordenados por volume, com um ticket de exemplo para cada um." Esse ranking é sua lista de macros a fazer, já escrita para você.

A mesma lógica de agrupamento está por trás da classificação de tickets com IA e da triagem, então se você já configurou tagueamento automático ou roteamento, talvez já tenha metade desse trabalho pronto. As próprias tags são um adiantamento para os grupos.

Passo 3: transforme cada grupo em um rascunho de macro

Para cada grupo, peça à IA que redija uma macro: uma resposta reutilizável escrita no tom da sua equipe, generalizada a partir das respostas reais enviadas pelos seus agentes, com placeholders nos lugares onde entram os detalhes específicos.

É aqui que treinar com seus tickets supera uma biblioteca de modelos genéricos. Qualquer um pode te dar uma macro padrão de "solicitação de reembolso". Só o seu próprio histórico de tickets sabe que sua equipe sempre abre com "Entendemos totalmente a frustração", sempre linka a política de devoluções e sempre pede o número do pedido no mesmo fôlego. Uma macro redigida a partir do seu histórico soa como você; uma genérica soa como uma carta-modelo.

Há uma armadilha sutil aqui: o público. Já vimos equipes cuja base de conhecimento é escrita para administradores enquanto os tickets vêm de usuários finais, uma equipe de suporte de tecnologia de transporte, por exemplo, cuja documentação mirava administradores de frotas de ônibus enquanto os tickets vinham de passageiros. Se suas respostas anteriores foram escritas para o público certo, suas macros de IA herdam isso. Se não foram, corrija primeiro as respostas de origem, ou as macros ficarão confiantemente erradas para quem as lê.

Boas macros também capturam conhecimento institucional antes que ele saia pela porta. Uma empresa francesa de TI do setor público veio até nós exatamente por isso: dois agentes seniores com profundo conhecimento de solução de problemas de ERP estavam de saída naquele ano, e eles queriam "colocar" essa expertise "na IA" antes que ela fosse embora. Gerar macros a partir dos tickets antigos desses agentes é uma das formas mais limpas de engarrafar esse conhecimento.

Passo 4: revise, edite e adicione as ações

Nunca envie uma macro redigida por IA diretamente para os clientes. Todo rascunho é um primeiro rascunho.

Na revisão, um agente deve:

• Checar os fatos. A IA inventou algum detalhe de política ou prazo de reembolso? Corrija.
• Ajustar o tom. Suavizar qualquer coisa que soe levemente fora da marca.
• Adicionar as ações do ticket. O texto da resposta é só metade de uma macro. A outra metade é o que acontece com o ticket: definir status como resolvido, adicionar uma tag refund-processed, reatribuir ao grupo de faturamento, definir prioridade. A IA pode sugerir isso a partir dos padrões do seu histórico, mas um humano confirma.
• Cuidar dos placeholders. Se você usa Zendesk, escape os placeholders corretamente em tickets de problema/incidente (por exemplo, Hello \{{ticket.requester.first_name}}) para que o nome de um solicitante não vaze para tickets vinculados.

Esta etapa de revisão é toda a razão para manter humanos no loop. A IA elimina o problema da página em branco; seus agentes mantêm o julgamento. Para respostas de reembolso, troca e envio especificamente, escrevemos um guia dedicado de modelos de macro com IA do qual você pode aproveitar.

Passo 5: teste com o histórico real antes de colocar no ar

Aqui está a etapa que quase todo mundo pula, e a que separa uma biblioteca de macros que ajuda de uma que silenciosamente cria retrabalho.

Antes de publicar uma macro nova (ou deixar um agente de IA começar a aplicá-la), rode-a contra um lote de tickets antigos e veja o que teria acontecido. A macro de "onde está meu pedido" disparou nos tickets certos? Ela alguma vez disparou nos errados? Qual é a cobertura realista, e onde a confiança está mais frágil?

É exatamente para isso que o modo de simulação da eesel AI foi criado: ele roda sua configuração sobre milhares dos seus tickets históricos reais e mostra a taxa de resolução e a cobertura previstas antes de um único cliente ver. Você ajusta, roda de novo e só implanta quando os números parecem certos.

O princípio se mantém mesmo sem uma ferramenta dedicada: extraia 50 tickets recentes que a macro deveria acertar, aplique manualmente e avalie o resultado a olho. Um seguro barato contra uma macro que erra em escala.

Passo 6: publique e mantenha atualizada

Assim que uma macro passar pela revisão e pelo teste, publique-a como macro compartilhada, para que toda a equipe se beneficie, não como uma pessoal enterrada na lista de um único agente. Depois, trate a biblioteca como algo vivo, não como algo pronto.

Seus produtos mudam, suas políticas mudam, e novas perguntas repetidas surgem que não existiam no trimestre passado. Rode a passada de mineração periodicamente, mensalmente é uma cadência sensata, para pegar novos grupos e aposentar macros que ninguém mais aplica. É o mesmo ciclo por trás de reduzir o volume de tickets com IA: o histórico continua ensinando o que automatizar em seguida.

Fazendo isso nativamente no Zendesk, Freshdesk e Gorgias

Se você prefere ficar dentro do seu helpdesk, aqui está até onde a IA nativa chega, e onde ela para.

Zendesk

O Zendesk tem dois recursos de IA separados para macros, e eles mapeiam perfeitamente para os dois modos vistos antes. Macros sugeridas (voltado ao agente) recomenda qual macro compartilhada existente aplicar: seu modelo compara o ticket aberto com tickets dos últimos nove meses em que uma macro foi aplicada. Você ativa isso no Admin Center, em Ferramentas do agente.

Na visão do agente, as macros sugeridas aparecem em uma seção "Sugerido para este ticket", e com o complemento Copilot cada uma carrega um nível de confiança.

O recurso que realmente cria macros a partir do histórico é o Macro Content Suggestions (voltado ao administrador): ele detecta conteúdo recorrente em todas as respostas de agentes na conta e propõe macros totalmente novas para criar, usando os dados do mês anterior. As pegadinhas: faz parte do complemento Zendesk AI, as macros sugeridas precisam de pelo menos 100 tickets qualificados e 3 macros compartilhadas antes de ativar, e macros novas levam duas semanas para entrar no modelo. Poderoso, mas limitado pelo plano e lento para esquentar.

Freshdesk

O Freshdesk se apoia no Freddy AI para sugestões de resposta e assistência com respostas prontas, e sua triagem automática aprende a categorização a partir de tickets antigos. A história de geração de macros a partir do histórico é mais fraca que a do Zendesk, e os recursos mais fortes do Freddy ficam em níveis mais altos, então muitas equipes combinam o Freshdesk com uma camada de IA dedicada para o trabalho mais pesado.

Gorgias

O Gorgias é focado em e-commerce e forte em macros ligadas a dados de pedidos do Shopify, mas assim como os outros, o fluxo de "aprender com todo o meu histórico de tickets e redigir novos modelos" é um terreno em que uma ferramenta feita sob medida costuma ir mais longe do que o conjunto de recursos nativos.

O fio condutor: os assistentes nativos são convenientes se você já está profundamente instalado em uma plataforma e no plano certo, mas ficam presos a essa plataforma, limitados por complementos e limites, e oferecem pouca ou nenhuma forma de testar uma macro com o histórico antes de ela ir ao ar.

Erros comuns a evitar

• Transformar casos isolados em modelo. Se uma pergunta aparece três vezes por ano, ela não precisa de macro. Ordene por volume e transforme em modelo o topo da lista.
• Pular a revisão humana. Rascunhos de IA são primeiros rascunhos. Enviá-los sem ler é como um prazo de reembolso errado acaba em 4.000 respostas.
• Esquecer as ações. Uma macro que escreve uma resposta linda mas não define status nem tags só cria um segundo clique. Inclua as ações do ticket.
• Nunca rodar de novo a passada de mineração. Uma biblioteca que você constrói uma vez e nunca atualiza fica obsoleta em um trimestre.
• Não testar antes do lançamento. Se sua ferramenta consegue simular em tickets antigos, use isso. Se não consegue, faça uma checagem manual pontual em 50 tickets.

Experimente a eesel para macros a partir de tickets antigos

A eesel AI é construída exatamente em torno desse ciclo. Ela se conecta ao Zendesk, Freshdesk, Gorgias e mais de 100 outras ferramentas, treina com seus tickets antigos e base de conhecimento para redigir respostas no tom da sua equipe e, a parte difícil de encontrar em outro lugar, permite simular tudo isso sobre milhares dos seus tickets históricos reais, para que você veja a precisão e a cobertura previstas antes de ir ao ar.

Não há taxas por assento nem surpresas por resolução (veja os preços), e você pode começar de graça, para poder minerar seu próprio histórico de tickets e ver as macros que ela redige antes de se comprometer com qualquer coisa. Se o seu objetivo é menos respostas repetitivas e uma biblioteca de macros que realmente reflita como sua equipe trabalha, este é o caminho mais rápido para chegar lá.