IA para suporte em vídeo: o que ela consegue assistir e o que não consegue

Resumo

A IA para suporte em vídeo funciona, mas não como a maioria das equipes espera: a IA do seu helpdesk geralmente não consegue abrir um arquivo de vídeo, então o trabalho é transformar o clipe em texto que ela consiga ler. Os agentes de IA de e-mail do Zendesk, o Gorgias AI Agent e o eesel leem hoje as capturas de tela e fotos que os clientes anexam. Nenhum deles abre um anexo de vídeo.

A solução é barata. Um modelo de vídeo como o Gemini lê um clipe de 2 minutos por cerca de US$ 0,01, e ferramentas como o Screendesk (a partir de US$ 15 por agente por mês para resumos com IA) coletam a gravação dentro do ticket e a resumem. Depois, a IA do helpdesk responde a partir do resumo, como em qualquer outro ticket.

O ganho maior está em pedir a coisa certa. A maioria dos problemas de "vídeo" cabe em um quadro: um erro, um preço errado, uma caixa rachada. Peça uma captura de tela e um agente de IA como o eesel pode responder na hora. Reserve as gravações para bugs passo a passo e as chamadas para configurações que o cliente não consegue fazer sozinho.

Por que o vídeo quebra a IA do seu helpdesk?

Porque a IA lê texto e imagens, e um arquivo de vídeo não é nenhum dos dois, então ela responde com base nas palavras do ticket e ignora o clipe. Já vi isso acontecer por dentro. Uma equipe de suporte que usa o eesel nos disse, palavra por palavra:

"Eesel is currently unable to analyze images, and our customers frequently share screenshots. Our agents are currently required to read these images and manually transfer the knowledge to Eesel."

Essa era a lacuna com as capturas de tela, e ela já foi fechada. O eesel abre imagens e PDFs no Zendesk, Freshdesk, Gorgias e outros canais, em todos os planos. Mas a mesma documentação diz claramente que "other file types (video, zip archives, spreadsheets) are not opened." O vídeo é o mesmo problema um degrau acima, e é onde quase toda IA de helpdesk ainda para.

Quando a IA não consegue abrir o arquivo, acontecem três coisas, e você provavelmente já viu todas:

• Ela pede ao cliente que descreva o que já está no vídeo. O cliente, que filmou justamente para não ter de digitar, fica irritado.
• Ela responde ao texto e perde o ponto principal. "Não funciona" mais um clipe vira uma resposta genérica de solução de problemas.
• Ela passa o caso adiante por meio de uma escalação, e uma pessoa assiste ao clipe inteiro para achar os 4 segundos que importam.

O próprio anúncio sobre anexos do Zendesk nomeia o custo: as conversas com anexos "resolved at a lower rate than those without, because the AI agent couldn't see the evidence inside them." Isso se refere a imagens, que ele agora lê. Para vídeo, a lacuna continua aberta.

O que cada IA de helpdesk realmente consegue ler hoje?

Capturas de tela e fotos, sim, na maioria delas. Vídeo, não, nas três que verifiquei. Veja o que a documentação de cada fornecedor diz em novembro de 2026.

Alguns detalhes importam mais do que o sim ou o não. A leitura de anexos do Zendesk está no canal de e-mail para contas na nova infraestrutura. O documento do Vision da Gorgias alerta que uma mensagem só com imagem e sem texto "can cause the ticket to close without a reply." E a documentação do eesel destaca que as fotos do iPhone muitas vezes chegam em HEIC, que o agente não consegue ver; então ele avisa isso e pede um PNG ou JPEG em vez de adivinhar.

A linha do vídeo é a razão de este post existir. Se o seu plano é "a IA vai cuidar dos vídeos", verifique primeiro essa linha.

O que você deve pedir que os clientes enviem?

Peça o formato mais barato que mostre o problema: uma captura de tela quando um quadro basta, uma gravação quando o problema é uma sequência e uma chamada apenas quando o cliente precisa de ajuda. Essa escolha decide se a IA pode ajudar ou não.

Veja como eu classificaria:

• Captura de tela ou foto. Uma mensagem de erro, uma cobrança errada em uma fatura, uma dobradiça rachada, um item faltando na caixa. Um quadro carrega a história toda, e a IA do helpdesk consegue lê-lo hoje. Isso cobre a maioria das devoluções e dos pedidos de garantia.
• Gravação de tela. "Clico em salvar e nada acontece", um checkout que falha no terceiro passo, uma sincronização que cai na metade. A ordem dos eventos é a evidência. Esse é território de triagem de bugs, e comum no suporte a desenvolvedores.
• Chamada de vídeo. Um dispositivo inteligente que não pareia, uma instalação com cabeamento físico, um cliente confuso que precisa de alguém acompanhando. Uma pessoa permanece nesses casos, como em uma visita de serviço de campo.

A SE Ranking incorpora isso à sua configuração. O agente eesel dela envia problemas de Nível 2, como dados errados ou conectores quebrados, para a equipe "with the domain, audit link or connector screenshot collected first." O agente pede a captura de tela antes da transferência, então ninguém da equipe precisa voltar e perguntar. Você pode dizer o mesmo ao seu agente em palavras simples, por exemplo: "quando um cliente relatar um erro, peça uma captura de tela dele antes de responder".

"you can show issues or ideas visually instead of explaining them in text, saving time and reducing confusion."

Balkishan N., G2

O ponto dessa citação é justo: alguns problemas realmente são mais fáceis de mostrar. O objetivo não é parar de receber vídeos. É parar de pedir um quando uma captura de tela resolveria.

Como transformar um vídeo de cliente em algo que a IA consiga responder?

Passe o clipe por um modelo de vídeo, receba um resumo escrito e coloque esse resumo no ticket, onde a IA do helpdesk possa lê-lo. O vídeo continua anexado para uma pessoa. O texto é o material com que a IA trabalha.

Por baixo dos panos, um modelo como o Gemini não assiste ao vídeo como você. A documentação de vídeo dele diz que ele amostra quadros a 1 quadro por segundo, lê o áudio a 32 tokens por segundo e adiciona um carimbo de tempo a cada segundo. Isso tem dois efeitos práticos:

• Peça carimbos de tempo. O modelo consegue apontar momentos em MM:SS, então o resumo pode dizer "o erro aparece em 0:21" e um agente pode ir direto a esse ponto.
• Momentos rápidos podem escapar. A 1 quadro por segundo, o Google observa que "fast action sequences might lose detail." Um popup que pisca por meio segundo pode não entrar no resumo. Nesses casos, uma captura de tela vale mais que um vídeo.

O resumo escrito deve conter quatro coisas: o que o cliente estava tentando fazer, os passos que ele seguiu, o que deu errado e quando (com o carimbo de tempo) e qualquer texto visível na tela, como um código de erro ou um número de pedido. Essa última parte é o que permite à IA do helpdesk pesquisar na sua base de conhecimento o artigo certo em vez de adivinhar, o mesmo truque que faz a busca na central de ajuda funcionar.

Quanto custa fazer a IA ler um vídeo?

Cerca de um centavo por um clipe de 2 minutos no nível do modelo. O Gemini conta aproximadamente 100 tokens por segundo de vídeo na resolução padrão, então 2 minutos dão cerca de 12.000 tokens. Na página de preços do Gemini, o Gemini 3.8 Flash custa US$ 0,75 por milhão de tokens de entrada até 31 de dezembro de 2026 (US$ 1,50 a partir de 1º de janeiro de 2027), e o Gemini 3.5 Flash-Lite custa US$ 0,30.

Insira o seu próprio volume:

Com 300 clipes de dois minutos por mês no Gemini 3.8 Flash, o custo fica abaixo de US$ 4. O modelo é a parte barata. O trabalho é tirar o clipe do ticket, levá-lo ao modelo e trazê-lo de volta como uma nota, e é por isso que a maioria das equipes compra uma ferramenta para isso em vez de construir.

Quais ferramentas cuidam da parte do vídeo?

O Screendesk é o encaixe mais completo para equipes de suporte, o Vivu serve para identificar o mesmo problema em muitos vídeos e o LiveKit serve para construir o seu próprio agente de vídeo ao vivo. Eu começaria pelo primeiro e só recorreria aos outros com um motivo específico. Nenhuma delas substitui a IA do seu helpdesk; para esse lado, meu panorama de helpdesks com IA cobre o setor.

Screendesk

O Screendesk permite que um agente envie um link de gravação a partir do ticket. O cliente grava a tela no navegador sem instalar nada (no celular, usa a câmera frontal ou traseira), e a gravação volta para o mesmo ticket. Funciona dentro do Zendesk, Intercom, Help Scout, Freshdesk, Freshchat e HubSpot.

O que ele faz com IA, segundo a documentação de IA:

• Report intelligence: resumos, descobertas de problemas e passos de reprodução para gravações elegíveis, além de transcrições. Roda no Gemini, e você pode usar sua própria chave do Gemini.
• AI Resolution: investiga tickets do Zendesk vinculados a gravações e publica uma nota privada. A documentação deixa claro que ele "does not send a public reply or mark the customer's problem as solved", e ainda não faz parte do fluxo de trabalho do Intercom, Freshdesk ou Freshchat.
• Privacidade: você lista os campos a desfocar no seu app web, como números de cartão, e pode exigir consentimento antes de o gravador abrir.
• Chamadas ao vivo: os clientes entram por um link no navegador e compartilham a tela (sem controle remoto), com transcrição ao vivo e um resumo com IA e itens de ação depois.

Preços, segundo a página de preços do Screendesk:

Duas coisas a saber antes de comprar. As gravações têm limite de 10 minutos em todos os planos. E os logs de console e de rede, que são o que a engenharia quer em um relatório de bug, existem apenas no Enterprise. No G2 ele tem nota 4,4 de 5 em 14 avaliações, com a edição limitada como reclamação mais comum.

Vivu

O Vivu resolve um problema diferente. Ele não ajuda com um único ticket; ele indexa todos os clipes que os clientes enviam para que você possa pesquisá-los pelo que mostram, como "dobradiça rachada na tampa", e receber de volta todos os casos com essa falha e o carimbo de tempo. A própria página do Vivu é honesta ao dizer que oferece "evidence, not verdicts" e não diagnostica a falha.

Os preços do Vivu são um plano Free com 20 minutos de indexação e 50 créditos de busca por mês, e o Premium a US$ 30 por mês, com 180 minutos de indexação e 500 créditos de busca. É pouco para uma fila movimentada, então eu o trataria como uma ferramenta de qualidade de produto para equipes de hardware, não como uma ferramenta de caixa de entrada de suporte.

LiveKit e modelos de tempo real

Se você quer uma IA que assista a uma chamada de vídeo ao vivo, você está construindo, não comprando. A documentação de vídeo do LiveKit diz que a entrada de vídeo ao vivo exige um modelo de tempo real com suporte a vídeo, e cita a Gemini Live API e a OpenAI Realtime API. Ela também alerta que muitos LLMs "are not trained for this use case" e podem ter dificuldade com movimento. Para a maioria das equipes de suporte, esse é um projeto para depois, não o primeiro passo.

Onde entram as chamadas de vídeo ao vivo?

Mantenha uma pessoa na chamada e dê à IA a papelada: a transcrição, o resumo e as notas do ticket. As chamadas são para problemas que o cliente não consegue resolver com instruções, e são nesses casos que você quer um humano acompanhando.

Os trabalhos úteis da IA em torno de uma chamada são simples e valiosos:

• Antes: o agente de IA responde o que puder a partir do ticket e das capturas de tela, e só oferece uma chamada quando não consegue. Isso reserva as chamadas para os casos difíceis.
• Durante: uma transcrição ao vivo, para que o agente não precise digitar anotações enquanto também lê a tela do cliente.
• Depois: um resumo com o que foi tentado e o que foi combinado, publicado no ticket. Se o problema voltar na semana seguinte, quem assumir começa a partir do resumo, não do zero.

Esse último passo é a mesma jogada de "vídeo em texto" de antes. Um resumo de chamada no ticket é texto que a IA do helpdesk consegue ler, então, na próxima vez que o cliente escrever, a IA sabe o que já aconteceu. É também assim que funciona uma transferência limpa entre turnos.

Como eu configuraria isso, passo a passo?

Comece com capturas de tela, adicione uma ferramenta de gravação para os tickets com cara de bug e garanta que todo vídeo termine como texto no ticket. Em ordem:

1. Ative a leitura de imagens na IA do seu helpdesk. No e-mail do Zendesk, na Gorgias e no eesel ela já está ativa. Teste: envie a si mesmo um ticket com uma captura de tela anexada e veja o que a IA faz.
2. Ensine a IA a pedir uma captura de tela na hora certa. Escreva como uma instrução: "quando um cliente relatar um erro ou um item danificado, peça uma captura de tela ou uma foto se não houver nenhuma". O ticket de vídeo mais rápido é o que nunca precisou de um vídeo, e isso mantém rápida a sua primeira resposta.
3. Adicione uma ferramenta de gravação para problemas passo a passo. O Screendesk no Pro, ou um plano gratuito para experimentar. Faça o agente ou a IA enviar o link apenas quando o problema for uma sequência, e encaminhe o resultado para sua equipe de Nível 2 se for um bug de verdade.
4. Coloque o resumo no ticket como texto. Uma nota privada com os passos, os carimbos de tempo e qualquer erro na tela. Assim, a IA do helpdesk e a próxima pessoa podem usá-la.
5. Defina as regras de privacidade antes do lançamento. Desfoque campos sensíveis, peça consentimento e escolha um prazo de retenção. Confira isso com o seu processo de LGPD/GDPR.
6. Acompanhe três números. Com que frequência a IA pede um vídeo de que não precisava, quantos tickets de vídeo ainda exigem que alguém assista ao clipe inteiro e o tempo de atendimento nos tickets de vídeo em comparação com os demais.

Antes de deixar qualquer parte disso responder sozinha, rode tudo em tickets antigos. Eu sempre simularia em tickets passados antes de entrar no ar, porque é a única forma de ver como a IA lida com a sua bagunça real de anexos.

Como o eesel lida com tickets com vídeos?

O eesel lê as capturas de tela, fotos e PDFs que os clientes anexam, responde com base na sua central de ajuda e em tickets passados e entrega à sua equipe, com uma nota sobre o que está faltando, o vídeo que não consegue abrir. Ele funciona dentro do helpdesk que você já tem, no Zendesk, Freshdesk, Gorgias e outros, como um colega de helpdesk que redige ou envia respostas, aplica tags e encaminha.

Sendo franco: o eesel não assiste a vídeos. Se a sua fila é composta principalmente de gravações de tela, combine-o com uma ferramenta de gravação que escreva um resumo no ticket, e o eesel responderá a partir desse resumo como a qualquer outro texto.

O que ele faz bem é a parte ao redor do vídeo. A Innr, uma empresa de iluminação inteligente no Freshdesk, recebe perguntas como "por que esta lâmpada não pareia" em holandês, alemão, inglês e francês. Em um mês, o eesel preparou 190 tickets e deixou 450 notas internas, cada uma um rascunho, um resumo ou o que estava faltando. A Lesson Pro trabalha da mesma forma no Zendesk: 1.900 tickets em um mês, 1.700 notas internas, e a equipe aprova cada rascunho antes de ele sair. Essa nota de "o que está faltando" é exatamente o lugar para "envie uma captura de tela do erro, por favor".

Experimente o eesel

Se os clientes continuam enviando capturas de tela e clipes, o eesel pode tirar hoje os tickets de captura de tela das suas costas e deixar uma nota limpa nos de vídeo, dentro do Zendesk, Freshdesk ou Gorgias. Os planos começam em US$ 299 por mês com 500 créditos, em que um ticket equivale a um crédito e não há cobrança por usuário, com um teste gratuito de 7 dias e 100 créditos para testar nos seus próprios tickets.

Experimente o eesel