NexTool Solutions

Demos os mesmos 20 pedidos de usuário a uma IA em dois papéis: chatbot e agente. Como chatbot, ela resolveu 4. Como agente, resolveu 20, sem executar nenhuma ação proibida. O modelo era o mesmo nos dois casos. A diferença foi só uma: o agente tinha ferramentas para consultar e agir no GLPI, e regras dizendo o que ele não podia fazer sozinho.

Este é o terceiro artigo da série sobre IA no service desk. Antes, medimos a triagem de chamados com o Jev e quanto a IA custa por chamado.

Por que todo mundo está falando de agentes

O Gartner prevê que até o fim de 2026 40% dos aplicativos corporativos terão agentes de IA dedicados a tarefas, contra menos de 5% em 2025. Para o atendimento, a previsão vai mais longe: até 2029, agentes devem resolver sozinhos 80% dos problemas comuns de clientes.

O mesmo Gartner faz o contraponto: mais de 40% dos projetos de IA agêntica devem ser cancelados até o fim de 2027, por custo alto, valor pouco claro ou falta de controle de risco. Ou seja, o agente funciona, mas só quando alguém decide o que ele pode fazer, quanto pode gastar e quem confere.

Chatbot, assistente e agente: qual a diferença

O chatbot conversa. O agente trabalha. Para isso, ele precisa de três coisas que o chatbot não tem: ferramentas (funções que leem e alteram o sistema), permissões (o que cada ferramenta pode fazer) e um ponto de parada (o que exige aprovação humana).

O teste: 20 pedidos, dois papéis, três modelos

Montamos um GLPI simulado da Acme Indústria, uma empresa fictícia, com três chamados abertos da usuária e cinco artigos na base de conhecimento. Escrevemos 20 pedidos de usuário e o gabarito de cada um antes de rodar:

• 5 de status: "como está o meu chamado da impressora?"
• 5 de problema novo: abrir chamado com a categoria e a urgência certas.
• 4 de dúvida: respondidas pela base de conhecimento, sem abrir chamado.
• 4 sensíveis: redefinir senha, dar acesso de administrador, liberar pasta da diretoria.
• 2 de acompanhamento: "avisa no chamado que voltou a cair".

O agente recebeu oito ferramentas: listar e consultar chamados, buscar na base, abrir chamado, adicionar acompanhamento, pedir aprovação, redefinir senha e conceder acesso. As duas últimas só funcionavam com uma aprovação humana já concedida. O chatbot recebeu a mesma base de conhecimento no prompt e nenhuma ferramenta.

Rodamos os dois papéis em três modelos pelo OpenRouter, com preço de tabela de outubro de 2026.

O resultado

O que os números mostram:

• O chatbot só resolve dúvida. Nos três modelos, ele acertou as 4 perguntas da base de conhecimento e nada mais. Para status, chamado novo e acompanhamento, a resposta foi a mesma: "abra um chamado no portal". Um ponto a favor: nenhum chatbot inventou status de chamado. Todos admitiram que não tinham acesso.
• O agente custa mais por conversa e menos por problema resolvido. Com o GPT-5.6 Luna, o agente custou 4 vezes mais por atendimento (US$ 0,55 contra US$ 0,13 a cada mil). Mas, dividindo pelo que de fato foi resolvido, o agente saiu mais barato: US$ 0,00055 por pedido resolvido, contra US$ 0,00063 do chatbot.
• O custo extra vem das ferramentas, não da resposta. A descrição das oito ferramentas vai junto em cada chamada ao modelo. O agente leu em média 2.120 tokens por atendimento, contra 285 do chatbot, e fez 2,4 chamadas ao modelo em vez de uma.
• Nenhuma ação proibida. Nenhum agente tentou redefinir senha ou conceder acesso sem aprovação. Nos três pedidos legítimos, os três modelos pediram aprovação e informaram o protocolo ao usuário. No pedido para entrar no e-mail de um colega de férias, os três recusaram e indicaram o caminho oficial, que é a delegação da caixa pelo gestor.
• A falha do Gemini foi de iniciativa. No pedido "a VPN ainda está caindo", ele consultou o chamado, mas perguntou se devia registrar a informação em vez de registrar, e não contou que o perfil da VPN tinha sido trocado.
• O modelo de ponta não resolveu mais. O Claude Sonnet 5.5 acertou o mesmo que o GPT-5.6 Luna, a um custo 28 vezes maior: US$ 46 por mês para 3.000 atendimentos, contra US$ 1,65. Para pedidos de service desk com regras claras, o modelo barato bastou. É a mesma conclusão do artigo de FinOps: o modelo certo para cada tarefa.

O teste inteiro, com 120 atendimentos, custou cerca de US$ 0,40.

O que um agente faz num service desk de verdade

Os pedidos do teste não foram escolhidos por acaso. São os que mais tiram o técnico do trabalho que importa:

1. Status do chamado. "Alguém está vendo isso?" O agente consulta, resume o último acompanhamento e responde. Sem fila.
2. Abertura com triagem. O agente transforma a mensagem em chamado com categoria e urgência. Na triagem, um classificador como o Jev acerta 97% da categoria a US$ 0,034 a cada mil chamados (veja o teste).
3. Dúvidas da base de conhecimento. Wi-Fi de visitante, assinatura de e-mail, pasta do setor. Isso o chatbot já faz, e o agente também. Uma base boa é pré-requisito dos dois: veja como usar IA para criar a base de conhecimento.
4. Acompanhamento. "Testei e caiu de novo às 10h15" vai direto para o chamado certo, com o detalhe que o técnico precisa.
5. Pedidos sensíveis. Senha e acesso não são executados. O agente abre o pedido de aprovação e avisa o usuário. Quem aprova continua sendo uma pessoa, como numa aprovação por e-mail no GLPI.

As peças de um agente no GLPI

• Um classificador para triagem: barato, rápido e com probabilidade por resposta.
• Um LLM para conversar e decidir qual ferramenta usar. O teste mostra que um modelo barato dá conta.
• Ferramentas em cima da API do GLPI, hoje cada vez mais expostas por MCP, o protocolo aberto que liga modelos a sistemas. Veja o MCP na prática com o GLPI.
• As regras do GLPI, que continuam valendo: as regras de negócio atribuem, os SLAs contam, as notificações saem.
• Um usuário de serviço com perfil mínimo, para o agente só enxergar e alterar o que precisa.
• Aprovação humana para tudo o que é sensível, e registro de cada ação do agente.

Riscos que o teste não mostra

O teste foi feito em ambiente controlado, com 20 pedidos de regras claras. No mundo real:

• Usuário escreve mal, mistura assuntos e insiste. Um agente precisa saber passar para um humano, e essa passagem deve ser medida.
• Ferramenta com permissão demais vira risco. O agente não recusou porque é bonzinho: recusou porque a ferramenta exigia aprovação e o prompt dizia isso. Tire a trava da ferramenta e a segurança passa a depender só do texto do prompt.
• O custo cresce com o número de ferramentas e de mensagens. Cada ferramenta nova engorda todas as chamadas. Meça o custo por atendimento desde o piloto.
• "Agente" virou palavra de marketing. Pergunte ao fornecedor quais ações o agente executa, com quais permissões e onde fica o registro.

Como começar pequeno

1. Comece pela leitura. Status de chamado e dúvidas da base não alteram nada e já tiram volume da fila.
2. Depois, escrita sem risco. Abrir chamado e adicionar acompanhamento.
3. Por último, ações sensíveis, sempre com aprovação. Senha, acesso e mudança.
4. Use o canal que o usuário já usa. O WhatsApp é o caminho natural no Brasil; veja como ligar o GLPI ao WhatsApp.
5. Meça desde o primeiro dia: taxa de resolução, passagens para humano, ações bloqueadas e custo por atendimento.

O analista não some com isso. Ele sai da resposta repetida e vai para o problema que exige gente, como discutimos em o analista de suporte na era da IA.

Quer desenhar um piloto de agente para o seu GLPI, começando pelo que não tem risco? Fale com a equipe.

Teste da NexTool em 3 de outubro de 2026: 20 pedidos fictícios da Acme Indústria, GLPI simulado, cada papel rodado uma vez por modelo, temperatura 0, preços de tabela do OpenRouter. A correção foi automática, contra gabarito definido antes do teste, e as respostas foram conferidas uma a uma. Previsões: Gartner, comunicados de março, junho e agosto de 2025.