Uma caixa de entrada partilhada - info@, atendimentoaocliente@, planeamento@ - recebe correio o dia inteiro. Alguém lê esse correio, determina do que se trata e encaminha-o para o responsável ou departamento certo. Muitas vezes isto passa por um sistema de e-mail ligado a um sistema de tickets. A questão não é se a IA consegue ler correio - isso já consegue há muito tempo - mas se a IA consegue fazer a categorização e o encaminhamento de forma autónoma, ou se um humano deve continuar a acompanhar.
Esta tarefa pontua alto em volume: uma caixa de entrada com dezenas ou centenas de e-mails por dia é exatamente o tipo de trabalho repetitivo em que a automatização se foca. Volumes elevados tornam rentável treinar um sistema ou estabelecer regras, mesmo que nem todos os e-mails sejam tratados na perfeição.
A estruturação da tarefa é, no entanto, baixa (2 em 5). Um e-mail é texto livre, escrito por um cliente, fornecedor ou colega que não segue um formato fixo. Um e-mail é uma reclamação disfarçada de pergunta, outro é um pedido de orçamento com três perguntas adicionais incluídas, o terceiro é spam que por acaso parece relevante. Enquanto um formulário com campos fixos é fácil de classificar, um modelo de IA precisa primeiro de reconhecer a intenção num texto livre antes de conseguir categorizá-lo. Isso é possível, mas falha com mais frequência do que com dados estruturados.
O contacto com clientes também pontua baixo (2 em 5), e isso é motivo para prudência: muitos destes e-mails vêm de clientes ou parceiros. Um e-mail mal encaminhado de um cliente zangado que espera dois dias por uma resposta custa mais do que o tempo que a triagem deveria ter poupado. Quanto mais elevado o contacto com clientes, mais cautela é necessária com a automatização completa - é um padrão que também se verifica em tarefas do departamento de RH, onde a comunicação sensível a nível pessoal costuma exigir um pouco mais de supervisão do que o esperado (ver que trabalho pode a IA assumir no departamento de RH).
Suponha que chega um e-mail com o assunto "pergunta sobre a fatura 2024-1187". Uma regra de classificação ou um modelo treinado reconhece o padrão (número de fatura, palavra-chave "pergunta") e encaminha o e-mail para a administração financeira. Na maioria dos casos isto corre bem e é um exemplo escolar de reconhecimento de texto que a IA já consegue realizar hoje.
Mas suponha que o mesmo e-mail começa com "já fui contactado por telefone três vezes e continuo sem ser ajudado, esta é a última vez que..." e só depois menciona a fatura. Um modelo que apenas se orienta por palavras-chave ou categorias de intenção pode não detetar a urgência e a necessidade de escalar. É aqui que entra em jogo a margem de julgamento (3 em 5): avaliar quão urgente ou sensível é algo é menos inequívoco do que apenas reconhecer um assunto.
O resultado depende fortemente do que chega à caixa de entrada. Uma caixa de entrada que recebe sobretudo confirmações automatizadas, estados de encomendas e perguntas-padrão tem uma estruturação muito mais elevada do que a avaliada aqui. Pense numa caixa de entrada ligada a uma loja online com um número limitado de tipos de perguntas recorrentes - aí a classificação pode funcionar quase sem erros, e o resultado aproxima-se mais da categoria 1.
Inversamente: uma caixa de entrada de um escritório de advogados ou de um departamento de reclamações, onde cada e-mail pode ser juridicamente ou emocionalmente sensível, tem uma pontuação de contacto com clientes mais baixa e custos de erro mais elevados do que a média aqui apresentada. Aí o resultado desloca-se para a categoria 3, trabalho humano com a IA como ferramenta auxiliar para pré-triagem.
É exatamente por isto que uma análise específica por tarefa diz mais do que uma afirmação genérica sobre "triagem de e-mail". O mesmo nome de tarefa pode ser, numa empresa, largamente automatizável e, noutra, continuar a ser sobretudo trabalho humano, dependendo do tipo de correio, da sensibilidade dos remetentes e das consequências de um erro.
Para uma caixa de entrada partilhada média, com conteúdo misto, a triagem de e-mail enquadra-se na categoria 2: parcialmente automatizável, com supervisão humana. A IA pode, com base em regras de classificação ou num modelo treinado, fazer uma primeira classificação e encaminhar diretamente a maioria das mensagens de rotina. Em caso de dúvida - um assunto pouco claro, um tom emocional, um remetente desconhecido - o sistema deve escalar para um humano que aprova ou corrige. A assunção total (categoria 1) só é realista em caixas de entrada com conteúdo altamente previsível e repetitivo e baixo contacto com clientes. O trabalho puramente humano (categoria 3) aplica-se a caixas de entrada onde praticamente todos os e-mails são sensíveis, juridicamente carregados ou críticos para a relação.
Esta classificação não afeta, aliás, decisões de pessoal: se e como uma organização redistribui as horas libertadas está fora do âmbito desta avaliação e tem os seus próprios requisitos legais. Ponderações semelhantes entre volume e sensibilidade também se colocam em tarefas de planeamento, onde pode ler que trabalho pode a IA assumir no planeamento (/welk-werk-kan-ai-overnemen-op-de-planning), ou em processos documentais, como se vê na página sobre o processo de assinatura de documentos.
Se a triagem na sua própria caixa de entrada se aproxima mais da categoria 1 ou da categoria 3 depende do tipo de correio que chega e de quem são os remetentes - isso não se deduz apenas do nome de uma tarefa. O quickscan gratuito da ftetoai.com dá, com doze perguntas, sem necessidade de conta, uma primeira indicação de que parte das horas no seu perfil de função pode hoje ser assumida pela IA. A análise de trabalho completa, que calcula ao nível da tarefa, ainda está em construção; por isso ainda não a oferecemos aqui, mas o quickscan já fornece um ponto de partida honesto.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.