A inteligência artificial entrou definitivamente no léxico estratégico da Gestão de Serviços de TI. E com muito boas razões. As suas promessas são muito concretas: acelerar os processos, melhorar a qualidade do suporte, aumentar a eficiência operacional, aliviar a carga das equipas de TI, e impulsionar a melhoria contínua.
Tudo verdade… desde que não se subestime o ponto decisivo: a IA não produz valor automaticamente, quase por magia, pelo simples facto de ser introduzida. Quando é adotada em contextos onde os processos são pouco claros, os dados são incoerentes e a governação é frágil, a inteligência artificial pode transformar-se num multiplicador de vulnerabilidades particularmente perigoso.
Então, o que fazer? O ponto de partida indispensável é identificar com precisão os riscos, de forma a mantê-los sob controlo, evitando enveredar por becos sem saída ou, pior ainda, por caminhos que conduzem diretamente a um precipício.
É isso que faremos neste artigo, no qual agrupámos em quatro grandes áreas os principais riscos da IA no ITSM. Avancemos de forma ordenada, concluindo com uma abordagem mais realista: a única que permite tirar verdadeiro partido das oportunidades desta revolução tecnológica sem precedentes.
O primeiro risco: automatizar a desordem
A Inteligência Artificial, entre outras coisas, é um acelerador extremamente poderoso. Mas um acelerador, por si só, não distingue o que funciona do que não funciona.
O que significa isto, na prática do ITSM? Significa que, por exemplo, se o processo de gestão de incidentes não estiver devidamente padronizado, se a categorização dos tickets variar de equipa para equipa, se as prioridades forem atribuídas de forma inconsistente, então a IA não corrige o sistema: amplifica os seus erros.
Este é um dos riscos mais intuitivos, mas também dos mais subestimados. Uma organização pode introduzir um assistente virtual, uma classificação automática de tickets ou um motor de sugestões para a base de conhecimento e obter, pelo menos na aparência, maior rapidez.
Mas se a montante os workflows não forem claros, os resultados serão inevitavelmente incoerentes. Dois pedidos semelhantes podem receber tratamentos diferentes. Um ticket crítico pode ser encaminhado incorretamente. Uma recomendação pode parecer plausível e, no entanto, basear-se em dados incorretos ou em documentação obsoleta.
O efeito final é paradoxal: mais automação, mas menos fiabilidade. Por outras palavras, antes mesmo de perguntar onde introduzir a IA, dever-se-ia perguntar qual é o nível de maturidade dos processos ITSM da organização.
Porque a inteligência artificial funciona bem quando encontra estruturas legíveis: workflows bem concebidos, taxonomias coerentes, SLA definidos, bases de conhecimento bem cuidadas e responsabilidades claras. Sem estes alicerces, o risco não é apenas errar, mas errar mais depressa e em maior escala.
O segundo risco: as consequências de dados de fraca qualidade
Chegamos a um nó decisivo, ao qual já fizemos referência: a qualidade dos dados. No ITSM contemporâneo, os dados chegam de muitas fontes diferentes: tickets, CMDB, ferramentas de monitorização, artigos de conhecimento, pedidos de serviço, ativos, logs, inquéritos, escaladas.
Se estas fontes não forem fiáveis, atualizadas e coerentes, mesmo a IA mais sofisticada trabalhará sobre bases instáveis.
É um tema menos vistoso do que a automação, mas ainda mais importante. Porque um modelo – pelo menos, por agora – não interpreta o contexto como o faria um profissional experiente: identifica padrões nos dados disponíveis. E se os padrões estiverem distorcidos, incompletos ou contraditórios, também o output tenderá a sê-lo.
É por isso que muitas iniciativas de IA parecem convincentes na fase de demonstração e muito menos na realidade quotidiana do service desk.
Atenção: o problema não é apenas técnico, é também cultural. Quando utilizadores e operadores começam a receber sugestões incoerentes, classificações pouco compreensíveis ou respostas imprecisas, a confiança deteriora-se rapidamente. E, uma vez perdida, recuperá-la é muito mais difícil do que introduzir uma nova funcionalidade.
A IA, em suma, não falha apenas quando produz erros macroscópicos; falha também quando gera um ruído constante, subtil, que torna o sistema menos credível. Este é um dos rostos mais concretos dos riscos da IA no ITSM.
O terceiro risco: onde está a prova do valor?
O terceiro risco é uma armadilha muito concreta, sobretudo ao nível da gestão. Muitas organizações introduzem a IA porque percecionam que é uma prioridade inevitável, ou simplesmente porque todos à sua volta o estão a fazer.
Mas não definem antecipadamente o que deve realmente melhorar, para elas, no seu contexto preciso. O tempo médio de resolução? O first contact resolution? A redução do volume de tickets? A qualidade da base de conhecimento? A experiência do utilizador? A produtividade dos agentes?
Sem uma baseline e sem métricas partilhadas, os benefícios permanecem indefinidos. Vê-se movimento, notam-se novas ferramentas, gera-se entusiasmo. Mas quando chega o momento de justificar investimentos, roadmaps e prioridades, falta a prova do valor.
É um dos paradoxos típicos do hype: quanto mais se fala de uma tecnologia, mais difícil se torna demonstrar o seu impacto real, se o projeto não foi ancorado desde o início a resultados mensuráveis.
Por isso, numa estratégia madura, a IA nunca deveria ser um fim em si mesma. Deveria ser uma ferramenta ao serviço de objetivos claros de melhoria do serviço. Dito de outra forma: o foco deve deslocar-se da tecnologia para a governação.
O quarto risco: uma proliferação incontrolada de ferramentas
Terminamos com um risco menos operacional, mas mais amplo e cada vez mais atual: a fragmentação. Quando a IA entra na empresa sem políticas claras, sem responsabilidades definidas e sem critérios partilhados de utilização, o resultado pode ser uma nova forma de shadow IT: mais rápida, mais acessível e mais difícil de monitorizar.
Basta que equipas individuais utilizem ferramentas diferentes para classificar tickets, gerar respostas, construir workflows ou produzir conteúdos de gestão do conhecimento para que, em pouco tempo, se criem divergências, duplicações e novas superfícies de risco.
A partir daí, o problema já não é apenas a qualidade das respostas individuais da IA, mas a perda de coerência global do sistema ITSM.
Este cenário é particularmente delicado porque se desenvolve de forma gradual e subtil. No início parece um fenómeno inofensivo, até positivo: mais experimentação, mais iniciativa, mais velocidade. Depois, porém, emergem as consequências operacionais. Linguagens diferentes, regras diferentes, automações diferentes, níveis de qualidade diferentes.
E aquilo que devia simplificar acaba por aumentar ainda mais a complexidade.
Antes de escalar a IA, é preciso pôr o ITSM em ordem
Vimos os principais riscos. A esta altura, a pergunta certa não é se devemos ou não adotar a IA no ITSM. É antes: sobre que bases? Com que precauções?
As organizações que querem verdadeiramente reduzir os riscos da IA no ITSM deveriam concentrar-se, antes de mais, em alguns elementos estruturais: processos padronizados, dados fiáveis, funções claras, governação, métricas, qualidade da documentação, manutenção da base de conhecimento e integração entre service desk, gestão de incidentes, gestão de pedidos e monitorização.
Não é a parte mais “espetacular” do percurso, mas é a que torna a IA verdadeiramente escalável.
Digamo-lo de forma muito clara: a inteligência artificial funciona bem quando encontra um ecossistema ordenado. Quando pode ler sinais coerentes. Quando a CMDB não é um arquivo esquecido. Quando os tickets não são uma selva de categorias improvisadas. Quando as equipas partilham uma linguagem operacional comum.
Só então a automação inteligente deixa de ser uma promessa vaga e “milagrosa” e começa a tornar-se um ativo concreto.
Uma abordagem mais realista, portanto mais estratégica
Então, como sair do hype em torno da inteligência artificial e aproveitar verdadeiramente o seu enorme potencial?
O primeiro passo é deixar de pensar na IA como um atalho. No ITSM, não o é. É antes um multiplicador. E os multiplicadores, por definição, amplificam o que encontram: se encontram solidez, aumentam o valor; se encontram caos, aumentam o ruído.
A IA no ITSM não deve ser travada por medo, nem acelerada por moda. Deve ser integrada numa estratégia séria, à medida da própria empresa e do contexto em que está inserida.
Porque o verdadeiro risco oculto não é que a IA não funcione. É que pareça funcionar suficientemente bem para nos convencer de que os alicerces já não importam… quando, na verdade, importam ainda mais do que antes.
Para aprofundar estes aspetos, remetemos para as gravações do webinar EasyVista “AI in ITSM: What’s Real. What’s Hype. What’s Next”, que aborda precisamente a fronteira entre possibilidades concretas, expectativas inflacionadas e cenários de adoção mais maduros.
FAQ
#1 Porque é que uma abordagem demasiado rápida à IA pode ser problemática?
Porque empurra frequentemente as equipas para a utilização da inteligência artificial sem partir de problemas concretos a resolver. Isto gera experimentações desconexas, projetos redundantes e resultados difíceis de escalar ou medir.
#2 Quais são os principais riscos da IA no ITSM?
Os principais riscos são quatro: automatizar processos desordenados, obter resultados pouco fiáveis devido a dados de fraca qualidade, não conseguir demonstrar o valor real da IA e criar fragmentação entre ferramentas e workflows na ausência de uma governação clara.
#3 Como se reduzem os riscos da IA no ITSM?
Colocando primeiro os alicerces em segurança: padronização dos processos, governação, qualidade dos dados, métricas claras, documentação atualizada e uma base de conhecimento bem mantida. Só depois faz sentido escalar a IA.