Case — LIS (demo para edital da Libbs: Assistente de Triagem de Tickets SAC com IA)

Tipo: AutoU (demo para edital da Libbs — indústria farmacêutica; edital ainda em andamento, a Libbs não é cliente da AutoU) Papel: Desenvolvedor Full Stack — projeto solo (demo/MVP feito sozinho) Status: Demo no ar (aguardando resultado do edital) Stack: Python, FastAPI, Poetry, React 19, TypeScript, Vite, TanStack Query, Zustand, Recharts, PostgreSQL, Gemini (google-genai) com fallback por regras, Docker Compose, deploy Oracle Cloud VPS

Nota de confidencialidade: demo construída pela AutoU para concorrer a edital — validar o que pode ser público antes de expor nome/detalhes. Não apresentar como projeto contratado ou cliente da AutoU enquanto o edital não for decidido.

Contexto e problema

O SAC da farmacêutica recebe solicitações heterogêneas (dúvidas de medicamento, farmacovigilância, reclamações) que precisam ser triadas manualmente antes de chegar ao atendente certo — com risco regulatório quando um relato de evento adverso demora a ser classificado. A AutoU decidiu concorrer ao edital da Libbs para esse problema, e a demo LIS foi construída como proposta técnica funcional — o edital segue em andamento.

Solução

Portal LIS com duas superfícies na mesma aplicação:

Chat público (domínio próprio, ex. chat.dominio.com): usuário final conversa com a assistente LIS, que triage a solicitação com IA e abre o ticket classificado; casos que exigem humano fazem transbordo para atendimento
Portal interno (login protegido): fila de "Conversas e atendimentos", visão de tickets com timeline, dashboards (Recharts)

Arquitetura e decisões técnicas

Degradação graciosa da IA: sem GOOGLE_GENAI_API_KEY, a LIS triage por regras locais — o MVP nunca fica fora do ar por indisponibilidade/custo de LLM
Uma aplicação, dois domínios: o mesmo frontend serve portal interno e chat público, roteando pela env VITE_CHAT_HOSTS — menos infra, mesma API e mesmo banco, transbordo natural entre canais
React 19 + TanStack Query + Zustand: server state e client state separados por ferramenta certa; testes com Vitest + Testing Library
Deploy sem registry: script PowerShell builda imagens localmente, envia images.tar + compose + .env via SSH e sobe na VPS — pipeline simples e reproduzível para MVP
Arquitetura documentada em diagramas HTML e pareceres técnicos versionados no repo (material de apresentação para o edital)

Desafios e soluções

Setor regulado (farma): triagem com trilha clara de conversa→ticket e transbordo humano para casos sensíveis
Fidelidade ao design: telas implementadas a partir de especificações CSS extraídas do Figma (chat e visão de conversas/timeline)
Custo do MVP: Oracle Cloud Always Free + DuckDNS, com caminho pavimentado para infra definitiva

Resultados e impacto

Triagem automática de tickets SAC com classificação assistida por IA e fallback determinístico
Canal público de atendimento e portal interno entregues como um único deploy
Demo funcional apresentada no edital com custo de infraestrutura zero — resultado do edital ainda em andamento

Indicadores projetados no discovery (projeções do business case — não medições)

Base de referência levantada com os stakeholders: ~50 chamados/dia (~18–20 mil/ano), sendo 80% simples; tempo atual de 7 min/chamado (5 de formulação de resposta + 2 de tabulação), com prazo de resposta de até 24h. Projeções apresentadas:

Resolução automática: ~72% dos chamados sem intervenção humana (~36/dia) — a IA resolve ~90% dos simples; os complexos seguem para humano com contexto pré-coletado
Tempo médio de atendimento: de 7 min para ~2 min (redução de ~71%) — simples respondidos na hora, complexos em ~4 min porque o contexto já chega estruturado
Escalonamento correto: ~90% dos casos sensíveis direcionados certo ao humano, tendendo a 95%+ com o ciclo de feedback
Carga operacional: ~4,2h/dia economizadas (~1.050h/ano), economia estimada de ~R$ 26 mil/ano — sem contar qualidade e retrabalho
Acurácia da classificação de intenção: ~82% no go-live → ~90% após o 1º ciclo de feedback → ~95% na operação madura (diferencial: governança contínua da base de conhecimento e feedback dos atendentes)
NPS: ganho estimado de +25 a +30 pontos vs. SAC tradicional

Automação com critério, não SAC 100% automatizado: simples (currículo, desconto, dúvida institucional) resolvidos na hora com respostas aprovadas; sensíveis (evento adverso, desvio de qualidade, reclamação técnica) identificados, coletados e transbordados com segurança — respeitando farmacovigilância, LGPD e CDC.