A cada interação com a OpenAI, um suporte melhor

Este conteúdo faz parte da nossa série sobre como a OpenAI está desenvolvendo soluções próprias com base na tecnologia que usamos na empresa.

Até pouco tempo atrás, a ideia de suporte ao cliente era sinônimo de filas, chamados e processamento. Mas, na OpenAI, sabíamos que isso não seria o suficiente. Atendemos centenas de milhões de usuários, processamos milhões de solicitações por ano e sabemos que esse volume cresce exponencialmente a cada ano.

Muitas organizações lidam com operações em escala. Só que poucas lidam com escala e crescimento acelerado. E, além disso, quase nenhuma organização enfrenta esses dois cenários simultaneamente — e, no meio disso, ainda tenta desenvolver a tecnologia necessária para mudar esse cenário. E foi essa combinação de fatores que fez com que a OpenAI estivesse em uma posição única para repensar a noção de suporte.

A parte desafiadora do suporte não é o alto volume de trabalho, mas sim a parte de engenharia e design operacional. Foi por isso mesmo que criamos algo diferente: um modelo operacional em que cada interação melhora a ação seguinte.

A equipe de operações queria ir muito além de simplesmente usar um chatbot como um canal de triagem para as perguntas de suporte. Na verdade, a ideia era reimaginar o suporte enquanto um modelo operacional de IA, capaz de aprender e melhorar de modo contínuo.

E isso gira em torno de três pilares:

• Superfícies. Ou seja, os locais onde as pessoas interagem com os sistemas de suporte. Chat, e-mail e telefone, claro — mas, também, recursos de ajuda incorporados diretamente ao produto.
• Conhecimento. Não apenas documentos estáticos, mas sim orientações vivas e em constante aperfeiçoamento, extraídas de conversas reais, de políticas e de contexto.
• Avaliações e classificadores. Definições compartilhadas de qualidade, criadas em conjunto por software e seres humanos. Além disso, ferramentas para medir, melhorar e destacar o feedback.

Essas peças não ficam isoladas. Na verdade, elas formam um ciclo. Um padrão observado em uma conversa empresarial pode servir de base para as perguntas frequentes dos desenvolvedores. Do mesmo modo, uma avaliação escrita para um caso reforça o modelo para milhares de outros. E como os mesmos princípios básicos alimentam todas as interfaces — chat, e-mail, voz —, as melhorias são aplicadas automaticamente a todos os canais.

O papel dos representantes de suporte está mudando. Nosso objetivo é ajustar o modelo para que o foco principal passe a estar no processamento de transações enquanto parte do build. Dessa forma, os representantes têm autonomia para contribuir com a própria arquitetura — tanto diretamente, por meio do envio de alterações em escala — quanto indiretamente, por meio dos movimentos naturais da rotina de trabalho.

Os representantes sinalizam interações que devem se tornar casos de teste, propõem e enviam classificadores quando observam novos padrões e até mesmo criam protótipos de automações leves para preencher lacunas no fluxo de trabalho em poucos dias. O treinamento também muda, pois não se trata apenas de políticas: chegou o momento de avaliar interações, identificar lacunas estruturais e retroalimentar as melhorias.

A nova abordagem visa garantir que os representantes de suporte ajudem na parte de desenvolvimento e feedback.

O resultado? Uma estrutura de suporte que não é pautada pela produtividade, mas sim pela capacidade de evoluir. Os colaboradores não estão apenas atendendo aos usuários: eles estão, de fato, melhorando a infraestrutura que atende a todos os usuários.

Desenvolver uma estrutura de suporte desse tipo só é possível porque temos, como base, o stack da OpenAI.

• O SDK Agents nos fornece rastreamentos em nível de etapa e observabilidade por padrão. Isso significa que podemos reproduzir execuções, inspecionar chamadas de ferramentas e depurar causas instantaneamente.
• A API Responses alimenta classificadores para tom, correção e adesão a políticas.
• A API Realtime torna possível o suporte de voz.
• O painel de controle de Avaliações da OpenAI torna a qualidade mensurável e fácil de visualizar ao longo do tempo.

Como os princípios básicos da plataforma já vêm prontos, gastamos menos tempo integrando sistemas e mais tempo focando no trabalho que realmente importa: definir o que é bom, avaliar essa parte e melhorar.

Começamos com um simples sistema de perguntas e respostas que funcionou bem. Com o SDK Agents, expandimos rapidamente para ações dinâmicas como reembolsos, faturas e pesquisas de incidentes. Conforme os modelos vão melhorando com janelas de contexto maiores, Deep Research e capacidades agênticas mais fortes, é possível passar a adotar esses avanços de maneira imediata.

As avaliações transformam conversas cotidianas em testes reais da etapa de produção. Na verdade, elas ajudam a definir o conceito de "excelente" — ou seja, não se trata de apenas resolver o problema, mas sim de fazer isso de uma maneira educada, clara e consistente. Os representantes desempenham um papel direto aqui, sinalizando exemplos fortes e fracos que se tornam avaliações. Essas avaliações, por sua vez, são executadas continuamente na produção para orientar o comportamento do modelo.

"Normalmente, quando você tem um problema, só quer que alguém te ajude o mais rápido possível. Com as ferramentas de IA, conseguimos obter essas respostas de um jeito muito mais rápido. E, talvez ainda mais importante, sabemos quando o modelo não deve responder", afirma Jay Patel, engenheiro de software para automação de suporte.

O aprendizado não se limita à resolução de problemas. Por isso mesmo, os padrões são incorporados ao conhecimento, à automação e ao design do produto. O sistema combina respostas mais rápidas para os usuários, ciclos de feedback mais rigorosos para os construtores e um padrão de qualidade mais elevado em todas as áreas.

E não é apenas a IA que aprende: a organização aprende junto com ela. Os especialistas identificam os pontos fracos dos modelos, criam novos classificadores e contribuem com conjuntos de dados para o ajuste fino. Os painéis de controle de observabilidade tornam a qualidade mensurável, mostrando como o desempenho melhora ao longo do tempo.

A mudança mais profunda não é a ferramenta, mas sim as pessoas e a forma como a organização mede o próprio sucesso. Os especialistas em suporte são reconhecidos não apenas por resolver problemas, mas também por refinar conhecimentos, melhorar modelos e ampliar o próprio sistema. Os líderes procuram um novo tipo de colega de equipe: alguém que combine empatia com instintos de design, mesclando habilidade de apoio com curiosidade para melhorar o sistema.

O nosso objetivo, afinal de contas, é que o suporte deixe de ser o local onde as pessoas vão para pedir ajuda. Ele pode se tornar uma ação, que é incorporada em cada superfície do produto. Os usuários não "abrem um chamado": eles apenas encontram o que estão buscando, no momento em que começam a buscar.

Aquilo que começou como uma resposta ao dimensionamento tornou-se um modelo de como as pessoas e a IA podem trabalhar juntas: de forma colaborativa, adaptável e em constante aperfeiçoamento.