Cielo reduz chamados de TI em 52% com agente de inteligência artificial

A Cielo reduziu em cerca de 52,2% o volume de chamados direcionados ao serviço de atendimento de tecnologia da informação (TI) com a implantação de um agente de inteligência artificial (IA).

A Cielo reduziu em cerca de 52,2% o volume de chamados direcionados ao serviço de atendimento de tecnologia da informação (TI) com a implantação de um agente de inteligência artificial (IA).

Em contexto

• Tema: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
• Fonte: IT Forum
• Publicado: 28/08/2026

Continuar lendo na fonte original →

Trecho publicado automaticamente pelo radar do site. O texto completo pertence ao veículo e está vinculado acima.

Por qué importa

La adopción de IA en una empresa no se parece a comprar software: se parece a contratar gente. Hay que enseñarle el contexto, revisarle el trabajo al principio, definir qué puede firmar solo y qué no. Las noticias que valen son las que muestran a alguien resolviendo esa parte, no la del anuncio.

Yo mido la madurez en IA con una pregunta incómoda: ¿alguien puede explicar, en una línea, qué decisión toma el modelo y quién responde si se equivoca? Donde eso está claro, el proyecto avanza. Donde no, se queda en piloto eterno y termina cancelado con la excusa de que la tecnología no estaba lista.

Lo que suele salir mal

Lo que más veo fallar es la expectativa. Alguien vio una demo impecable y pidió lo mismo para su área en un mes, sin considerar que la demo corría sobre datos limpios preparados para la ocasión. Cuando el piloto real muestra resultados irregulares, la conclusión injusta es que la tecnología no sirve.

Qué mirar

• Qué proceso concreto se toca y cómo se mide antes y después; sin línea base no hay resultado, hay opinión.
• Quién revisa las salidas del modelo y con qué frecuencia — el punto donde la IA se vuelve auditable.
• El costo por consulta a volumen real, no el del piloto: es la variable que más sorpresas da.

Cómo leo esta entrada

Mi recomendación práctica es fijar desde el día uno qué se hace cuando el modelo se equivoca: quién revisa, con qué frecuencia, y en qué momento se apaga. Suena defensivo, pero es exactamente lo que permite ser agresivo después, porque el riesgo dejó de ser una incógnita.

La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.