Como três marcas holandesas de e-commerce compartilham um único cérebro de IA — sem reconstruir nada duas vezes

Cada time de suporte acumula o mesmo problema silencioso: os tickets se acumulam, os agentes respondem as mesmas perguntas repetidamente e ninguém tem tempo de transformar esse sinal em documentação. O time por trás de Bolusso.nl , Eroticon.nl e Shop-toppers.nl resolveu isso com um único agente de IA do FlowHunt que faz a leitura, agrupamento e identificação de lacunas automaticamente — toda semana, sem que ninguém precise pedir.

De tickets de suporte à base de conhecimento: transformando a frustração do cliente em documentação

Os tickets de suporte são uma das fontes mais ricas de feedback sobre produtos e documentação que um time possui. Os clientes dizem exatamente o que não conseguem encontrar, o que os confunde e o que sua base de conhecimento não responde. Mas extrair esse sinal manualmente — ler centenas de tickets, agrupar perguntas similares, verificar se a KB já as cobre — é exatamente o tipo de trabalho analítico repetitivo que nunca entra na lista de prioridades de ninguém.

O time da Shop-toppers queria um sistema que transformasse automaticamente os dados de tickets em itens de ação para a KB. O resultado é um pipeline automatizado semanal que funciona inteiramente dentro do FlowHunt AI Projects.

Chatbot de e-commerce impulsionado por IA: uma base de conhecimento para três storefronts holandeses

Antes de mergulhar no pipeline de análise semanal, é útil entender como a infraestrutura de suporte está configurada. O time opera Bolusso.nl , Eroticon.nl e Shop-toppers.nl a partir de uma única base de conhecimento compartilhada do FlowHunt — um conjunto de descrições de produtos, políticas de devolução, perguntas frequentes e regras de envio do qual os três sites se alimentam.

Cada storefront tem seu próprio chatbot alimentado por essa base de conhecimento compartilhada. Quando um cliente na Bolusso acessa o site e abre o chat, ele é recebido pelo “Chatbot Bob” — um assistente de IA que conhece o catálogo completo de produtos, pode ajudar a rastrear pedidos e resolve perguntas sobre devoluções instantaneamente, 24/7.

A mensagem de boas-vindas do chatbot — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — e seus botões de resposta rápida (“Volg je bestelling”, “Product retourneren”) são todos impulsionados pelos mesmos flows usados nas três marcas.

Quando uma política muda ou uma nova categoria de produtos é lançada, o time atualiza a base de conhecimento uma vez. Os três chatbots refletem a mudança imediatamente. A mesma lógica se aplica aos flows: construir uma vez, implantar em todo lugar.

Análise automatizada de tickets de suporte: como o FlowHunt AI Projects encontra lacunas de conhecimento toda semana

O chatbot lida com a linha de frente. Mas ele gera um tipo diferente de sinal: as perguntas que não consegue resolver e os tickets que chegam mesmo assim aos agentes humanos. O pipeline de análise semanal de lacunas é o que fecha esse ciclo de feedback.

Dentro do FlowHunt AI Projects, o time executa um único projeto: LiveAgent FAQ knowledge base checker. Sua função é ler todos os tickets dos últimos 7 dias e dizer exatamente ao time qual documentação está faltando.

O agente recebe uma persona precisa e barreiras rígidas. Ele opera em modo somente leitura em relação ao LiveAgent — busca dados de tickets, mas não pode modificar, excluir ou fechar nada. Essa barreira é explícita no prompt do sistema e aplicada no nível da ferramenta.

O pipeline de duas fases: clustering de tickets do LiveAgent e verificação da base de conhecimento

O agente executa uma investigação de duas fases a cada execução.

Fase 1 — Clustering de tickets e extração de temas

O agente extrai todos os tickets dos últimos 7 dias via integração com o LiveAgent. Ele filtra imediatamente o ruído: notificações automatizadas da plataforma, alertas de pedidos da Amazon e qualquer mensagem gerada pelo sistema são descartados. Apenas consultas genuínas de clientes humanos são processadas.

Os tickets restantes são agrupados pela pergunta específica sendo feita — não por categoria vaga, mas por intenção precisa (ex.: “Como faço para devolver um item defeituoso?” em vez de apenas “Devoluções”). Os 5 temas mais frequentes são identificados, nomeados claramente e documentados com contagens de frequência e exemplos representativos.

Fase 2 — Verificação de KB e análise de lacunas

Para cada um dos 5 temas principais, o agente busca na base de conhecimento compartilhada:

• Se artigos existem: o agente analisa por que os clientes continuam abrindo tickets apesar da cobertura. Ele procura desatualização, casos extremos ausentes, linguagem pouco clara ou escopo incompleto. O artigo é sinalizado como uma falha de KB — o conteúdo existe, mas não está resolvendo o problema.
• Se nenhum artigo existe: o tema é imediatamente classificado como uma lacuna crítica — território não documentado que a equipe de conteúdo da KB precisa abordar.

Essa distinção importa. Uma lacuna crítica e uma falha de KB exigem respostas diferentes: uma precisa de um novo artigo, a outra precisa de uma edição.

De tickets brutos a briefings acionáveis: relatórios semanais automatizados de lacunas da KB

Ao final de cada execução, o agente envia por e-mail um relatório estruturado diretamente para o time. Ninguém precisa fazer login na plataforma para ver os resultados.

O e-mail segue uma estrutura fixa:

Tabela de principais perguntas — cada linha contém a pergunta específica do cliente, quantas vezes apareceu na semana passada, duas ou três linhas de assunto de tickets de exemplo, os IDs de tickets relevantes e um rascunho de resolução que a equipe de conteúdo pode usar como ponto de partida.

Recomendações estratégicas de KB — temas mais amplos, ideias para novos artigos e melhorias no portal baseadas nos dados de tickets da semana. Cada recomendação inclui o raciocínio: por que isso importa com base no que os clientes estão realmente perguntando.

O assunto é sempre Weekly KB Gap Analysis - [Date], tornando os e-mails fáceis de arquivar e consultar ao longo do tempo.

Memória de IA persistente: como as descobertas semanais se transformam em inteligência de suporte de longo prazo

Um detalhe que diferencia isso de um relatório único: o agente escreve suas descobertas no Project Memory — um wiki persistente dentro do projeto de IA que é atualizado após cada execução.

O time constrói automaticamente um registro longitudinal. Temas que continuam aparecendo semana após semana apesar de terem sido sinalizados anteriormente se destacam imediatamente. Lacunas de KB que foram resolvidas podem ser marcadas como tal. O conhecimento acumulado do agente se torna mais útil quanto mais tempo ele funciona.

Automação de suporte de e-commerce que se gerencia sozinha: agentes de IA programados sem triagem manual

Todo o pipeline é acionado por um Periodic Issue — uma tarefa programada no AI Projects que é ativada automaticamente em uma cadência definida sem qualquer intervenção manual. O time configurou uma vez; ele executou 16 vezes desde então.

Cada execução leva entre 1 e 10 minutos dependendo do volume de tickets naquela semana. O custo por execução é uma fração do que um analista humano gastaria fazendo um trabalho equivalente manualmente. O time recebe um briefing pronto para ação toda semana sem que ninguém precise fazer login no LiveAgent, ler tickets ou compilar um relatório.

“Feel free to also include our other websites if you want to. The knowledge base and all our flows are used for the following websites combined.”

Construir uma vez. Implantar em todo lugar. Deixar o agente dizer o que está faltando.

Empresas: Shop-toppers.nl · Bolusso.nl · Eroticon.nl Setor: E-Commerce Localização: Países Baixos Recursos do FlowHunt utilizados: AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Modelo do agente: claude-4.5-haiku (Supervisor)