Nossa leitura
Comece por uma parte de um estudo de caso, não pelo estudo de caso inteiro. O agente de RH da AMD abrange SAP SuccessFactors, ServiceNow, SharePoint e aprovações no Teams, então aproveite dele uma consulta e uma ação de escrita. O rastreamento de pedidos e a atualização de endereços da Autodoc são um modelo menor. Os dois são relatos publicados pelo fornecedor, não escopos validados. Teste o modelo de permissões e o gatilho de transferência no seu próprio piloto.
Comece pela ação, não pela janela de chat
A Kore.ai descreve sua plataforma como um lugar para criar e implantar agentes de IA para atendimento e para o trabalho. A página inicial apresenta o atendimento como a resolução de casos de clientes do início ao fim, em todos os canais e sistemas, e o trabalho como a conclusão de solicitações de funcionários sem transferências nem atrasos.
Com esse enquadramento, a pergunta útil não é se um agente consegue responder, mas em qual sistema ele age. Os dois estudos de caso respondem de forma diferente. A AMD usa o agente para transações e aprovações de RH. A Autodoc o usa para rastreamento de pedidos, atualização de endereços e verificação de reembolsos. Trate-os como fontes de ideias, não como modelos prontos: pegue o estudo de caso mais próximo e reduza-o a uma ação de leitura e uma ação de escrita antes de ampliar qualquer coisa.
Conexões: os sistemas citados
O estudo de caso da AMD cita três sistemas: SAP SuccessFactors, ServiceNow e Microsoft SharePoint. Ele também descreve uma camada de orquestração baseada em API para ações entre sistemas e automação de processos. A empresa tem cerca de 30.000 funcionários e aproximadamente 15 pessoas na central de atendimento de RH.
O marketplace da Kore.ai lista componentes para conectar agentes a outros sistemas, incluindo ServiceNow, Zendesk, Freshdesk, Salesforce, HubSpot, Gmail e Outlook. Também lista modelos como um classificador de tickets de suporte, que marca tickets em uma ferramenta de ITSM para o roteamento, e um preditor de escalonamento, que lê as conversas dos tickets em busca de sinais de sentimento e de risco. Para uma equipe que usa Zendesk ou Freshdesk, essas listagens são um ponto de partida concreto.
O estudo de caso da Autodoc não cita os sistemas de pedidos ou de pagamento por trás do agente, então a lista de conexões para uma configuração parecida precisa vir da sua própria stack.
Guardrails: o que a ABL e o rastreamento oferecem
A página inicial descreve a Agent Blueprint Language como uma linguagem tipada e orientada a esquemas, na qual as empresas definem o comportamento do agente, as ferramentas, os guardrails, a orquestração e a lógica de transferência. A vantagem prática é que as ferramentas que um agente pode chamar e as condições para passar um caso a uma pessoa ficam em uma única definição estruturada, e não em prompts espalhados pelos fluxos.
A mesma página descreve o StateTrace, que registra o caminho de execução ao longo das transferências, do estado, das chamadas de ferramentas e do contexto. Para quem faz a avaliação de segurança ou de operações de RH, esse rastreamento é o artefato que se deve pedir para ver em um piloto, porque mostra quais ferramentas o agente chamou e quando fez a transferência.
Quanto aos dados, o aviso de privacidade da Kore.ai diz que os dados dos clientes são usados apenas para prestar os serviços, e não para treinar modelos generalistas. Se um cliente escolhe um modelo, uma integração ou uma fonte de dados de terceiros, as informações podem ir para esse terceiro conforme a configuração, sob os termos dele. A escolha do modelo faz parte, portanto, da sua análise de dados. O estudo de caso da AMD acrescenta que a implantação rodou na AWS, com armazenamento criptografado para os logs de interação e Amazon Bedrock para a camada conversacional.
Execução: o que os agentes realmente fazem
Na AMD, funcionários e gestores concluem transações de RH de alto volume e obtêm respostas para perguntas comuns sem esperar por uma pessoa. As respostas são específicas para cada função e região. Os gestores podem aprovar transações dentro do Microsoft Teams por meio do agente de IA universal, que reúne aprovações dos sistemas de RH, de viagens e despesas e financeiros. O estudo de caso também cita um roadmap para ampliar o onboarding e o atendimento com agentes humanos ao vivo.
Na Autodoc, os agentes cuidam do rastreamento de pedidos, da atualização de endereços, da verificação de reembolsos e de perguntas sobre compatibilidade de produtos, e resolvem as solicitações de rotina por autoatendimento em 27 países e vários idiomas. O estudo de caso fala em verificação de reembolsos, não em aprovação de reembolsos, então não presuma que o agente movimenta dinheiro.
Esse contraste importa para definir o escopo. O agente da AMD abrange vários sistemas de back-office e inclui uma ação de aprovação, então é o exemplo mais amplo aqui e um primeiro escopo ruim. O da Autodoc é descrito em termos de consultas voltadas ao cliente e solicitações de rotina. Um primeiro fluxo sensato pega uma parte de um deles: por exemplo, uma consulta de status de pedido mais uma alteração de endereço, ou uma resposta de RH mais uma transação.
A transferência para uma pessoa
A AMD descreve um escalonamento para os momentos que importam: os problemas críticos são escalonados automaticamente para profissionais de RH, o que preserva o contato humano onde ele mais importa.
A Autodoc coloca o peso no que a pessoa tem em mãos depois da transferência. Seu módulo Agent AI oferece aos agentes humanos orientação em tempo real, próximas melhores ações, playbooks guiados, coaching ao vivo e resumos automáticos. A Autodoc relata que a recuperação instantânea de conhecimento reduziu o tempo de pesquisa em 10 por cento, um número publicado pelo fornecedor. A transferência envolve duas coisas: o gatilho que envia o caso e as ferramentas que a pessoa tem quando ele chega.
Limites e um formato de piloto que vale testar
Os dois estudos de caso são publicados pela Kore.ai. Eles descrevem o que os agentes fazem, não como as permissões são configuradas, quais ações exigem aprovação, o que conta como um problema crítico de RH ou que contexto uma pessoa recebe na transferência. Os números são informados pelo fornecedor: a AMD cita uma redução de 80 por cento no tempo de resolução de RH e uma taxa de 50 por cento de deflexão para o autoatendimento; a Autodoc cita uma redução de 30 por cento na carga de trabalho dos agentes e uma queda de 20 por cento no tempo de atendimento em seis meses. Eles vêm de empresas e métricas diferentes e não são comparáveis. Outras dez empresas nomeadas, entre elas Eli Lilly e Deutsche Bank, aparecem nas próprias páginas da Kore.ai; os detalhes de workflow deste artigo vêm apenas dos estudos de caso da AMD e da Autodoc.
Sugestão editorial, não um recurso do fornecedor: faça um piloto com uma ação de leitura e uma ação de escrita, e inclua pelo menos um caso montado para forçar uma transferência. Depois, leia o rastreamento de execução e verifique se o agente usou apenas as ferramentas que você listou. A Kore.ai diz que seu Proof Concierge comprova um caso de uso antes de você se comprometer, o que é um contexto natural para esse teste.
Método e limites
2026-10-20
Este instantâneo datado conta empresas distintas nas evidências públicas de clientes. Confirmado significa um estudo de caso, um depoimento nominal ou uma fonte de imprensa; Declarado significa que a própria empresa informou ao usedby; Observado significa uma listagem do fornecedor; Sinal significa um anúncio de vaga. Os quatro contam, mas a força deles difere. Linhas removidas e sem nível ficam de fora. Os exemplos são uma seleção limitada, verificada nos últimos 90 dias. Os dados de fornecedores são registros com fonte, verificados nos últimos 60 dias. A cobertura é desigual, e a ausência de evidências significa desconhecido. Esses números não medem participação de mercado nem desempenho do produto; as datas de captura não são datas de adoção.
