Quanto custa não ter uma base de conhecimento centralizada no Service-Desk

Quando uma operação de Service-Desk não tem uma base de conhecimento centralizada, o custo não aparece como uma linha isolada no orçamento. Ele se esconde dentro do tempo médio de resolução, dentro do tempo de onboarding de analista novo, dentro do SLA que só é cumprido porque uma pessoa específica está de plantão naquele dia. É um custo real, só que distribuído, e por isso é o tipo de custo que a maioria das empresas nunca chega a somar.

Em 2023, o Gartner publicou um levantamento direto sobre esse problema: 47% dos trabalhadores digitais relatam dificuldade para encontrar a informação de que precisam para fazer o próprio trabalho. Não é um problema de motivação ou de competência da equipe, é um problema de onde o conhecimento mora. Quando a resposta certa está na cabeça de um analista específico, ou espalhada entre e-mails, threads de chat e anotações pessoais, ela só está disponível quando essa pessoa está disponível.

O McKinsey Global Institute chegou a um número parecido por outro caminho: em levantamento sobre produtividade do trabalhador de conhecimento, estimou que cerca de 1,8 hora por dia útil, quase 20% da semana de trabalho, é gasta apenas procurando informação interna ou tentando localizar um colega que saiba responder. Em termos práticos, é como se a cada cinco pessoas contratadas para uma função, uma passasse o dia inteiro só procurando resposta, sem produzir nada além disso.

Em uma operação de Service-Desk, esse tempo perdido tem um endereço específico: o analista que recebe um chamado parecido com um que já foi resolvido semana passada, mas não tem como saber disso, porque a solução não foi documentada em nenhum lugar que ele consiga pesquisar. Ele reabre a investigação do zero. Testa hipóteses que outra pessoa já descartou. Às vezes escala para o N2 um problema que o próprio Service-Desk já sabia resolver, só que essa memória não estava em lugar nenhum além da cabeça de quem resolveu da última vez.

Esse padrão se agrava em três momentos previsíveis da vida de qualquer equipe: quando um analista-chave sai de férias, quando alguém pede demissão, e quando a empresa contrata gente nova. Em nenhum desses três momentos o volume de chamados diminui, mas a velocidade de resolução cai, porque o conhecimento que sustentava o SLA saiu de circulação, mesmo que temporariamente. É esse hiato, entre o volume de chamados constante e a capacidade de resolução variável, que normalmente aparece primeiro como estouro de SLA e só depois é rastreado até a causa raiz real.

É possível estimar esse custo com poucos números que qualquer gestor de Service-Desk já tem à mão: quantos chamados chegam por mês, quanto tempo leva para resolver um chamado em média, quantas pessoas atendem hoje, e qual o custo por hora dessa equipe. Multiplicando isso pela fração do tempo que é gasta reprocessando informação que já deveria estar disponível, em vez de aplicando uma solução já conhecida, chega-se a um valor anual, não a uma sensação de que "a equipe está sobrecarregada".

A resposta a esse problema não é pedir para a equipe documentar mais. Documentação tratada como tarefa à parte, feita depois que o chamado já foi fechado, é a primeira coisa que para de acontecer quando a fila aperta, e é exatamente por isso que tantas bases de conhecimento corporativas viram cemitérios de artigos desatualizados. A solução estrutural é fazer o registro do conhecimento nascer do próprio ato de resolver o chamado, e ficar disponível tanto para os próximos analistas humanos quanto para agentes de IA que atendem o primeiro nível, o modelo que chamamos de Company Brain.

Um jeito rápido de ver esse número na sua própria operação, sem precisar de uma auditoria formal, é rodar a conta com os dados que você já tem. Publicamos uma calculadora aberta para isso, exatamente com essas cinco variáveis, que mostra em tempo real quanto uma operação está perdendo por ano com esse tipo de ineficiência, e qual seria a economia projetada centralizando esse conhecimento.