Como a IA Generativa transformou minha rotina de sustentação — e por que o ganho real não é velocidade

Quem sou e onde atuo

Sou Vanessa Mendes, estagiária na área de Telecom. Nos últimos 4 meses (abril a julho de 2026), minha rotina envolveu manter operações de telefonia cloud para múltiplos clientes — cada um com stack diferente, particularidades de infraestrutura e urgências distintas.

O ecossistema que sustento inclui:

  • Amazon Connect (filas, flows, callbacks, views) para grandes operações
  • PBX Issabel/Asterisk (on-premises em EC2) para operações menores
  • AWS (Lambda, DynamoDB, S3, CloudWatch, Security Groups)
  • Jira + Confluence (gestão de tickets e documentação)

Atuo dentro de um time de sustentação Telecom onde o compartilhamento de conhecimento é constante e a colaboração faz parte da rotina.

Em paralelo ao trabalho de sustentação, adotei o Kiro CLI — um assistente de IA que se integra ao ambiente de trabalho via MCPs (Model Context Protocol) — como ferramenta complementar de produtividade. Esse artigo não é sobre a ferramenta em si. É sobre como a IA mudou a forma do meu trabalho.

O desafio: múltiplos clientes, múltiplos sistemas, decisões rápidas

Para contextualizar: atendo múltiplos clientes simultaneamente, cada um com seus acessos AWS, perfis SSO, instâncias Connect, PBXs e particularidades. Um ticket de incidente pode exigir:

  1. Ler o ticket no Jira (contexto)
  2. Acessar CloudWatch Logs (evidência)
  3. Verificar Security Groups ou DynamoDB (infraestrutura)
  4. Consultar documentação no Confluence (histórico)
  5. Conectar via SSH em um PBX (diagnóstico)
  6. Cruzar com tickets anteriores do mesmo cliente (padrão)

Antes da IA, cada salto entre sistemas consumia tempo e introduzia risco de perder contexto. A investigação dependia fortemente da minha memória e experiência — o que, com 4 meses de empresa, era uma limitação real. O time Telecom sempre esteve disponível para tirar dúvidas e validar hipóteses, mas ter uma ferramenta que me ajudasse a organizar informações e manter contexto entre sistemas foi um divisor de águas.

O que entreguei no primeiro semestre

1. Sistema de Callback: 4 versões até a produção

Meu principal projeto foi o desenvolvimento completo de um sistema de callback para Amazon Connect, evoluído por 4 versões:

Versão O que resolveu
v1 Oferta básica de retorno de ligação
v2 Detecção de ramal/central + captura de número alternativo + suporte a 11 DDIs internacionais
v3 Confirmação por últimos 4 dígitos (resolve leitura confusa do Polly)
v4 Fluxo unificado + Lambda Python + validação de discabilidade nativa

O resultado final: um Flow Module com 113 blocos, suporte a 3 idiomas (PT/EN/ES), uma Lambda Python 3.12 que concatena números internacionais, e uma descoberta técnica que eliminou uma Lambda inteira do fluxo — o bloco UpdateContactCallbackNumber funciona como validador de discabilidade.

A documentação completa foi publicada no Confluence. Com a IA como apoio na organização, o tempo entre "código pronto" e "documentação publicada" diminuiu consideravelmente.

2. Sistema de Prioridade VIP: gerenciamento inteligente

Desenvolvi um sistema de gerenciamento de clientes VIP no workspace do Amazon Connect:

  • View com tabela editável (inline editing) para supervisores
  • Lambda Python com 5 ações de CRUD
  • DynamoDB on-demand para armazenamento
  • Prioridade na fila (Priority 1) + Whisper Flow de identificação

Um ponto importante: a primeira versão da View foi gerada pela IA nativa do Amazon Connect. Falhou com erros de schema, TableAction undefined e campos genéricos. A solução que funcionou foi criar manualmente usando BlockList como template. A IA não é infalível — validação humana é inegociável.

3. Correção de pesquisa CSAT: auditoria de dados em escala

Um bug que existia há quase 2 meses fazia pesquisas de satisfação serem gravadas com o ID errado — mais de mil chamadas afetadas, quase 200 com notas incorretas no DynamoDB.

Com apoio da IA:

  • Identifiquei o root cause (3 nodes do flow com IDs trocados)
  • Gerei um script retroativo com modo DRY_RUN, backup e validação condicional
  • Mapeei 270+ registros no DynamoDB para correção
  • Produzi um laudo de validação para aprovação do supervisor

Esse tipo de trabalho — auditoria em escala com segurança — seria impraticável manualmente no tempo disponível.

4. Incidentes resolvidos: a investigação como diferencial

Incidente Causa raiz Como a IA ajudou
Painel de estatísticas offline IP alterado pelo cliente, não estava no Security Group Cruzamento de evidências (DNS, TCP, Apache, iptables) de forma estruturada
Disco cheio no PBX (>90%) Gravações acumuladas sem limpeza automática Geração do procedimento operacional + recomendação de automação

No total, fui assignee em ~20 tickets no período.

O insight: a IA não economiza tempo — ela transforma o trabalho

Se alguém me perguntar "quanto tempo a IA economiza?", minha resposta honesta é: pouco. Meu calendário não ficou vazio. O que mudou foi o tipo de trabalho que faço.

Antes (sem IA):

  • Hipóteses baseadas em experiência limitada (4 meses de empresa)
  • Documentação como "dívida técnica" — feita às pressas ou nunca
  • Investigação linear: verificar um sistema por vez, perder contexto entre saltos

Depois (com IA):

  • Cruzamento de múltiplas fontes → hipóteses fundamentadas em dados
  • Documentação como subproduto natural do trabalho
  • Investigação estruturada: IA mantém contexto enquanto eu navego entre sistemas

A métrica que importa não é "horas economizadas". É:

Métrica tradicional Métrica real de impacto
Tempo por ticket Profundidade da análise por ticket
Volume de docs Qualidade e reuso da documentação
Tickets/dia First-call resolution rate
Horas economizadas Decisões com dados completos

Da teoria à prática: a jornada de estudo e implementação

O primeiro semestre foi dividido em duas fases claras:

Fase 1 — Estudo e absorção (Abril–Junho)

De abril a junho, meu foco foi consumir conteúdo e construir base teórica. Participei de 6 workshops (~22h) — desde fundamentos de Amazon Connect até workshops de nível 400 sobre IA Agente — e completei ~11h de cursos autônomos no AWS Skill Builder.

Os workshops mais transformadores:

  • KiroOps (Nível 300, 4h) — onde entendi o potencial do Kiro para análise de código e documentação
  • Blackbelt IA Agente (Nível 400, 5h) — onde consolidei a teoria com prática real usando Kiro + SSO corporativo
  • CX Autônomo com MCP + Salesforce (Nível 300, 3h) — orquestração de agentes autônomos em contact centers

Obtive o badge Amazon Connect AI Fundamentals.

Fase 2 — Prática e construção (Julho)

Em julho, decidi sair da teoria e começar a aplicar IA no meu dia a dia de forma estruturada.

Criei um time-tracker — um projeto pessoal de controle de horas onde registro cada ticket com descrição e tempo investido. Esse foi meu primeiro projeto construído com apoio ativo de IA generativa no processo de desenvolvimento.

Em seguida veio um dashboard de sustentação — 13 páginas, 28 endpoints e integrações com Jira, Confluence e AWS CLI. Esse projeto consolidou tudo: a prática com IA no desenvolvimento, o conhecimento técnico adquirido na sustentação, e a organização da minha rotina.

Quando a IA falha

Seria desonesto falar apenas dos acertos:

  1. View VIP gerada pela IA nativa do Connect — falhou com erros de schema não documentados. A solução veio de engenharia reversa manual.
  2. Sugestões de comandos SSH — a IA não tem visibilidade do estado real do servidor. Comandos precisam ser validados antes de executar.
  3. Flows com 100+ blocos — contextos que excedem a janela da IA. É necessário segmentar a análise.

A lição: o profissional que usa IA precisa de MAIS conhecimento técnico, não menos. A IA amplifica competência — não a substitui.

Números do semestre

Indicador Valor
Projetos em produção 2
Projetos em DEV 1
Incidentes com root cause documentada 4
Tickets como assignee ~20
Páginas Confluence publicadas 4
Documentos técnicos locais 9
Workshops/eventos 6 (~22h)
Cursos autônomos ~11h
Badge AWS 1 (Amazon Connect AI Fundamentals)
Projetos pessoais com IA 2

Agradecimento ao time Telecom

Nenhuma dessas entregas teria acontecido sem o time de Sustentação Telecom. Agradeço a todo o time pela paciência, disponibilidade e pela cultura de colaboração que torna possível crescer rápido mesmo sendo iniciante.

Em especial, agradeço ao Carlos e ao Wallace — as dicas técnicas compartilhadas no dia a dia, o raciocínio rápido para diagnóstico e a generosidade em explicar aceleraram minha curva de aprendizado de forma que nenhuma ferramenta substitui. A agilidade nas questões técnicas, os atalhos que economizam horas de tentativa e erro — isso é mérito de pessoas reais, disponíveis e generosas com o tempo delas.

A IA Generativa é uma ferramenta poderosa, mas o conhecimento que me permitiu usá-la com eficácia veio do time.

Conclusão: de operadora reativa a investigadora proativa

Em 4 meses, saí de "primeira experiência com Amazon Connect" para ter um sistema de 113 blocos em produção, um bug de dados auditado em escala, e autonomia crescente para resolver incidentes.

A IA Generativa não fez isso por mim. Ela mudou a forma como abordo cada problema:

  • Antes: reativa, linear, limitada pela memória
  • Depois: proativa, estruturada, fundamentada em dados

Para quem está começando na área: a IA não é atalho. É alavanca. Funciona melhor quando você sabe o que está fazendo — e transforma completamente quando você tem um time que te apoia enquanto você ainda está aprendendo.

Gostou? Me segue aqui no Dev.to para mais artigos sobre AWS, GenAI e operações cloud. 🚀