A ShipStation Global, plataforma de envios e logística para pequenas e médias empresas, desenvolveu o Deckhand, um agente de inteligência artificial que funciona como um help desk de TI dentro do Slack. Construído sobre o Amazon Bedrock AgentCore, plataforma da AWS para criar, conectar e otimizar agentes em escala, o sistema respondeu a 97,5% das perguntas recebidas no canal e alcançou 96% de avaliações positivas entre os funcionários.
O projeto nasceu de um problema familiar a qualquer equipe de TI: as mesmas perguntas se repetem, mensagens de erro chegam fora do horário comercial e as respostas estão espalhadas em artigos do Confluence, páginas da intranet e conversas antigas. Nos 12 meses anteriores ao lançamento, os funcionários abriram mais de 1,5 mil tópicos no canal de suporte, com volume crescente. Com colaboradores nos Estados Unidos, Reino Unido, Espanha, Polônia, Austrália e Filipinas, mais de um quinto das perguntas chegava fora do horário comercial americano.
Para Chris Collins, diretor sênior de TI da ShipStation Global, pedir ajuda deveria ser tão simples quanto fazer uma pergunta no Slack, e não preencher um formulário ou enviar um e-mail. Na visão do executivo, chamados são indício de atrito operacional, e não de produtividade. O Deckhand resolve dúvidas comuns na hora e, quando não consegue, converte a conversa em um chamado completo com um clique.
O agente opera no Slack como um colega de equipe: entra nos canais, acompanha as conversas e usa dados do perfil do solicitante, como nome, e-mail, fuso horário e gestor, para responder no próprio contexto. A execução acontece no AgentCore runtime, capacidade que hospeda o agente em sessões isoladas, eliminando a necessidade de servidores ou contêineres gerenciados pela empresa.
A arquitetura combina quatro frentes. Um serviço Slack, construído com FastAPI e Slack Bolt e hospedado no AWS App Runner, recebe os eventos, decide se o robô deve responder e monta o contexto do usuário. O serviço do agente usa o kit de desenvolvimento Strands e o modelo Claude, do tipo que entende e gera linguagem, executado no Amazon Bedrock, serviço da AWS para modelos de IA. Uma única função Lambda é exposta como ferramentas no padrão MCP, protocolo que permite a agentes acessarem sistemas externos, por meio do AgentCore Gateway, responsável por classificar pedidos, criar e atualizar chamados no Jira e analisar imagens. Uma base de conhecimento do Amazon Bedrock indexa conteúdo do Confluence, da intranet, do Slack e de páginas de marketing, com armazenamento no Amazon S3. Operação e feedback ficam a cargo do DynamoDB, do X-Ray e do CloudWatch.
A fonte de dados mais valiosa é o histórico do próprio canal. Usando um Modelo de Linguagem Recursivo do framework DSPy, o time exporta o histórico completo pela API do Slack, classifica cada tópico como resolvido, não resolvido ou escalonado, e descarta anúncios e conversas que não são perguntas. Depois, extrai campos estruturados, como resumo do problema, pergunta original, solução e etapas de autoatendimento, todos validados antes de virar documentos que alimentam a base de conhecimento.
Um detalhe decisivo é saber quando não responder. O agente ignora anúncios e mensagens sociais, responde apenas a quem abriu o tópico, fica em silêncio quando outro funcionário assumiu a ajuda e não se intromete quando a mensagem menciona alguém pelo nome. Cada resposta traz botões de avaliação: o polegar para baixo abre um campo para explicar o que deu errado, e os dados alimentam melhorias no comportamento e na base de conhecimento.
A segurança combina regras e infraestrutura. A criação de chamados exige confirmação por botão, a classificação é validada antes de chegar ao Jira, a ferramenta de imagens só baixa arquivos do Slack, limitada a cinco arquivos de até 5 MB cada, e credenciais ficam no AWS Secrets Manager, com papéis de acesso separados. O sistema também nunca solicita senhas ou códigos de autenticação.
Os números do lançamento, em abril de 2026, mostram o impacto. O agente saiu de cerca de 30 mensagens por dia para até 100 no início do verão norte-americano. Em três meses, tratou 1.935 mensagens, iniciou 1.221 conversas e abriu apenas 409 chamados. Respondeu a 94% das perguntas feitas fora do horário da equipe de TI, e a aprovação subiu de 82% em abril para 96% em junho. Como cada chamado consome cerca de 30 minutos entre abertura e encerramento, as 812 conversas resolvidas no chat representam aproximadamente 406 horas em três meses, algo próximo de 1,6 mil horas por ano devolvidas aos funcionários e à equipe de TI.
O time resumiu a lição: cada parte da solução tem uma única função e roda como serviço gerenciado, sem servidores próprios. Quem quiser construir algo semelhante pode consultar a documentação do Amazon Bedrock AgentCore, o Strands Agents SDK e a documentação do Amazon Bedrock Knowledge Bases, começando por uma base de conhecimento bem mantida e uma ação claramente definida.
