Jira Service Management: como destravar suporte e operação sem pagar “peso de suite”

Romildo Burguez • February 10, 2026

Quando o atendimento vira gargalo, a empresa inteira sente: acesso que demora, incidentes que voltam, onboarding que trava, suporte que não escala e áreas de negócio perdendo tempo esperando resposta. Em um cenário como esse, o Jira Service Management permite transformar atendimento em fluxo, com mais contexto, menos repasse e mais previsibilidade. E, para muitas organizações no Brasil, ele também resolve um ponto que pesa na decisão: entregar qualidade de nível enterprise sem precisar comprar uma transformação cara, como, por exemplo, o ServiceNow. 


Continue a leitura e entenda por quê. 


A operação de suporte travou: e agora?


Na prática, os sintomas aparecem assim: 


  • Fila que cresce do lado errado: solicitações simples e repetidas consomem o time (acesso, senha, permissões, dúvidas recorrentes). 
  • Chamado que perde contexto: cada repasse faz o ticket “encolher” (menos informação, mais perguntas, mais espera). 
  • Incidente recorrente: o problema volta porque ninguém fecha causa raiz com visibilidade e colaboração. 
  • Silos entre suporte e quem resolve: atendimento fica num canto; produto, engenharia e operações em outro e a resolução vira um jogo de empurra. 
  • Pressão por eficiência: a expectativa é “responder mais rápido”, mas sem aumentar custo na mesma proporção. 


O ponto central: você pode até “ter ferramenta”, mas ainda assim não ter gestão de serviço. Porque gestão não é abrir ticket. É reduzir atrito, aumentar previsibilidade e evitar que a empresa dependa recursos que estavam fora dos planos. 


Atlassian vs ServiceNow: por que comparar pelo “pacote completo” quase sempre dá errado 


O ServiceNow pode ser uma opção válida, especialmente quando a empresa quer uma suite ampla. O problema é que, em muitos cenários, você paga pela amplitude antes de colher valor. 


A Forrester registra esse trade-off: no caso do ServiceNow, a visão é ambiciosa e bem financiada, mas chegar lá é uma transformação custosa para os clientes. E, no feedback de clientes, aparecem pontos bem objetivos de atrito: complexidade e custo de licenciamento, além da necessidade de comunicação mais clara sobre entitlements. 


Isso não torna ServiceNow “ruim”. Só reforça uma pergunta que precisa se feita com honestidade: 


“Eu preciso pagar caro por uma grande transformação agora, ou destravar minha eficiência operacional sem carregar um custo estrutural desproporcional?” 


A solução da Atlassian: Service Collection 


Para organizar a gestão de solicitações e incidentes como capacidade de empresa (não só de TI), a Atlassian, que é líder no Forrester Wave: Enterprise Service Management, Q4 2025, vem estruturando a Atlassian Service Collection, que reúne Jira Service Management, Customer Service Management, Assets e Rovo. 


O recado é direto: service management não é só TI. Times de RH, operações e Customer Service (CS) entram no mesmo cenário, além de mais de 60.000 clientes que confiam na Atlassian para entregar experiências de serviço. 


Num contexto como o Brasil (operações complexas, legado, múltiplas áreas e pressão por eficiência), esse desenho costuma funcionar bem porque ele parte do que é mais real: atendimento, operação e suporte atravessam a empresa inteira e precisam “conversar” com quem constrói e mantém os serviços digitais. 


O que cada peça resolve 


Jira Service Management (o núcleo): organiza solicitações e incidentes com fluxo claro, reduz repasses e aproxima TI, negócio e times técnicos. 


Customer Service Management: suporte ao cliente com IA e contexto, conectando atendimento com dev/ops/produto — justamente onde muitas empresas travam. 


Assets: rastreio de ativos e dependências para parar de “resolver no escuro” (e reduzir reincidência). 


Rovo: agentes e experiências de IA para aumentar eficiência do service desk, melhorar autosserviço e apoiar operações. 


Onde a Atlassian tende a ganhar do ServiceNow 


A comparação mais útil não é “quem tem mais recursos”, mas “quem reduz atrito mais rápido com custo mais previsível”. 


Time-to-value: melhorar agora, sem virar um projeto eterno 


O Service Collection é claro ao criticar o que trava muitas iniciativas: ferramentas legadas custam caro para implantar, manter e atualizar, e a IA adiciona uma camada de complexidade que atrasa o valor e corrói o ROI. 


Em paralelo, organizações que migraram de ITSM legado para Atlassian teriam economizado em média US$ 2,3 milhões em três anos e conseguido implantar JSM em aproximadamente 6 meses (em um contexto de 14.000 colaboradores). 


Isso significa menos tempo gasto “arrumando plataforma” e mais tempo “melhorando o service”. 


Menos silos: suporte deixa de ser ilha 


O Customer Service Management foi desenhado para atacar um problema caro: suporte externo em ferramenta separada de produto, engenharia e ops — criando silos e resoluções lentas. A proposta é conectar esses times via Teamwork Graph e dar “full picture” (dados, serviços, times, documentação) no mesmo workspace. 


Na prática, isso reduz o “telefone sem fio” e acelera correção, especialmente em incidentes que dependem de times técnicos. 


IA com contexto: menos “resposta bonita”, mais resolução 


A Forrester descreve a Atlassian como forte em process workflow e task management, com colaboração “rápida” e fácil, e o Rovo alimentando agentes e experiências de IA dentro do Jira Service Management e na plataforma. 


Ou seja: a IA não aparece como enfeite. Ela entra como camada para deflexão, roteamento, base de conhecimento e aceleração de resolução — no ponto onde o time perde horas. 


Vantagens financeiras de optar pelo Service Collection 


Quando comparamos escopo e custo total (licença + implantação + operação + evolução), observamos os seguintes pontos: 


  • Suites mais amplas tendem a vir com mais camadas e uma transformação maior, e a própria Forrester reconhece esse peso no ServiceNow. 
  • Clientes relatam atritos de licenciamento e complexidade no ServiceNow. 
  • A Atlassian propõe um caminho “right-sized”: começar pelo que destrava o service (fluxo, autosserviço, conhecimento, contexto, integração entre times) e evoluir conforme o ganho aparece. 


É por isso que, em muitos projetos, o custo total com Atlassian pode cair para algo na faixa de 1/3 a 1/4 do que a empresa pagaria para sustentar uma adoção ampla de ServiceNow — dependendo do número de módulos, do nível de customização e da ambição de transformação colocada no “dia 1”. 


Como tomar a decisão sem cair em checklist de feature 


Se você quiser uma régua simples para a decisão (boa para CIO/CTO e boa para CFO), use estas quatro perguntas: 


  1. Onde está o gargalo hoje? (fila, repasse, incidente recorrente, suporte externo, onboarding) 
  2. Quais times precisam trabalhar juntos para resolver isso? (TI + RH + Facilities + Ops + Produto + Engenharia) 
  3. Quanto tempo você aceita esperar até ver melhoria real? (seis meses com melhoria perceptível costuma ser um bom norte) 
  4. Você está comprando valor agora ou amplitude futura? (e quanto essa amplitude custa por mês para “ficar de pé”?) 


Perguntas frequentes 


Jira Service Management é só para TI? 


Não. Além de TI, pode envolver RH, operações e Customer Service, com foco em experiências para colaboradores e clientes. 


O que o Service Collection muda na prática? 


Ele junta Jira Service Management, Customer Service Management, Assets e Rovo para reduzir silos e aumentar contexto. Inclusive conectando suporte com dev/ops/produto. 


Por que tanta gente compara com ServiceNow? 


Porque ServiceNow é um nome forte em ESM. Mas a Forrester mostra pontos de atrito relatados por clientes, como custo/complexidade de licenciamento, e reconhece que alcançar a visão pode ser caro. 


Rovo substitui atendimento humano? 


A proposta é aumentar eficiência: deflexão, autosserviço, roteamento, sugestões e aceleração de resolução — e escalar suporte com mais contexto. 


O papel da CSP Tech em Consultoria Jira 


Escolher uma plataforma é só o começo. O que define resultado é transformar atendimento e solicitações internas em um fluxo previsível — com menos repasse, menos retrabalho e mais velocidade para a operação rodar. É exatamente isso que a consultoria Jira da CSP Tech entrega: não apenas configuração de ferramenta, mas um caminho prático para tirar o “peso” do dia a dia e gerar eficiência mensurável. 


A CSP Tech começa pelo diagnóstico do que está travando a empresa: onde a fila cresce, por que os chamados ficam rodando entre equipes, o que vira recorrência e quais passos poderiam ser resolvidos via autosserviço. Com esse retrato, desenha o modelo de operação (processos, SLAs, papéis, governança e indicadores) e implementa as melhorias em etapas curtas, priorizando ganhos rápidos sem aumentar complexidade. 


Além disso, a CSP Tech atua como parceira de negócio para conectar o atendimento ao que realmente resolve: integrações com sistemas e rotinas já existentes, capacitação dos times, e uma cadência de melhoria contínua baseada em métricas (tempo de resposta, tempo de resolução, volume de repasses e reincidência). O resultado é um atendimento que deixa de ser gargalo e vira controle, previsibilidade e escala — com custo mais inteligente ao longo do tempo. 


Para que você possa se aprofundar ainda mais, recomendamos também a leitura dos artigos abaixo: 


Jira Service Management x ServiceNow: Faça a melhor escolha  


Service Collection na prática: quando gestão de chamados vira experiência de serviço para a empresa inteira 


As novidades do Atlassian Service Collection e o impacto para equipes que já utilizam o Jira Service Management 


Conclusão 


Se o objetivo é destravar suporte e operação com previsibilidade e eficiência, Jira Service Management costuma vencer quando a comparação é feita por resultado e custo total — não por “tamanho de suite”. A Atlassian soluciona questões como fila, repasse, silos e recorrência através Service Collection (JSM, Customer Service Management, Assets e Rovo). E, quando você considera o peso financeiro e operacional de uma transformação grande, a escolha por Atlassian frequentemente entrega qualidade enterprise com uma estrutura de custo mais favorável, especialmente frente ao ServiceNow. 


Esperamos que você tenha gostado do conteúdo desse post!  


Caso você tenha ficado com alguma dúvida, entre em contato conosco, clicando aqui! Nossos especialistas estarão à sua disposição para ajudar a sua empresa a encontrar as melhores soluções do mercado e alcançar grandes resultados! 


Para saber mais sobre as soluções que a CSP Tech oferece, acesse: www.csptech.com.br. 

Fale com a CSP Tech

.

Por Guilherme Matos • 19 de novembro de 2026
Para usar agentes de IA sobre dados de sinistro sem expor dado pessoal do segurado, o agente precisa herdar a mesma regra de acesso do analista que faz a pergunta, aplicada no momento da consulta. No Databricks, isso depende de duas escolhas. A primeira é o modo de autorização do agente: na autorização por usuário , o agente consulta os dados com a identidade de quem pergunta, e o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna; na autorização do app, todos os usuários compartilham as permissões de uma conta técnica. A segunda é não contornar as máscaras com cópias de dados feitas para alimentar a busca vetorial. Em sinistros de vida, saúde e acidentes pessoais, parte desses dados é dado de saúde, que a LGPD trata como dado pessoal sensível. Por que o dado de sinistro pede um cuidado diferente Um processo de sinistro reúne dados de identificação do segurado e dos beneficiários, dados bancários para indenização, relatos do evento e, em vários ramos, laudos e informações médicas. A Lei Geral de Proteção de Dados define, no artigo 5º, inciso II, o dado referente à saúde como dado pessoal sensível, e o artigo 11 limita as hipóteses em que ele pode ser tratado. Entre elas estão o exercício regular de direitos, inclusive em contrato, e a garantia da prevenção à fraude. O artigo 6º, inciso III, acrescenta o princípio da necessidade: o tratamento deve se limitar ao mínimo necessário para a sua finalidade. Na operação, esse princípio já costuma estar refletido em perfis de acesso. O regulador de sinistro vê o processo que conduz, o time antifraude vê os sinais de que precisa, e o atendimento vê o status do pedido sem acessar o laudo. O risco do agente de IA é desfazer essa separação sem que ninguém perceba, porque ele responde em linguagem natural e não mostra de qual tabela, com qual permissão, tirou cada informação. Tese da CSP Tech: na seguradora, o agente de IA deve ver exatamente o que o analista que fez a pergunta veria, nem mais nem menos, e essa regra precisa ser aplicada no momento da consulta, pela plataforma de dados, e não por instruções no prompt. No Databricks, os dois pontos em que o dado do segurado costuma escapar são a escolha da autorização do agente e as cópias feitas para busca vetorial, e ambos se resolvem no desenho, antes do piloto. Os dois modos de autorização do agente Autorização do app Segundo a documentação da Databricks, atualizada em 23 de outubro de 2026, na autorização do app o agente se autentica com uma conta técnica criada automaticamente, e todos os usuários compartilham as mesmas permissões. É o modo mais simples de colocar um piloto no ar, e por isso é o mais comum. O efeito em um ambiente de sinistros é direto: se a conta técnica tem acesso ao laudo médico, qualquer pessoa que converse com o agente pode receber uma resposta baseada nele, ainda que o perfil dessa pessoa não permita abrir o laudo. Autorização por usuário Na autorização por usuário, antes chamada de on-behalf-of-user, o agente acessa os recursos com a identidade de quem faz a pergunta. A documentação lista como benefícios o acesso por usuário a dados sensíveis, os controles granulares do Unity Catalog, a trilha de auditoria por usuário e a aplicação automática de filtros de linha e máscaras de coluna. O recurso funciona com SQL Warehouse, Genie, Model Serving, índices de AI Search e tabelas do Unity Catalog, entre outros. Os dois modos podem ser combinados no mesmo agente, o que permite usar a conta técnica para recursos sem dado pessoal e a identidade do usuário para os que têm. Há três cuidados registrados pela própria Databricks. A autorização por usuário está em prévia pública e precisa ser habilitada por um administrador do workspace. As mudanças de escopo podem levar até cinco minutos para valer, por causa de caches. E, se o token do usuário não chegar ao agente, a função que deveria usar a identidade dele recorre à conta técnica sem gerar erro. Por isso a documentação recomenda testar o agente com uma ferramenta que devolva a identidade em uso antes de liberar o acesso. Filtros de linha e máscaras de coluna: a regra aplicada na consulta No Unity Catalog, filtros de linha e máscaras de coluna restringem, no momento da consulta, quais linhas e quais valores cada usuário consegue ver, segundo a documentação de filtros e máscaras , atualizada em 6 de novembro de 2026. O filtro de linha é uma função que exclui as linhas para as quais retorna falso, o que permite, por exemplo, que o regulador veja só os processos da sua carteira. A máscara de coluna é uma função que devolve o valor original ou uma versão mascarada, o que permite mostrar o diagnóstico ao time médico e um valor oculto ao atendimento. Para aplicar a mesma regra a muitas tabelas, a Databricks recomenda políticas baseadas em atributos, ligadas a tags no catálogo ou no esquema, que os donos das tabelas não conseguem remover. Combinadas com a autorização por usuário, essas regras fazem o agente herdar o perfil do analista sem nenhuma instrução no prompt. Uma instrução do tipo “não revele dados de saúde” pode ser contornada por uma pergunta bem formulada, enquanto a máscara aplicada pela plataforma impede que o dado chegue ao modelo. Onde o dado do segurado escapa A cópia para busca vetorial. A documentação informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. Quando o time de dados quer que o agente pesquise documentos de sinistro, a saída mais rápida é criar uma cópia sem as proteções para indexar, e com isso o índice passa a conter o que as máscaras escondiam. O desenho seguro prepara uma tabela própria para o índice, já sem os campos sensíveis ou com eles transformados, e aplica a autorização por usuário ao índice. Os clones e as versões antigas. Clones de tabelas com filtros ou máscaras não são suportados, e a consulta a versões anteriores da tabela, o time travel, não funciona com filtros e máscaras em nível de tabela. Ambientes de teste montados com cópias de produção são um caminho conhecido para o dado sensível sair do perímetro. As views. Filtros e máscaras não podem ser aplicados diretamente a uma view. Se o agente consulta uma view construída sobre a tabela original, a proteção precisa estar na tabela de origem. O fallback silencioso. Quando o token do usuário não chega ao agente, a consulta passa a usar a conta técnica sem erro. O teste de identidade em uso precisa fazer parte da homologação e do monitoramento, e não só do primeiro deploy. O que a seguradora precisa decidir antes do piloto A plataforma aplica as regras, mas não as define. Antes de liberar o agente, a seguradora precisa classificar quais colunas de sinistro são dado pessoal e quais são dado de saúde, decidir quais perfis podem ver cada classe, registrar essas decisões como tags governadas no catálogo e escolher, recurso por recurso, se o agente usa a identidade do usuário ou a conta técnica. Essa classificação é o mesmo trabalho de governança de dados que a seguradora já precisaria fazer para a LGPD, agora aplicado a um consumidor novo, que responde a perguntas em vez de abrir telas. O caso de dados de conversa, com mascaramento de gravações e transcrições, está tratado no artigo “Governança de dados de conversa no Databricks” , publicado no blog. Aqui o foco é o agente que consulta o processo de sinistro. A camada regulatória, com a ressalva devida A LGPD exige, no artigo 46, medidas de segurança técnicas e administrativas aptas a proteger os dados pessoais de acessos não autorizados, e não prescreve ferramenta. No mercado de seguros, a Circular Susep 638/2021 trata de segurança cibernética e determina a comunicação de incidentes relevantes à autarquia. A leitura de que o agente de IA deve herdar a regra de acesso do analista é uma interpretação editorial da CSP Tech sobre como aplicar o princípio da necessidade a um novo tipo de consumidor de dados. A base legal de cada tratamento, a classificação dos dados e a avaliação de impacto cabem ao encarregado de dados e às áreas de compliance e jurídico da seguradora. Quando esse desenho é desproporcional Um agente que trabalha só com dados agregados ou anonimizados, como volume de sinistros por ramo e região, não precisa de autorização por usuário: a conta técnica com acesso apenas a essas tabelas resolve. O mesmo vale para um agente interno que responde sobre normas e procedimentos, sem acesso a processos de segurados. O cuidado descrito aqui é para o agente que consulta processos individuais. Perguntas frequentes Dado de sinistro é dado pessoal sensível? Parte dele é. A LGPD, no artigo 5º, inciso II, classifica o dado referente à saúde como dado pessoal sensível, e processos de sinistro de vida, saúde e acidentes pessoais costumam conter laudos e informações médicas. Dados de identificação e bancários do segurado são dados pessoais, ainda que não sensíveis. O que é autorização por usuário em agentes do Databricks? É o modo em que o agente acessa os dados com a identidade de quem faz a pergunta, antes chamado de on-behalf-of-user. Com ele, o Unity Catalog aplica automaticamente filtros de linha e máscaras de coluna. Segundo a documentação da Databricks de outubro de 2026, o recurso está em prévia pública e precisa ser habilitado por um administrador do workspace. Posso indexar no AI Search uma tabela com máscaras de coluna? Não. A documentação da Databricks informa que tabelas com filtros de linha ou máscaras de coluna não podem ser usadas para criar um índice do AI Search. O caminho seguro é preparar uma tabela própria para o índice, sem os campos sensíveis ou com eles transformados, em vez de copiar a tabela original sem proteção. Uma instrução no prompt basta para o agente não revelar dados de saúde? Não é uma proteção confiável, porque pode ser contornada por perguntas bem formuladas. A forma mais segura é impedir que o dado chegue ao modelo, aplicando máscaras de coluna e filtros de linha na plataforma de dados e fazendo o agente consultar com a identidade do usuário. Próximo passo Faça um teste de dez minutos: no agente que sua equipe está testando sobre dados de sinistro, faça a mesma pergunta com dois usuários de perfis diferentes, um do atendimento e outro da regulação, e compare as respostas. Depois, verifique se o índice de busca do agente foi criado a partir de uma cópia da tabela original. Se as respostas forem iguais, ou se o índice veio de uma cópia sem máscaras, o agente está vendo mais do que o analista. Solicite um diagnóstico de dados da CSP Tech para desenhar a autorização e as máscaras antes de ampliar o piloto. Leituras relacionadas Governança de dados e IA Segurança de agentes de IA: por que permissão virou o novo perímetro (e como limitar o agente sem inutilizá-lo) Data lake ou pântano de dados: por que a IA não fracassa por falta de dado, e sim por não achar o dado certo MDM no Databricks: como construir gestão de dados mestres no Lakehouse (sem comprar mais uma plataforma) Por que 40% dos projetos de agentes de IA serão cancelados até 2027 (e o que a fundação de dados tem a ver com isso) Setor financeiro e seguros Agentes de IA não autorizados chegaram às contas bancárias dos EUA. Seus sistemas sabem quem está do outro lado? Empresa de intranet para banco, cooperativa ou seguradora: como comparar plataforma pronta, SharePoint e desenvolvimento sob medida “De onde veio esse número”? Rastreabilidade de dados para decisões mais confiáveis Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 38 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace). Fontes (acesso em 19/11/2026): Databricks Documentation, “Authentication for AI agents” (autorização do app e por usuário; prévia pública; fallback sem erro; recursos suportados), atualizada em 23/10/2026. Databricks Documentation, “Row filters and column masks” (avaliação em tempo de consulta, políticas ABAC, limitações com AI Search, clones, time travel e views), atualizada em 06/11/2026. Lei nº 13.709/2018 (LGPD) , arts. 5º (II), 6º (III), 11 e 46, texto compilado no Planalto. Circular Susep nº 638/2021 . A tese e as práticas de desenho são formulação editorial da CSP Tech. Este conteúdo não constitui aconselhamento jurídico ou regulatório.
Por Guilherme Matos • 18 de novembro de 2026
Scripts envenenados em quatro serviços web, DDoS contra a rede Tor: como cada ataque de novembro de 2026 funcionou e o que revisar em cada camada.
Por Guilherme Matos • 17 de novembro de 2026
Com o Pix funcionando 24 horas, a mudança segura em pagamentos é a que chega à janela com o caminho de volta testado e registrado. Veja como estruturar janela, aprovação e rollback.
Por Guilherme Matos • 16 de novembro de 2026
A linhagem do Unity Catalog mostra de onde veio cada coluna, mas tem limites documentados. Veja o que ela não cobre e o que a instituição financeira precisa somar para defender um número reportado.
Por Guilherme Matos • 13 de novembro de 2026
Em banco, seguradora ou cooperativa, um normativo interno vencido que continua acessível na intranet deixa de ser só conteúdo desatualizado e passa a ser instrução operacional errada. Com o Microsoft 365 Copilot, o risco cresce, porque o assistente usa todo o conteúdo que o colaborador tem permissão de ver, inclusive a
Por Guilherme Matos • 12 de novembro de 2026
Uma instância Jira por cooperativa ou uma para o sistema inteiro? Veja os três desenhos possíveis, os critérios de decisão e o que a Resolução 4.893 permite ao sistema cooperativo.
Por Guilherme Matos • 10 de novembro de 2026
Com IA, o gestor de banco pergunta ao dado em linguagem natural em vez de esperar o relatório. Veja o que muda no time de dados com o Genie do Databricks: curadoria, testes de precisão, revisão de respostas e o histórico de perguntas como fila de demanda.
Por Guilherme Matos • 9 de novembro de 2026
Banco, cooperativa e seguradora já usam mais IA do que a TI registrou. Veja o que um inventário de IA precisa conter para servir de evidência à auditoria e ao Banco Central, de onde vêm os itens e onde manter o registro vivo no Jira Service.
Por Guilherme Matos • 5 de novembro de 2026
A Resolução 4.893 pede que o Banco Central saiba onde os dados podem ser processados. No Databricks, os recursos de IA seguem a área geográfica do workspace, que pode ir além do Brasil. Veja o que mapear antes de contratar e como configurar.