O teto de vidro que trava a evolução dos bots no atendimento

Toda operação de atendimento que automatiza pontos de contato monitora, de perto, a taxa de retenção, ou seja, quantas interações o bot conseguiu resolver sozinho, sem a necessidade de transferir para um atendente humano. O índice costuma subir rápido nos primeiros meses, atingindo um patamar entre 30% e 45%. Mas para por aí.

A resposta das empresas, então, é contratar mais gente para ajustar o bot, criar mais intenções, refazer o menu. Mesmo assim, a retenção segue em platô.

Carlos Eduardo Leite, Solution Consulting director of Ibero-LATAM da Omilia, chama isso de teto de vidro da contenção. “O motivo é simples: o modelo só aprende com o que está dentro dele. Ele é otimizado com base nas próprias conversas retidas, que são justamente as que ele já sabia resolver. É um ciclo que se retroalimenta e se limita sozinho”, explica.

É esse teto, o qual gera custos e raramente é questionado, que está no centro da proposta da Omilia para o mercado de Customer Experience brasileiro.

O ciclo que chega tarde demais

No modelo tradicional, a lógica de manutenção de um bot é conhecida por qualquer operação: o cliente pede algo fora do script, cai no fallback, alguém abre um chamado, um especialista desenha o novo fluxo, testa, homologa e publica – “seis semanas depois, se tudo correr bem”, diz Leite. “Quando a mudança entra no ar, a campanha que gerou aquelas ligações já acabou.”

O problema não é apenas o tempo. É que, sem visibilidade detalhada sobre o motivo do transbordo, a melhoria vira palpite. “A maioria das operações só enxerga a taxa de transbordo. Sabe que 60% das ligações vazaram para o humano, mas não sabe detalhadamente o porquê”, observa o executivo.

Some-se a isso um bot que segue respondendo com base em informação desatualizada, sem saber que a empresa já lançou um produto novo, mudou uma regra ou uma tarifa.

O resultado dessa combinação é visível nos números de percepção do consumidor brasileiro: apenas 20% tiveram experiência positiva com chatbots em 2026, segundo o CX Trends. É exatamente o mesmo percentual de 2025.

“Um ano inteiro de investimento em automação e a percepção não saiu do lugar” pontua Leite. “Quando a percepção estaciona assim, o problema deixou de ser tecnologia e virou modelo de manutenção.”

IA que aprende com a operação

A proposta da Omilia inverte a lógica de onde vem o aprendizado do bot. Em vez de esperar a área de Negócio identificar e pedir uma mudança, o sistema escuta todas as interações, inclusive as que terminam com um atendente humano, e as transforma em insumo do próprio modelo.

A diferença, quando a IA aprende com a jornada inteira, é que o atendimento humano vira gabarito

Carlos Eduardo Leite, Solution Consulting director of Ibero-LATAM da Omilia

Foto: Divulgação

Na prática, as informações são separadas em dois grupos: as que não foram entendidas pelo agente de IA e as que foram entendidas, mas o agente não tinha automação para resolvê-las. Isso vira uma fila de melhorias ordenada por volume, que vai para o time de operação validar e publicar.

“A diferença, quando a IA aprende com a jornada inteira, é que o atendimento humano vira gabarito. Cada chamada que transborda carrega duas informações valiosas: o que o cliente pediu e o que o atendente fez para resolver. Essa comparação em escala mostra exatamente qual automação está faltando e quanto ela vale em volume”, resume Leite.

Melhorias contínuas, na prática

Um case que ilustra o potencial de um bot que aprende com a operação é o da PSEG, maior distribuidora de energia e gás do Estado de Nova Jersey, nos Estados Unidos.

A companhia usava uma URA dependente de palavra-chave, com autoatendimento pouco adotado e um índice alto de chamadas mal roteadas. A migração para a plataforma da Omilia trocou esse fluxo por reconhecimento de intenção em linguagem natural, com Analytics em tempo real sobre o que os clientes estavam pedindo.

Entre os principais ganhos, divulgados pela própria PSEG, estão:

Queda de 45% para 15% nas chamadas mal roteadas.
Aumento de cerca de 4 pontos percentuais na contenção, o que, na escala da operação, equivale a algo entre 250 mil e 300 mil ligações por ano resolvidas sem atendente humano.
Redução de 15 segundos no tempo médio de atendimento.
Disponibilidade total durante eventos climáticos severos, justamente quando o volume de chamadas explode.

A implementação foi feita por fases, começando pelos serviços de maior volume. O ciclo de melhoria contínua, no entanto, foi aplicado desde o início. Só no primeiro ano, esse ciclo identificou mais de 50 áreas de melhoria.

Retenção com resolutividade

Olhar apenas a métrica de contenção, porém, é perigoso. Afinal, ela mede se a ligação não chegou ao atendente, algo que pode ser feito simplesmente dificultando o transbordo do contato.

“O KPI que importa é contenção resolutiva, ou seja, entender se a interação foi contida e o cliente não voltou. Se você não cruza a contenção com a rechamada em 24 ou 72 horas, está olhando para um número bonito, mas falso”, alerta Leite.

Entre os indicadores que o executivo recomenda acompanhar estão: taxa de rechamada por intenção (não a média geral); motivo do escalonamento; abandono precoce (quem desliga nos primeiros 30 segundos); taxa de entendimento por intenção; e CSAT segmentado.

“Uma regra de projeto hoje é manter a saída para humano sempre disponível, sem penalidade de tempo. A parcela de brasileiros que valoriza um robô capaz de transferir para um atendente quando necessário subiu de 54% para 63% entre 2025 e 2026. O cliente não exige que a IA saiba tudo. Exige que ela reconheça rápido quando não sabe”, afirma.

É exatamente nisso que a Omilia foca no Brasil: um consumidor que já entendeu o autoatendimento, mas perdeu a paciência com autoatendimento ruim. Com investimentos focados em adaptar a ferramenta para o português que o brasileiro fala, a companhia quer ajudar a tornar o atendimento um verdadeiro sensor de melhorias e, consequentemente, uma fonte de receita para as empresas

O teto de vidro que trava a evolução dos bots no atendimento

PUBLICIDADE

O ciclo que chega tarde demais

IA que aprende com a operação

Melhorias contínuas, na prática

Retenção com resolutividade

A Experiência Infinita é premium

Da eficiência à receita, o CX que gera valor

O CX posto à prova