Os melhores casos de uso de IA agêntica no atendimento ao cliente para começar são intenções de alto volume com regras escritas, baixo risco de ação e dados que o agente consegue acessar: status do pedido, ajuda com login e perguntas simples sobre a conta. Intenções que parecem igualmente simples, como cancelamentos, mudanças de endereço, devoluções e cupons de desconto, muitas vezes escondem regras de negócio não documentadas e ficam para uma segunda onda, depois que você escrever essas regras.
Em resumo
- Escolha as primeiras intenções de um agente de IA por pontuação, não por intuição: volume, complexidade da resolução, clareza da política, risco da ação, acesso a dados e emoção do cliente, cada um com nota de 1 a 5 e um peso.
- Acrescente um critério antes de qualquer intenção entrar no ar: se não dá para saber, pela transcrição e pelo registro de ações, se o agente acertou, ela não vai primeiro.
- Cancelamentos, mudanças de endereço, devoluções e cupons parecem uma única ação, mas escondem decisões que atendentes experientes tomam de memória, e que um agente de IA não vai conhecer.
- Encontre as regras ocultas antes do lançamento: leia 50 tickets resolvidos por intenção, entreviste os seus melhores atendentes, liste cada exceção e só então dê a nota de clareza da política.
- Dividir uma intenção (devolução padrão dentro do prazo versus todas as exceções) muitas vezes transforma uma candidata fraca para a primeira onda numa boa candidata para a segunda.
Este guia trata da primeira decisão de escopo na transição para o atendimento agêntico.
Quais intenções de atendimento um agente de IA deve assumir primeiro?
Um agente de IA deve assumir primeiro as intenções que muitos clientes trazem, que seguem regras escritas com poucas exceções e em que uma ação errada é barata de desfazer. As candidatas típicas são status do pedido, senha e ajuda com login, horário de funcionamento e informações sobre planos. Tudo o que movimenta dinheiro, encerra um contrato ou depende de julgamento espera.
Uma intenção é um motivo de contato: o que o cliente quer resolver, como “onde está o meu pedido” ou “cancelar a minha assinatura”. A sua lista de motivos de contato no helpdesk, mesmo bagunçada, é o inventário inicial.
Escolher só pelo volume é o erro comum: o volume mostra onde está a economia, não se o agente de IA consegue acertar, quanto custa um erro ou se alguém perceberia. Muitos guias de fornecedores colocam devoluções e gestão de conta no grupo seguro, mas é justamente ali que vivem as regras não documentadas. O restante deste guia transforma a intuição numa pontuação que você consegue defender.
Quais são os casos de uso típicos de IA agêntica no atendimento ao cliente?
Os casos de uso típicos de IA agêntica no atendimento ao cliente são status do pedido e da entrega, ajuda com conta e login, devoluções e reembolsos, mudanças de endereço e de pedido, mudanças e cancelamentos de assinatura, dúvidas de cobrança, agendamentos e abertura e roteamento de tickets. Eles diferem menos na tecnologia do que no risco: alguns só leem dados, outros movimentam dinheiro.
Um agente de IA executa a ação nos seus sistemas, então a ação importa tanto quanto a pergunta. A tabela agrupa casos de uso comuns pelo nível de autonomia que a ação costuma exigir, com os níveis do nosso guia de níveis de autonomia de agentes de IA.
| Caso de uso | O que o agente faz | Nível de autonomia usual | Primeira onda? |
|---|---|---|---|
| Status do pedido e da entrega | Lê os dados do pedido e da transportadora, explica o status | 0. Informar | Normalmente sim |
| Senha e ajuda com login | Envia um link de redefinição ao endereço verificado | 1. Agir sozinho | Normalmente sim |
| Agendamento | Agenda dentro dos horários livres | 1. Agir sozinho | Muitas vezes |
| Mudança ou upgrade de plano | Muda o plano, explica o novo preço | 2. Agir dentro de um limite | Segunda onda |
| Mudança de endereço | Edita o pedido antes do despacho | 1. Agir sozinho | Depois que as regras forem escritas |
| Pedido de devolução | Verifica a elegibilidade, emite uma etiqueta | 2. Agir dentro de um limite | Depois que as regras forem escritas |
| Cancelamento | Interrompe a renovação ou cancela na hora com reembolso | 1 ou 3, depende da ação | Depois que as regras forem escritas |
| Problemas com cupom de desconto | Aplica ou substitui um desconto | 2. Agir dentro de um limite | Mais tarde (regras ocultas) |
| Contestações de cobrança e cobranças em duplicidade | Investiga, reembolsa ou escala | 3. Agir com aprovação | Mais tarde |
| Abertura e roteamento de tickets | Classifica e encaminha para a fila certa | 1. Agir sozinho | Muitas vezes, nos bastidores |
A última coluna é um resultado típico, não uma regra; a sua própria pontuação decide.
Como pontuar intenções de suporte para automação?
Dê a cada intenção uma nota de 1 a 5 em seis critérios (volume, complexidade da resolução, clareza da política, risco da ação, acesso a dados e emoção do cliente), multiplique pelos pesos abaixo e divida o total por 5 para obter uma nota de prioridade de 20 a 100. Depois aplique o critério de mensurabilidade e as regras eliminatórias antes que qualquer coisa entre no ar.
Em todos os critérios, 5 significa “uma candidata melhor para começar”, então nota mais alta é sempre mais segura e mais valiosa de automatizar cedo.
A planilha de priorização de intenções
| Critério | Peso | 5 (boa candidata para começar) | 3 | 1 (candidata fraca para começar) |
|---|---|---|---|---|
| Volume | 20 | 15% ou mais dos contatos mensais | 4% a 7% | Menos de 2% |
| Complexidade da resolução | 15 | Um passo, um sistema | 2 ou 3 passos, ou 2 sistemas | Muitos passos, julgamento em cada um |
| Clareza da política | 20 | Regra escrita, nenhuma exceção não escrita em 50 tickets | 3 a 5 exceções não escritas em 50 tickets | Mais de 10, ou regras que se contradizem |
| Risco da ação | 20 | Nível 0: só informa | Nível 2: age dentro de um limite de valor | Nível 4: nunca deve agir |
| Acesso a dados | 10 | O agente lê e grava tudo o que precisa por API | Lê tudo, grava parte | Dados-chave estão em e-mails, PDFs ou na cabeça das pessoas |
| Emoção do cliente | 15 | Calmo, transacional | Levemente irritado | Aflito, vulnerável ou com raiva |
Preencha os valores intermediários do jeito óbvio: volume 4 é de 8% a 14% e volume 2 é de 2% a 3%; clareza da política 4 é 1 ou 2 exceções não escritas e 2 é de 6 a 10. O risco da ação segue o nível de autonomia: nível 0 vale 5, nível 1 vale 4, nível 2 vale 3, nível 3 vale 2 e nível 4 vale 1. Se uma intenção cobre ações em dois níveis (cancelar no fim do período versus cancelar na hora com reembolso), dê a nota da mais arriscada, ou divida a intenção.
Nota de prioridade = (volume × 20 + complexidade × 15 + clareza × 20 + risco × 20 + dados × 10 + emoção × 15) ÷ 5.
Faixas: 80 ou mais vai para a primeira onda. De 65 a 79 vai para a segunda onda, depois que o critério mais fraco for corrigido. Abaixo de 65 fica com as pessoas, ou o agente de IA assiste uma pessoa, até uma nova pontuação.
O critério de mensurabilidade da qualidade
Antes de uma intenção entrar no ar, pergunte: um avaliador, ou um avaliador automático, conseguiria dizer pela transcrição e pelo registro de ações se o agente de IA acertou? Você precisa conseguir escrever o resultado correto como critérios do formulário de monitoria, por exemplo “informou o status da transportadora que bate com os dados de rastreio” ou “interrompeu a renovação e não cancelou na hora, a menos que o cliente pedisse”. Se não, a intenção é reprovada, seja qual for a nota, porque os erros dela ficam invisíveis até os clientes reclamarem. Veja como fazer a monitoria de qualidade de agentes de IA para escrever esses critérios.
Regras eliminatórias
Três resultados impedem uma intenção de ir primeiro, mesmo com um total alto:
- Clareza da política 1: as regras se contradizem ou a maioria dos casos usa regras não escritas, então o agente vai improvisar.
- Risco da ação 1: ações de nível 4 (excluir dados pessoais, alterar dados bancários) ficam com uma pessoa.
- Reprovação no critério de mensurabilidade.
Exemplo calculado: ranking de 8 intenções de suporte
O exemplo abaixo é uma ilustração, não dados de clientes: uma equipe de e-commerce por assinatura com 40.000 contatos por mês pontua oito intenções. Status do pedido e ajuda com login ficam na primeira onda, mudança de plano na segunda, e as quatro intenções “que parecem simples” ficam abaixo de 65 até que as suas regras ocultas sejam escritas.
| Intenção | Parcela (contatos) | Vol | Compl | Clareza | Risco | Dados | Emoção | Nota | Critério | Onda |
|---|---|---|---|---|---|---|---|---|---|---|
| Status do pedido | 22% (8.800) | 5 | 5 | 4 | 5 | 5 | 4 | 93 | Aprovada | 1 |
| Senha e ajuda com login | 9% (3.600) | 4 | 4 | 5 | 4 | 4 | 4 | 84 | Aprovada | 1 |
| Mudança de plano | 5% (2.000) | 3 | 4 | 4 | 3 | 4 | 5 | 75 | Aprovada | 2 |
| Mudança de endereço | 6% (2.400) | 3 | 3 | 2 | 4 | 3 | 4 | 63 | Aprovada | Mais tarde |
| Pedido de devolução | 14% (5.600) | 4 | 3 | 2 | 3 | 4 | 3 | 62 | Depois das regras | Mais tarde |
| Cancelar assinatura | 10% (4.000) | 4 | 3 | 2 | 2 | 4 | 2 | 55 | Aprovada | Mais tarde |
| Cupom não funciona | 7% (2.800) | 3 | 3 | 1 | 3 | 3 | 3 | 52 | Reprovada | Eliminada |
| Contestação de cobrança | 4% (1.600) | 3 | 2 | 3 | 2 | 3 | 1 | 47 | Aprovada | Mais tarde |
Para conferir uma linha: status do pedido é (5 × 20 + 5 × 15 + 4 × 20 + 5 × 20 + 5 × 10 + 4 × 15) ÷ 5 = 465 ÷ 5 = 93.
O que o ranking diz a essa equipe:
- A primeira onda cobre 31% dos contatos (12.400 por mês) com duas intenções: um começo menor do que “tudo o que leva menos de cinco minutos”, e um que você consegue medir.
- Devoluções têm o segundo maior volume, mas fazem 62. O problema é a clareza da política: em 50 tickets de devolução resolvidos, a equipe encontrou 7 decisões que nenhum artigo de ajuda descrevia.
- Cupons são eliminados. Ninguém conseguiu escrever quando um atendente aceita um cupom vencido, então nenhum avaliador conseguiria julgar a resposta do agente de IA.
- Cancelamentos são pontuados pela ação mais arriscada. Cancelar na hora com reembolso precisa de aprovação (nível 3), então o risco da ação é 2, e não o 4 de uma simples interrupção da renovação.
Agora divida a intenção de devolução. “Devolução padrão dentro do prazo, item elegível” é 10% dos contatos. Com as regras escritas, complexidade e clareza sobem para 4: (4 × 20 + 4 × 15 + 4 × 20 + 3 × 20 + 4 × 10 + 3 × 15) ÷ 5 = 365 ÷ 5 = 73. Isso a leva para a segunda onda. Os outros 4% (avariado, personalizado, atrasado, cortesia) ficam com as pessoas e são transferidos com contexto.
Quais intenções “simples” escondem regras de negócio?
As intenções que mais escondem regras de negócio são cancelamentos, mudanças de endereço, devoluções, cupons de desconto, reembolsos por entrega atrasada e atualização da forma de pagamento. Cada uma parece uma única ação, mas os seus melhores atendentes tomam várias decisões no caminho, por experiência, e nenhuma delas está escrita onde um agente de IA consiga ler.
| Intenção | Perguntas que os seus atendentes respondem de memória |
|---|---|
| Cancelar assinatura | Interromper a renovação ou cancelar na hora? Reembolso proporcional ou não? Uma oferta de retenção é permitida, e com que frequência? O cliente está dentro de um prazo legal de arrependimento? |
| Mudança de endereço | O pedido já foi despachado? A transportadora consegue redirecioná-lo? Endereço novo mais cartão novo é sinal de fraude? Muda imposto ou frete? |
| Pedido de devolução | Dentro do prazo? Quais itens são excluídos? Quem paga o frete de devolução? E se o item estiver avariado, ou o cliente quiser um desconto para ficar com ele? |
| Cupom não funciona | Os cupons se acumulam? Quais produtos são excluídos? É um cupom de parceiro com regras próprias? Quando os atendentes aceitam um cupom vencido mesmo assim? |
| Reembolso por entrega atrasada | Automático ou mediante pedido? Depende da transportadora, do atraso ou da categoria do cliente? |
| Atualizar forma de pagamento | Há um pagamento recusado para tentar de novo? Isso reinicia um ciclo de cobrança? Que verificação de identidade é exigida? |
Algumas regras ocultas são legais. Na UE, o consumidor em geral tem 14 dias para desistir de um contrato à distância sem precisar indicar o motivo (Diretiva 2011/83/UE, artigo 9.º), e o artigo 16.º lista 13 exceções, como bens feitos segundo as especificações do consumidor, bens que se deterioram rapidamente e bens selados de higiene que foram abertos após a entrega. Um agente que diz “todas as vendas são finais” ou “você pode devolver qualquer coisa” erra de qualquer jeito. Verifique os seus mercados com o jurídico e escreva o resultado na regra.
Um teste rápido: se dois atendentes experientes tratariam o mesmo ticket de formas diferentes, a intenção tem uma regra não escrita, e o agente de IA vai aplicar uma única versão a todo mundo.
Como descobrir as regras ocultas antes do lançamento?
Descubra as regras ocultas em quatro passos: leia 50 tickets resolvidos por intenção e anote cada decisão tomada, entreviste dois ou três dos seus melhores atendentes sobre os casos em que eles fogem da resposta padrão, escreva cada exceção como uma regra com um responsável e transforme cada uma num caso de teste. Só dê a nota de clareza da política depois desse trabalho.
1. Leia 50 tickets resolvidos por intenção. Não os 50 mais recentes, mas uma mistura: cerca de 20 comuns, 10 reabertos, 10 escalados e 10 com nota de satisfação baixa ou o maior tempo de atendimento. Para cada um, anote a decisão, os dados usados e se a regra aplicada está escrita em algum lugar. A contagem de decisões não escritas define a nota de clareza da política.
2. Entreviste dois ou três atendentes de destaque, trinta minutos cada, com perguntas que tragam as exceções à tona:
- “Quando você não faz o que o artigo de ajuda diz?”
- “O que você verifica antes de fazer isso?”
- “Quais clientes são tratados de forma diferente, e por quê?”
3. Liste as exceções e dê um responsável a cada uma. Escreva cada exceção como uma regra com um gatilho, uma ação e um limite, e decida se o agente de IA a aplica ou transfere. O modelo de cartão de política em políticas para agentes de IA mantém a macro humana e a instrução do agente de IA apontando para a mesma regra.
4. Transforme as exceções em casos de teste: uma mensagem do cliente, a ação esperada e a resposta esperada, rodados antes do lançamento e depois de cada mudança. Veja teste de chatbot para conversas roteirizadas e testes de agentes de IA para ações e uso de ferramentas.
Reserve cerca de meio dia por intenção para os tickets, mais as entrevistas: é mais barato do que descobrir as regras pelas reclamações.
Uma intenção deve rodar como fluxo determinístico ou generativo?
Use um fluxo determinístico, com passos fixos e regras em código, quando a decisão segue critérios claros, como prazos de elegibilidade, limites e verificações de identidade. Deixe o modelo generativo cuidar do que o código não consegue: entender o pedido do cliente, pedir os detalhes que faltam e explicar o resultado. A maioria das boas intenções mistura os dois.
A Anthropic descreve workflows como “sistemas em que LLMs e ferramentas são orquestrados por caminhos de código predefinidos”, e agentes como sistemas em que os modelos “dirigem dinamicamente os próprios processos e o uso de ferramentas”, e recomenda “encontrar a solução mais simples possível, e só aumentar a complexidade quando necessário” (Anthropic, Building effective agents, em inglês).
Uma divisão prática para intenções de suporte: verificações de identidade, consultas a pedidos, elegibilidade (prazos, exclusões, limites), a chamada de API com os seus limites aplicados, textos exigidos por lei e gatilhos fixos de transbordo ficam no código ou na ferramenta. Entender o pedido, pedir os detalhes que faltam, escolher qual ação aprovada se aplica, o tom e perceber a frustração ficam com o modelo. Elegibilidade para dinheiro ou contratos nunca é decisão só do modelo.
Há uma tensão. O guia da OpenAI para construir agentes cita a aprovação de reembolsos no atendimento ao cliente como exemplo de “tomada de decisão complexa” em que agentes fazem sentido, e diz que, nos outros casos, “uma solução determinística pode bastar” (OpenAI, A practical guide to building agents, em inglês). O mesmo guia diz que “cancelar pedidos de usuários, autorizar reembolsos grandes ou fazer pagamentos” deve acionar supervisão humana até que a confiança no agente cresça. As duas coisas valem: as intenções que exigem julgamento são onde os agentes agregam mais valor e onde precisam de mais evidências antes. Elas vêm mais tarde, não nunca.
Como saber quando acrescentar a próxima intenção?
Acrescente a próxima intenção quando as atuais se mantiverem estáveis por várias semanas: as resoluções corretas ficam na sua meta, os escalonamentos acontecem nos momentos certos e as falhas revisadas têm causas conhecidas, com correções aplicadas. Pontue de novo as intenções em espera ao mesmo tempo, já que regras escritas e novo acesso a dados mudam as notas delas.
Use evidências, não datas do calendário:
- Resolução correta, não retenção. Uma conversa encerrada não é uma conversa resolvida; veja taxa de resolução correta para medir a diferença.
- Qualidade do transbordo. O agente transfere no gatilho certo, com contexto, para que o cliente não precise se repetir (QA do transbordo para humano).
- Causas das falhas. Cada conversa com falha recebe uma causa: regra ausente, dado errado, ação errada, tom. Corrija uma causa recorrente antes de ampliar.
- Um responsável que revisa cada intenção ativa toda semana; veja a função de gestor de agentes de IA.
O seu nível no modelo de maturidade de IA no atendimento também importa: no início, acrescente uma intenção de cada vez; uma equipe que avalia toda conversa da IA e tem um processo de mudanças funcionando pode acrescentar um pequeno grupo de uma vez.
Quando esta planilha não é para você?
Esta planilha é mais do que você precisa se atende algumas centenas de contatos por mês, tem só três ou quatro motivos de contato, ou se o seu agente de IA só responde perguntas com base em conteúdo aprovado e não executa ações. Nesses casos, leia uma amostra de tickets, escreva as regras e teste as respostas à mão.
Ela também não substitui uma lista limpa de motivos de contato (tags pouco confiáveis dão notas de volume erradas) nem a revisão jurídica: a planilha diz que uma intenção tem regras legais, não quais são.
Onde a Kaizo entra
A Kaizo verifica cada conversa de suporte, humana ou de IA, com base no seu próprio formulário de monitoria, e mostra o que corrigir. O AutoPilot avalia cada conversa assim que ela é resolvida, para que você veja onde o agente de IA e a sua equipe acertam e onde a qualidade quebra: a evidência para decidir quando acrescentar a próxima intenção. Veja como funciona o QA de agentes de IA, ou agende uma demo para ver isso nas suas próprias conversas.
Como começar esta semana
Você consegue pontuar as suas primeiras intenções em uma semana com um analista, um líder de equipe, uma exportação do helpdesk e uma planilha. Na sexta-feira, você tem uma lista ranqueada, uma lista de exceções para as principais candidatas e uma primeira onda combinada de duas ou três intenções.
- Segunda-feira: exporte os contatos do último mês por motivo de contato e escolha os 10 principais por volume.
- Terça-feira: dê as notas de volume, complexidade, risco da ação (a partir dos níveis de autonomia), acesso a dados e emoção.
- Quarta e quinta-feira: para as 4 principais, leia 50 tickets resolvidos de cada uma, conte as decisões não escritas para definir a clareza da política e entreviste dois atendentes de destaque.
- Sexta-feira: aplique o critério de mensurabilidade e as regras eliminatórias, calcule as notas, combine a primeira onda com o responsável pelo agente de IA e coloque as exceções em cartões de política.
Depois, confira os controles de que você precisa antes de entrar no ar no guia de atendimento agêntico.
Perguntas frequentes
Quais são exemplos reais de agentes de IA no atendimento ao cliente?
Agentes de IA que verificam o status de entrega de um pedido e explicam um atraso, redefinem uma senha, marcam ou remarcam um agendamento, processam uma devolução padrão e emitem a etiqueta, ou mudam o plano de uma assinatura. São agentes, e não chatbots, porque executam a ação nos seus sistemas, em vez de só descrevê-la.
Qual é a diferença entre um chatbot de atendimento e um agente de IA?
Um chatbot baseado em regras segue intenções fixas e respostas roteirizadas, normalmente com botões ou palavras-chave. Um agente de IA entende texto livre, decide quais passos dar e age por meio das suas ferramentas, como reembolsar um pedido. Essa liberdade é o motivo pelo qual a escolha das intenções e das suas regras importa mais.
Qual deve ser o tamanho do escopo do primeiro agente de IA?
Pequeno o bastante para você conseguir verificar cada resultado. Duas ou três intenções com regras escritas e baixo risco de ação servem para a maioria das equipes enterprise; na ilustração acima, duas intenções cobriam 31% dos contatos.
Um agente de IA pode fazer reembolsos desde o primeiro dia?
Raramente. Reembolsos pequenos dentro de uma política escrita podem rodar dentro de um limite quando as regras e os casos de teste existirem, mas reembolsos combinam dinheiro, exceções e emoção, então normalmente ficam na segunda onda ou depois. Reembolsos maiores e contestações precisam da aprovação de uma pessoa.
Como os agentes de IA podem melhorar o atendimento sem prejudicar a qualidade?
Resolvendo por completo as intenções simples e transferindo todo o resto para uma pessoa, com contexto. A qualidade sofre quando as equipes automatizam intenções com regras não escritas ou medem retenção em vez de resolução correta; avaliar as conversas da IA com o mesmo padrão da sua equipe mantém isso visível.
