Eles respondiam perguntas frequentes, identificavam algumas intenções, conduziam fluxos previamente definidos e, quando a situação saía do roteiro, transferiam o atendimento para uma pessoa.

Esse cenário está mudando.

A evolução dos modelos de inteligência artificial e o avanço da chamada IA agêntica estão levando o atendimento para uma nova etapa: sistemas que não apenas conversam com o cliente, mas podem interpretar uma solicitação, consultar informações, acessar ferramentas, executar determinadas ações e acompanhar etapas de uma jornada.

E o mercado já se prepara para essa transformação.

Uma pesquisa global da Salesforce com 6.500 profissionais de atendimento mostrou que as equipes estimam que aproximadamente 30% dos casos de atendimento já sejam tratados por IA e projetam que esse percentual chegue a 50% até 2027. A inteligência artificial também saltou da décima para a segunda prioridade dos líderes de atendimento em apenas um ano, ficando atrás somente da melhoria da experiência do cliente.

Outro levantamento, realizado pelo Gartner com 321 líderes de Customer Service & Support, revelou que 91% afirmaram sofrer pressão da liderança executiva para implementar IA em 2026. Entre as principais prioridades estão satisfação do cliente, eficiência operacional e melhoria do autosserviço.

Mas existe uma diferença importante entre colocar IA no atendimento e construir uma operação realmente preparada para agentes de IA.

Do chatbot que responde para a IA que age

O chatbot tradicional trabalha principalmente com respostas e fluxos.

Um agente de IA pode avançar algumas etapas.

Imagine um cliente dizendo:

“Recebi meu pedido, mas um dos produtos veio errado. Quero fazer a troca.”

Um chatbot convencional pode localizar uma orientação sobre trocas ou direcionar o consumidor para outro canal.

Um agente conectado à operação pode, dependendo das permissões e regras estabelecidas, identificar o cliente, consultar o pedido, verificar a política aplicável, coletar as informações necessárias, iniciar um processo e encaminhar para uma pessoa quando a situação exigir intervenção humana.

É uma diferença importante.

A IA deixa de ser somente uma interface de conversa e passa a participar do processo.

E justamente por isso integração, contexto, governança e acompanhamento tornam-se ainda mais importantes.

O modelo de IA, sozinho, não resolve o problema

Existe uma tentação natural de avaliar um projeto de IA principalmente pelo modelo utilizado.

Mas, em ambientes empresariais, escolher um modelo poderoso não significa automaticamente ter um agente eficiente.

O benchmark CRMArena-Pro, desenvolvido por pesquisadores da Salesforce AI Research para avaliar agentes em cenários empresariais realistas, encontrou um resultado relevante.

Nos testes realizados, agentes baseados em alguns dos principais modelos alcançaram aproximadamente 58% de sucesso em interações de uma única etapa, mas o desempenho caiu para cerca de 35% quando as tarefas envolveram interações com múltiplas etapas.

O estudo avaliou situações relacionadas a atendimento, vendas e processos de CRM, mostrando como ambientes empresariais reais apresentam desafios muito maiores do que simplesmente gerar uma boa resposta.

Isso reforça um ponto fundamental:

uma boa IA de atendimento não depende apenas da inteligência do modelo. Depende da arquitetura construída ao redor dele.

E é aqui que entra outro conceito que começa a ganhar espaço nas discussões sobre IA.

Context engineering: a IA precisa saber mais do que a pergunta do cliente

Durante a primeira fase da IA generativa, muito se falou sobre prompt engineering: como formular instruções melhores para obter respostas melhores.

Com agentes de IA, a discussão está evoluindo para context engineering.

A Anthropic define essa abordagem como o trabalho de organizar e disponibilizar o conjunto de informações que o modelo precisa para apresentar o comportamento desejado. Em vez de pensar somente “qual é o melhor prompt?”, passa-se a perguntar: qual contexto essa IA precisa ter disponível para tomar uma boa decisão?

No atendimento, isso faz enorme diferença.

Um agente pode precisar conhecer, por exemplo:

• quem é o cliente;
• histórico de interações;
• produtos ou serviços contratados;
• políticas comerciais;
• pedidos anteriores;
• informações existentes no CRM;
• regras específicas da empresa;
• estágio da jornada;
• permissões para executar determinadas ações.

Sem contexto, podemos ter uma IA extremamente avançada dando uma resposta genérica.

Com contexto e integração, a inteligência passa a trabalhar sobre a realidade daquela operação.

Quanto mais autonomia, mais importante se torna a supervisão

Existe outro ponto que precisa acompanhar a evolução dos agentes: human in the loop, ou seja, a participação humana em momentos definidos da operação.

Ter agentes mais autônomos não significa necessariamente retirar as pessoas de todo o processo.

Significa definir onde a automação pode avançar sozinha e onde uma pessoa precisa assumir, validar ou supervisionar uma decisão.

O NIST (National Institute of Standards and Technology, ou Instituto Nacional de Padrões e Tecnologia) dos EUA, por meio de seu AI Risk Management Framework e do perfil específico para IA generativa, recomenda que organizações incorporem aspectos de confiabilidade e gerenciamento de riscos durante o desenvolvimento, uso e avaliação de sistemas de IA.

Essa preocupação ganha importância à medida que sistemas deixam de apenas sugerir respostas e passam a executar ações.

Em um atendimento simples, a IA pode conseguir resolver toda a solicitação.

Em outro caso, pode ser necessário transferir para um atendente.

Em processos mais críticos, determinadas ações podem exigir aprovação antes de serem realizadas.

Portanto, a pergunta não deve ser:

“IA ou atendimento humano?”

A questão mais relevante é:

“Qual é a melhor combinação entre IA, automação e pessoas para cada etapa da jornada?”

Como saber se um agente de IA realmente funciona?

Essa evolução também muda a maneira como as empresas precisam medir o atendimento.

Avaliar apenas quantidade de conversas automatizadas pode criar uma visão incompleta do resultado.

Um agente pode atender milhares de pessoas e ainda assim não resolver adequadamente suas solicitações.

Por isso, projetos de IA precisam combinar métricas tradicionais de atendimento com indicadores específicos da automação.

Entre eles:

Taxa de resolução

 Quantos atendimentos foram efetivamente solucionados pela IA?

Taxa de transferência para humanos

Em quais situações o agente precisou escalar a conversa?

Resolução no primeiro contato

O cliente conseguiu resolver sua necessidade sem retornar posteriormente?

Qualidade da resposta

As informações fornecidas estavam corretas, contextualizadas e de acordo com as regras da empresa?

Taxa de conclusão de tarefas

Quando o agente precisa executar uma ação, quantas vezes consegue completar corretamente todo o processo?

Custo por atendimento ou resolução

A automação está efetivamente aumentando a eficiência operacional?

Tempo de resolução

Quanto tempo existe entre o início da solicitação e sua conclusão?

Satisfação do cliente

A eficiência operacional está acompanhada de uma boa experiência?

O NIST mantém inclusive recursos específicos de testing, evaluation, verification and validation (TEVV) para apoiar organizações na avaliação de sistemas de inteligência artificial.

Isso mostra uma mudança importante de mentalidade: colocar um agente em produção não encerra o projeto.

É o início de um processo contínuo de medição, supervisão e melhoria.

A nova geração do atendimento será integrada

A evolução do chatbot para o agente de IA não acontece apenas porque os modelos ficaram mais inteligentes.

Ela acontece porque estamos começando a conectar inteligência artificial com dados, canais, sistemas, automações, regras de negócio e jornadas reais.

É essa integração que transforma uma IA capaz de conversar em uma inteligência capaz de participar efetivamente da operação.

Por isso, a próxima geração do atendimento provavelmente não será definida por uma disputa entre humanos e inteligência artificial.

Será definida pela capacidade das empresas de construir operações nas quais IA, automação, dados e pessoas trabalhem de forma coordenada.

Na Tactium, essa visão passa pela integração dos diferentes elementos que compõem a experiência de atendimento — canais digitais, voz, dados, automações, inteligência artificial, gestão e acompanhamento da operação.

Porque, à medida que a IA ganha autonomia, uma questão se torna ainda mais importante:

não basta perguntar o que a IA consegue fazer. É preciso saber com quais informações, sistemas, regras e pessoas ela está conectada para fazer isso bem.

O post Do chatbot ao agente de IA: o que realmente mudou no atendimento? apareceu primeiro em Blog da Tactium.