Sua IA tá retendo tickets ou resolvendo problemas?

Bruno aqui 👋

Antes de entrar no tema de hoje, eu preciso falar de um evento que vai rolar amanhã, e que, pra mim, é um marco pro mercado brasileiro de CX.

É o primeiro CXperts Live. Uma manhã inteira ao vivo, com três painéis, oito convidados, a partir das 9h30. Online.

A gente montou esse evento porque tem uma janela se fechando. Enquanto o Brasil ainda discute "se" IA vai transformar CX, lá fora 95% dos times já mudaram a forma de operar e 83% já redefiniram responsabilidades dentro da área. Não é futuro. Já aconteceu. E quem lidera CX aqui tem 12 meses pra virar a chave.

O evento responde as três perguntas que mais importam nessa virada: como o time precisa mudar, como CX finalmente senta na mesa de decisão, e como implementar IA sem quebrar a operação que já funciona.

Eu vou hostear dois dos três painéis e vou dividir o palco com gente que eu admiro muito: Ian Kraskoff (Cloud Humans), Mirelle Hampel (Jeitto), Helena Aslan (Birdie), Victor Xavier (Boca Rosa), Lui von Holleben (Asksuite), Solange Franco (Blis) e Jessé Lopes (Yampi).

Se você lidera CX, CS, Suporte ou Operação, bloqueia a agenda. Se CX caiu no seu colo como COO ou CEO, bloqueia também.

Inscrição aqui: https://luma.com/imbucy4p?utm_source=news

Feito o recado, vamos ao que interessa hoje.

Quem me acompanha no LinkedIn viu que há alguns dias eu publiquei esse post falando sobre o problema dos bots/URA no atendimento:

A reação foi grande.

Muita gente se identificou e isso me fez pensar numa camada ainda mais profunda do problema.

Porque reconhecer automação ruim é fácil. Quase todo mundo que trabalha com atendimento reconhece.

A parte difícil é saber quando a automação realmente é boa.

Qual métrica utilizar pra medir isso?

Taxa de retenção pode ser um ótimo começo.

É uma métrica simples. Fácil de explicar. Fácil de acompanhar.

Durante muito tempo, quando a gente falava de automação no atendimento, estava falando de bots, URA, árvore de decisão.

Esse tipo de automação quase sempre teve um teto mais baixo de retenção. Cerca de 10%, 15%, no máximo.

Com agentes de IA, esse cenário mudou. Hoje já existem operações em que a automação consegue reter 70%, 80% dos tickets com muito mais contexto, muito mais capacidade de execução e muito mais profundidade.

E foi exatamente por isso que a taxa de retenção ganhou ainda mais força.

Ela passou a mostrar, de um jeito mais concreto, o quanto esse novo tipo de automação realmente estava conseguindo tirar de volume da operação.

Antigamente, o modelo era bem simples: entrou ticket, entrou humano.

Se a base dobrava, o time precisava crescer junto. O custo da operação crescia na mesma proporção do volume.

Era linear. Era caro. E, pra empresa em crescimento, virava um problema muito rápido.

Quando começamos automatizar esse trabalho, sabíamos que a primeira pergunta dos nossos clientes seria:

“Quanto dessa demanda a automação/IA consegue segurar sem precisar de gente?”

Na gringa, a resposta pra isso costumava aparecer como deflection rate. 

Aqui no Brasil, por um tempo, muita gente também chamou isso de “taxa de automação”.

Mas, com o amadurecimento do mercado, e principalmente nas conversas com clientes da Cloud Humans, o nome que mais pegou foi “taxa de retenção” mesmo.

Retenção, neste caso, não no sentido de retenção de cliente, que muita gente associa mais a CS. Mas retenção de tickets dentro da automação, sem escalar pro humano.

E foi assim que ela acabou virando a métrica principal.

E ela mudou o jogo de verdade.

Pela primeira vez, o líder de CX tinha um número concreto pra levar pro CFO. Não era mais uma conversa abstrata sobre esforço do time ou percepção de melhoria. 

Era uma conversa de negócio real.

Quando você respondia “a IA tá retendo 65% dos tickets”, isso significava menos pressão operacional. Menos necessidade de contratação. Mais eficiência na escala.

A taxa de retenção foi a primeira métrica que fez CX falar a língua do CFO.

E isso não é pouco.

Na Cloud Humans, a gente construiu muita coisa em cima dela.

Nosso modelo de cobrança, inclusive, é atrelado à retenção. 

Se a IA não retém, a gente não cobra. Isso cria um alinhamento de incentivo muito forte, porque nosso resultado depende do resultado do cliente.

A gente criou até uma área interna que chamamos de “Incubadora”. É quase uma UTI da produtividade. 

Quando um cliente tem potencial de retenção de 65% mas tá rodando em 45%, a gente entra junto pra destravar esse gap. Analista, processo, integração, motivo de contato, tudo vai pra mesa.

É exaustivo. É operacional. Mas é o melhor alinhamento de incentivo que existe.

Então, quando eu digo que a taxa de retenção foi um excelente ponto de partida, eu falo com convicção.

Ela trouxe clareza. Trouxe previsibilidade. Trouxe justificativa de investimento. E, pra muita empresa que tava no caos, com time apagando incêndio e sem nenhum norte de automação, ela foi a primeira luz no fim do túnel.

A taxa de retenção é a métrica que sustenta boa parte da conversa no mercado. É a que nossos clientes mais olham. É a que aparece em toda reunião de resultado.

O problema é que ela sozinha não conta toda a história.

Depois de acompanhar diferentes operações de perto ao longo desses anos, algumas coisas ficaram mais claras pra mim, mas acho que a maior parte do mercado ainda não percebeu.

Tem uma diferença grande entre a IA segurar um ticket e a IA resolver um problema.

Às vezes a IA consulta o sistema, acha a informação certa, fecha o ciclo e o cliente sai satisfeito. Ótimo. Isso é retenção com resolução real.

Mas “retido” também pode significar outra coisa.

Pode significar que a IA mandou um link genérico de FAQ. Que repetiu uma política sem entender o contexto. Que respondeu rápido, com educação, mas sem resolver nada.

Pensa num e-commerce.

O cliente manda: “cadê meu pedido?”.

A IA responde com o link de rastreio.

Ticket retido.

Mas o pedido tá atrasado há cinco dias, e o que o cliente queria era um posicionamento de verdade. Prazo novo. Reenvio. Reembolso. Alguma resposta que fechasse o ciclo.

Ele recebeu um link.

Na métrica, isso pode aparecer como sucesso.

Na experiência, é exatamente o tipo de automação que irrita.

Esse é o primeiro ponto que a taxa de retenção, sozinha, não consegue explicar.

Porque reter não é resolver.

70% de retenção é um número bonito.

Mas 70% de quê?

Pensa em duas empresas.

As duas com 70% de retenção.

Na primeira, a IA resolve perguntas simples. Horário de funcionamento. Aceita Pix. Prazo de entrega.

Na segunda, a IA processa troca, consulta status de reembolso no ERP, aplica regra de garantia e executa tarefa que antes exigia alguém do time.

As duas têm o mesmo número.

Mas a profundidade do que foi automatizado é completamente diferente.

Uma tá automatizando FAQ.

A outra tá automatizando operação.

Os dois têm valor. Mas tratar os dois como equivalentes é ignorar a parte mais importante da história: quanto trabalho real a IA tá tirando das costas do time humano.

Esse ponto pesa muito quando o líder de CX vai pedir investimento pra evoluir a automação.

Porque sair de uma automação de conteúdo estático pra uma automação integrada ao backoffice, ao ERP, às regras transacionais, muda radicalmente o tipo de impacto gerado.

Só que a taxa, sozinha, trata tudo quase como a mesma coisa.

E não é.

Essa, pra mim, é a lacuna mais sensível.

Porque a retenção mede eficiência.

Não mede experiência.

O nosso time passou horas lendo tickets pra entender por que a IA, em alguns casos, tinha percepção de qualidade diferente da dos humanos. E essa foi nossa conclusão: o agente humano percebe nuance.

A política pode dizer “ofereça um cupom de R$20”.

Mas o humano percebe que o cliente tá furioso e flexibiliza. Ele lê o tom. Ele entende a frustração. Ele toma uma decisão melhor para aquele momento.

A IA tende a seguir a regra ao pé da letra.

Nos dois casos, alguém pode até marcar aquilo como “resolvido”.

Mas a experiência não foi a mesma.

E tem mais um detalhe aí.

Quando a IA faz um bom trabalho, muita gente nem responde pesquisa. Segue a vida. Quando faz um mau trabalho, a chance de o cliente reclamar é maior. Isso já distorce bastante a leitura de qualidade.

Então a gente fica num limbo perigoso.

O dashboard diz que tá tudo bem.

Mas dentro daqueles tickets retidos, quantos clientes saíram satisfeitos de verdade?

Quantos saíram frustrados?

Quantos só desistiram de tentar?

A taxa de retenção não responde isso.

E foi exatamente por isso que aquele post repercutiu tanto.

Porque automação boa resolve.

Automação ruim irrita.

E a diferença entre as duas nem sempre aparece no dashboard.

A taxa de retenção continua sendo uma métrica importante. E continua sendo uma das formas mais objetivas de entender o impacto da automação na operação.

Pra quem tá começando a automatizar, ela continua sendo um primeiro degrau obrigatório.

Mas, quando a conversa evolui, ela precisa vir acompanhada de outras lentes.

O que eu tenho visto, principalmente nas operações mais maduras, é a retenção sendo analisada junto com outras métricas.

Não pra substituí-la. Mas pra complementar a leitura e entender, com mais clareza, se a automação realmente está resolvendo problema ou só segurando volume.

A primeira lente é simples de entender: o problema do cliente foi resolvido de ponta a ponta ou só foi respondido?

Essa distinção parece óbvia, mas quase ninguém mede isso bem.

A maioria das operações sabe quantos tickets a IA reteve.

Poucas sabem quantos desses tickets realmente fecharam o ciclo.

A IA que manda um link respondeu.

A IA que entende o contexto, consulta o sistema, oferece a saída certa e encerra o caso, resolveu.

Na taxa de retenção, os dois aparecem muito parecidos.

Mas, na realidade, não são.

Uma coisa que a gente começou a fazer na Cloud Humans foi inserir, dentro do próprio fluxo, uma pergunta simples: seu problema foi resolvido?

Parece besteira, mas isso muda a lógica inteira.

Porque, quando o cliente diz que não, a conversa pode ser transferida pro humano com contexto. E isso começa a dar uma visão muito mais honesta da qualidade da automação.

Nem toda retenção é boa.

E nem toda escalação é ruim.

Às vezes a melhor experiência é justamente uma transferência rápida, contextualizada e sem atrito.

A segunda lente muda o ângulo da análise.

O volume tá caindo porque a experiência melhorou ou porque o cliente desistiu de pedir ajuda?

Essas duas coisas aparecem iguais no dashboard: queda de volume.

Mas são opostas.

Num caso, a jornada melhorou, o produto melhorou, a comunicação melhorou, e o cliente simplesmente não precisa mais abrir aquele ticket.

No outro, a experiência ficou tão frustrante que ele desistiu no meio do caminho.

Esse é o falso positivo mais perigoso de todos.

Porque queda de volume por desistência é o oposto de sucesso.

É o cliente que tenta resolver, encontra uma barreira, se irrita e some.

Às vezes cancela.

Às vezes compra no concorrente.

Às vezes nunca mais volta.

E nada disso aparece com clareza se a única coisa que você acompanha é se o ticket escalou ou não.

Automação boa reduz fricção.

Automação ruim cria fricção e chama isso de eficiência.

A terceira lente é a que, pra mim, começa a colocar CX numa conversa ainda mais estratégica.

A pergunta aqui é: a automação ajudou a proteger receita ou só resolveu uma demanda operacional?

Hoje, a maior parte das automações atua no feijão com arroz do atendimento.

Status de pedido.

Segunda via de boleto.

Rastreio.

Pergunta recorrente.

Tudo isso importa. Tudo isso precisa ser bem feito.

Mas o jogo muda quando a automação começa a atuar em momento crítico da jornada.

Quando identifica risco de churn.

Quando ajuda a evitar cancelamento.

Quando oferece uma alternativa melhor em vez de só processar a saída do cliente.

Aí a conversa deixa de ser só custo operacional.

CX começa a falar de receita protegida.

E isso muda completamente o lugar da área dentro da empresa.

É até engraçado a gente falar de “retenção” pra medir ticket, quando a retenção que o CEO realmente quer ver é de cliente.

E as duas coisas NÃO são iguais. Reter 70% dos tickets e perder cliente é uma conta que não fecha.

Os clientes estão se resolvendo sozinhos porque a experiência melhorou ou porque o bot tá bloqueando o caminho até o humano?

Pra mim, a operação mais madura não é a que simplesmente segura mais ticket.

É a que melhora a experiência a ponto de o cliente nem precisar abrir um.

Não porque ele foi barrado.

Mas porque a jornada ficou melhor.

O produto melhorou.

A comunicação ficou mais clara.

O onboarding resolveu antes.

A resposta apareceu no lugar certo, na hora certa.

Quando isso acontece, a automação deixa de ser só uma ferramenta de contenção.

Ela passa a ser parte de um sistema maior de aprendizagem da operação.

Os dados voltam pro produto.

Os padrões voltam pro time.

Os atritos começam a ser removidos na origem.

Aí sim a conversa fica mais interessante. Porque o volume cai pelo motivo certo.

Eu não acho que exista hoje uma métrica definitiva de qualidade em IA de atendimento.

Na verdade, ninguém chegou lá ainda.

E tudo bem.

O que tá claro pra mim é que a taxa de retenção continua importante.

Ela segue sendo um ótimo ponto de partida.

Mas já não dá pra tratá-la como ponto de chegada.

Retenção foi o capítulo 1.

Nos trouxe até aqui.

O capítulo 2, pra mim, é sobre resolução real, qualidade auditável e feedback que fecha o ciclo.

É sobre saber não só quantos tickets a IA segurou, mas quantos ela resolveu com profundidade.

Quantos clientes saíram melhor do que entraram.

Quanta fricção foi removida.

Quanto valor real isso gerou pra operação e pro negócio.

Quem ficar só no capítulo 1 vai ter uma IA que segura ticket, mas não necessariamente uma IA que resolve problema.

E tem um capítulo 3 começando a aparecer. Ainda em construção.

Que é quando a automação deixa de ser só reativa e começa a antecipar problema, influenciar jornada e proteger receita antes do ticket existir.

Ainda não chegamos lá por completo.

Mas o caminho tá ficando claro.

Automação boa resolve.

Automação ruim irrita.

A diferença entre as duas não aparece sozinha na taxa de retenção.

Ela aparece na profundidade da resolução, na fricção que você remove, no cliente que você ajuda a manter e no comportamento que começa a mudar.

E é justamente por isso que eu acho que essa discussão ainda está só começando.

Aliás, quero ouvir como isso está sendo medido aí do seu lado.

Quais métricas você tem usado pra avaliar a eficiência da IA no atendimento hoje?

CXperts é o braço de conteúdo e comunidade da Cloud Humans. Criamos o espaço mais relevante do Brasil para quem acredita que experiência do cliente não é suporte, é estratégia.

O que você encontra no ecossistema CXperts:

1/ CXperts Club: Grupo curado no WhatsApp para líderes reais trocarem entre si — sem buzzword, sem spam. Envie sua aplicação por aqui.

2/ Round Table mensal: Encontro fechado com membros da comunidade para discutir um tema relevante com profundidade.

3/ CXperts Insights: Nossa newsletter semanal com ideias provocativas, benchmarks e reflexões sobre o novo CX.

Feito para quem lidera CX com ambição: nosso foco são c-levels e gestores/heads de Customer Experience em startups e e-commerces em crescimento.

Se você está no front de decisões estratégicas, esse espaço é seu. Junte-se ao CXperts ;)

powered by