---
title: "Por que as ligações para o call center não diminuem mesmo com chatbots de IA"
locale: pt
category: ai_data
category_name: "Dados de IA"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/why-ai-chatbots-do-not-reduce-call-center-calls
published_at: 2026-08-14T01:01:58+09:00
---

# Por que as ligações para o call center não diminuem mesmo com chatbots de IA

> Mesmo que o uso de chatbots aumente, as ligações para o call center e os custos operacionais podem não diminuir se faltarem autoridade para executar ações, compreensão do contexto e encaminhamento para atendentes humanos. É preciso medir se o problema do cliente foi resolvido, em vez de apenas a taxa de processamento automático, e projetar toda a jornada para que a IA e os atendentes compartilhem o contexto.

## Key Points

- O aumento do uso de chatbots pode significar que a demanda por atendimento e os pontos de contato cresceram, portanto não comprova diretamente a redução das ligações para o call center.
- A capacidade de explicar informações e a autoridade para efetivamente processar reembolsos, cancelamentos e alterações de conta são competências distintas.
- Como as ligações após uma falha do chatbot se concentram em casos complexos, mesmo com o mesmo volume de chamadas, o tempo médio de atendimento e o trabalho emocional podem aumentar.
- Um handover eficaz transmite ao atendente o resumo da conversa, o status de autenticação do cliente, as ações realizadas e os motivos das falhas.
- Os principais indicadores de desempenho devem se concentrar na taxa de conclusão da jornada, na taxa de novos contatos, no tempo total de resolução e no esforço do cliente, em vez de apenas na taxa de contenção.

O grande aumento no volume de conversas de um chatbot de IA não significa que as ligações para o call center ou os custos de atendimento diminuirão automaticamente. Responder às perguntas e resolver completamente o problema do cliente são tarefas diferentes, e uma automação malsucedida pode acabar encaminhando para atendentes humanos demandas ainda mais complexas e carregadas de emoção.

O principal paradoxo observado nas operações é o seguinte: o uso do chatbot aumenta, mas o volume total de ligações permanece praticamente inalterado, enquanto a complexidade das demandas recebidas pelos atendentes e o tempo médio de atendimento aumentam. Para entender esse fenômeno, é necessário analisar toda a jornada de resolução do problema do cliente, e não o volume de uso por canal.

## Por que o uso do chatbot não corresponde à redução das ligações

O volume de uso do chatbot está mais próximo de uma medida de atividade nos pontos de contato do que de um indicador de resultados. O número de conversas pode aumentar apenas com o crescimento do número de visitantes, a ampliação da exposição do chatbot, a mudança do ponto de acesso dentro do aplicativo ou a migração de canal dos usuários das FAQs existentes.

Por exemplo, mesmo que as conversas com o chatbot tenham aumentado 300%, o volume de ligações não diminuirá nas seguintes situações:

- O número de pedidos e de assinantes aumentou simultaneamente, elevando a demanda total por atendimento.
- Os usuários da busca e das FAQs existentes migraram para o chatbot, mas os usuários do telefone permaneceram os mesmos.
- Um cliente usou o chatbot e depois ligou novamente por causa do mesmo problema.
- O chatbot se tornou uma nova porta de entrada para demandas, fazendo com que até clientes que antes desistiriam iniciassem um atendimento.
- A proporção de problemas complexos que exigem atendimento telefônico não diminuiu.

Portanto, na análise, é necessário separar os seguintes indicadores e examiná-los junto com o simples número de conversas.

| Indicador | Cálculo ou significado | Ponto de atenção |
|---|---|---|
| Taxa de contato por telefone | Número de contatos por telefone ÷ número de pedidos, assinaturas ou clientes ativos | É necessário ajustar o aumento do volume de demandas decorrente do crescimento do negócio. |
| Taxa de handover | Sessões do chatbot transferidas para atendimento humano ÷ total de sessões do chatbot | Uma taxa baixa não é necessariamente boa. Ela também pode cair se o botão de contato for ocultado. |
| Taxa de novos contatos | Proporção de clientes que voltaram a entrar em contato pelo mesmo problema dentro de determinado período | É necessário identificar se é o mesmo problema, mesmo quando o canal é diferente. |
| Taxa de conclusão da jornada | Clientes que efetivamente concluíram a tarefa desejada ÷ clientes que tentaram realizar essa tarefa | É necessário distinguir o fornecimento de uma resposta da conclusão efetiva do processo. |
| Taxa de resolução no primeiro contato | Proporção de casos resolvidos na primeira interação, sem contatos adicionais | O indicador será distorcido se o atendente marcar o caso como concluído por conta própria, sem confirmação do cliente. |
| Tempo total de resolução | Tempo decorrido desde o primeiro contato até a resolução final | Também deve incluir espera, mudança de canal e tempo de nova autenticação. |
| Tempo médio de atendimento | Tempo total gasto no atendimento ÷ número de casos tratados | Pode aumentar se, após a automação, restarem apenas os casos difíceis. |

## Três limitações estruturais que impedem a IA de resolver problemas mesmo quando responde

### 1. Diferença entre capacidade de explicar e autorização para executar

A IA generativa pode explicar rapidamente conteúdos presentes em documentos, como políticas, instruções de uso e informações sobre produtos. No entanto, as necessidades reais dos clientes frequentemente envolvem processos com várias etapas.

Por exemplo, se um cliente solicitar: “Cancelei a assinatura, mas fui cobrado novamente; quero um reembolso”, o sistema talvez precise realizar as seguintes tarefas:

1. Autenticar o cliente e a conta.
2. Consultar a data do cancelamento e o histórico de pagamentos.
3. Determinar se houve cobrança duplicada ou se as condições para reembolso foram atendidas.
4. Verificar a autorização necessária e as políticas de exceção.
5. Executar o reembolso e registrar o resultado.

Se o chatbot não estiver conectado aos sistemas internos de pagamentos e pedidos ou não tiver autorização para executar ações, ele só poderá fornecer instruções. Se o cliente precisar localizar o menu e realizar novamente o processo por conta própria, isso pode ser considerado uma “resposta concluída” do ponto de vista da empresa, mas continua incompleto do ponto de vista do cliente.

Conceder indiscriminadamente amplas permissões para tarefas sensíveis também não é uma solução. Funções como reembolsos, alteração de dados pessoais e recuperação de contas exigem verificação de identidade, privilégio mínimo, limites de valor, procedimentos de aprovação, logs de auditoria e meios de recuperação em caso de falha.

### 2. Falta de contexto que não aparece na pergunta

É difícil definir um resultado adequado apenas com a frase “Recomende um destino de férias para eu visitar com meu filho”. Isso ocorre porque restrições como idade da criança, tempo de deslocamento, orçamento, alergias alimentares, segurança da piscina e acesso a atendimento médico podem alterar o resultado.

As formas de complementar o contexto incluem os seguintes elementos:

- Perguntas de acompanhamento para confirmar as condições necessárias
- Uso do histórico de pedidos e atendimentos dentro do escopo consentido pelo cliente
- Grafo de conhecimento que represente as relações entre produtos, políticas, regiões, públicos-alvo e exceções
- Ontologia que defina termos e relações de forma consistente
- Consulta aos documentos de políticas mais recentes e aos sistemas reais de estoque e reservas

Ontologias ou grafos de conhecimento são métodos possíveis de implementação, não requisitos obrigatórios para todos os chatbots. Para tarefas simples, APIs estruturadas e fluxos de conversa claros podem ser mais eficientes. O importante é fazer com que o modelo não preencha lacunas por suposição, mas pergunte pelas informações necessárias ou as consulte em sistemas confiáveis.

### 3. Demandas complexas que restam após falhas na automação

Quando o chatbot trata as demandas simples, restam para os atendentes, em termos relativos, mais casos complexos e excepcionais. Isso pode ser entendido como uma mudança na composição dos casos. Mesmo que o número de ligações permaneça igual ou diminua um pouco, o tempo total e os custos de atendimento podem não cair se as chamadas restantes ficarem mais longas.

Se o cliente tiver repetido a mesma explicação ao chatbot e precisar contar tudo novamente desde o início ao atendente, a carga emocional também aumentará. Um problema que originalmente era uma simples confirmação de pagamento pode se transformar em uma reclamação que inclui a insatisfação com a falha da automação.

No entanto, não se deve concluir que o aumento do tempo médio de atendimento é culpa do chatbot. Fatores como falhas em produtos, mudanças de políticas, proporção de novos atendentes e sazonalidade também exercem influência. Ao comparar os períodos anterior e posterior à implementação, é necessário controlar os tipos de demanda e os grupos de clientes, além de analisar separadamente o grupo que ligou após usar o chatbot e o grupo que ligou diretamente.

## A solução não é evitar demandas, mas realizar um handover fluido

Handover é o processo de transferir uma conversa que a IA não conseguiu resolver para um atendente humano. O objetivo de um bom handover não é manter o cliente preso ao chatbot por muito tempo, mas detectar rapidamente os limites da automação e permitir que o próximo responsável pela resolução continue o trabalho sem interrupções.

Quando surgirem sinais como os seguintes, pode-se oferecer a conexão com um atendente humano:

- O cliente solicita explicitamente falar com um atendente.
- Perguntas idênticas ou semelhantes são repetidas.
- A confiança na resposta está abaixo do padrão ou não foi possível encontrar documentos de referência.
- O risco é elevado, como em disputas de pagamento, invasão de conta, ameaças legais ou problemas de segurança.
- A emoção negativa persiste ou o cliente rejeita a resposta.
- Uma tarefa executada pelo chatbot falhou ou entrou em um estado de exceção.

A tela do atendente deve receber informações estruturadas que possam ser usadas diretamente no trabalho, e não apenas a transcrição da conversa.

| Informação transferida | Conteúdo específico |
|---|---|
| Intenção do cliente | Resultado final desejado pelo cliente |
| Fatos principais | Informações confirmadas, como número do pedido, momento da ocorrência, produto e valor |
| Status da autenticação | Método usado para concluir a verificação de identidade e seu escopo de validade |
| Histórico de ações | Ações consultadas ou executadas pelo chatbot e seus resultados |
| Causa da falha | Falta de autorização, exceção de política, erro de API, baixa confiança etc. |
| Resumo da conversa | Alegações do cliente, explicações já fornecidas e perguntas restantes |
| Sinais emocionais e de risco | Intensidade da insatisfação e existência de riscos de proteção, segurança ou natureza jurídica |
| Evidências | Versão do documento de política utilizado e registros relevantes dos sistemas |

Como os resumos criados pela IA podem conter erros, também deve ser possível consultar a conversa original. Dados de autenticação e informações pessoais sensíveis devem ser transferidos somente no escopo necessário, com controle das permissões de acesso e do período de retenção.

## Modelo operacional de 3 níveis para dividir os papéis da IA e das pessoas

É mais seguro dividir o nível de automação com base no risco da tarefa, na frequência de exceções e na responsabilidade pela decisão.

| Área | Tarefas adequadas | Papel da IA | Papel das pessoas |
|---|---|---|---|
| Automação | Informações sobre horário de funcionamento, rastreamento de entregas, alterações de reservas de baixo risco | Consulta, explicação e execução de tarefas | Intervenção quando ocorrerem exceções |
| Colaboração | Demandas sobre produtos complexos, análise de exceções às políticas, reclamações comuns | Organização do contexto, busca de evidências e sugestão de rascunhos de resposta | Verificação dos fatos, decisão final e comunicação |
| Exclusivamente humano | Disputas legais, reembolsos de alto valor, invasão de conta, crises de segurança, cuidados emocionais graves | Busca de registros e fornecimento de materiais de apoio | Decisão responsável, aprovação e recuperação do relacionamento |

O critério de classificação não deve ser “a IA escreve bem?”, mas sim o dano causado em caso de tratamento incorreto e o quanto a ação pode ser revertida. Em tarefas com grandes riscos financeiros, jurídicos ou de segurança, ou com exceções frequentes, é apropriado manter etapas de análise e aprovação humana.

## Mudança do KPI de taxa de contenção para taxa de conclusão da jornada

A taxa de contenção ou taxa de tratamento automatizado costuma ser usada como a proporção de sessões que não foram encaminhadas a um atendente. No entanto, o indicador também pode melhorar se o caminho de contato for dificultado ou se o cliente desistir de resolver o problema. Portanto, usá-lo isoladamente como KPI traz o risco de induzir uma otimização contrária à experiência do cliente.

Um sistema de medição centrado na jornada deve responder às seguintes perguntas:

1. A tarefa desejada pelo cliente foi realmente concluída?
2. O cliente voltou a entrar em contato pelo mesmo problema?
3. Por quantos canais e etapas ele passou até chegar à resolução?
4. Quantas vezes o cliente repetiu as mesmas informações ou a autenticação?
5. Quanto tempo levou desde o primeiro contato até a resolução final?
6. Um erro de automação resultou em perda financeira ou violação de política?

O dashboard recomendado pode ser composto por quatro camadas: resultados, esforço, operações e riscos.

- **Resultados:** taxa de conclusão da jornada, taxa de resolução no primeiro contato, taxa de novos contatos
- **Esforço do cliente:** tempo total de resolução, número de explicações repetidas, número de mudanças de canal, pontuação de esforço do cliente
- **Operações:** taxa de contato por telefone, tempo médio de atendimento, tempo de espera, taxa de ocupação dos atendentes
- **Qualidade e risco:** taxa de respostas incorretas, taxa de ações sem aprovação, exposição de informações sensíveis, número de contestações e recuperações

Os custos também não devem ser calculados apenas com base no número de ligações. É necessário comparar o custo total por jornada, incluindo custos de inferência da IA, integração de sistemas, avaliação da qualidade, controles de segurança, tempo de análise humana e custos de recuperação de erros.

## Pipeline de inferência de contexto, orquestração e handover

Uma IA prática para atendimento ao cliente se assemelha mais a um pipeline com vários sistemas conectados do que a uma única janela de conversa.

### 1. Inferência de contexto

Identifica a intenção do cliente e as condições necessárias, além de consultar informações consentidas do cliente e dados operacionais atualizados. Em vez de depender apenas da memória do modelo, é necessário usar fontes oficiais, como documentos de políticas, sistemas de pedidos e status da conta.

### 2. Orquestração

Decide para qual ferramenta ou responsável a solicitação deve ser enviada. Antes da execução, verifica o status da autenticação, as permissões, o limite de valor e a classificação de risco. Em caso de falha, não realiza novas tentativas indefinidamente, mas muda para um procedimento de recuperação ou atendimento humano.

### 3. Handover

Resume o objetivo do cliente, os fatos confirmados, as ações realizadas, a causa da falha e a próxima medida recomendada, e transfere essas informações ao atendente. O atendente verifica o conteúdo original e as evidências antes de continuar o processo.

### 4. Registro de resultados e aprendizado

Armazena se houve resolução final e as correções feitas pelo atendente. Em caso de falhas recorrentes, não se deve apenas retreinar o modelo, mas também identificar se a causa está nos documentos de políticas, na API, nas permissões operacionais ou no fluxo das telas, e fazer as melhorias necessárias.

## Desenho experimental para verificar os efeitos da implementação

Comparar apenas o volume total de ligações antes e depois da implementação dificulta separar os efeitos do crescimento do negócio e da sazonalidade. Se possível, é necessário dividir grupos semelhantes de clientes ou tipos de demanda, fazer uma implantação gradual e observar simultaneamente os seguintes itens:

- Número de ligações por 1.000 pedidos ou clientes ativos
- Novos contatos pelo mesmo motivo dentro de 24 horas ou 7 dias após o uso do chatbot
- Taxa de conclusão e tempo médio de atendimento por tipo de demanda
- Esforço e satisfação do cliente antes e depois da conexão com uma pessoa
- Proporção de resumos da IA corrigidos pelos atendentes
- Taxa de erros da execução automática e tempo necessário para a recuperação por uma pessoa
- Carga cognitiva, esgotamento emocional e satisfação profissional dos atendentes

Além disso, é necessário definir previamente o que significa “resolução”. O estado em que uma resposta é exibida, o estado em que o cliente encerra a conversa, o estado em que uma tarefa de backend é concluída com sucesso e o estado em que o cliente confirma o resultado são diferentes entre si. Para tarefas que exigem processamento posterior, como reembolsos, é necessário verificar até mesmo o estado efetivo da transação.

## Checklist para equipes de produto

- Foi feita a distinção entre o que o chatbot pode responder e o que ele pode realmente executar?
- As condições de sucesso de cada tarefa são verificadas pelos resultados do backend?
- O cliente pode solicitar claramente atendimento humano a qualquer momento?
- Perguntas repetidas, baixa confiança e expressões de risco são usadas como sinais de transferência?
- O atendente pode consultar não apenas o resumo da conversa, mas também o conteúdo original e as evidências?
- O cliente pode evitar repetir a autenticação e as explicações?
- Há limites e procedimentos de aprovação para os valores e as permissões de execução da IA?
- A taxa de novos contatos e o tempo total de resolução são medidos por tipo de demanda?
- O feedback dos atendentes resulta em melhorias nos documentos de conhecimento, nas ferramentas e nos procedimentos operacionais?
- Os responsáveis pelas operações reais testam regularmente toda a jornada do chatbot como se fossem clientes?

## Conclusão

O sucesso de um chatbot de IA não pode ser avaliado apenas pelo volume de conversas ou pela taxa de contenção do atendimento humano. Se o objetivo do cliente não for efetivamente concluído, o chatbot deixa de ser um canal de resolução de problemas e se torna uma etapa adicional pela qual é necessário passar antes da ligação.

Um design eficaz não oculta os limites da IA. Ele automatiza tarefas padronizadas e de baixo risco, apoia os atendentes nas tarefas que exigem julgamento e transfere rapidamente situações de alto risco para profissionais experientes. Quando isso é combinado com um handover que transfere tanto a conversa quanto o status da tarefa, a IA pode deixar de ser uma barreira que bloqueia o call center e se tornar uma ferramenta que reduz o tempo de resolução do cliente.

## FAQ

### Se o número de usuários do chatbot aumentar, o número de ligações para a central de atendimento também não deveria diminuir?
Não necessariamente. O aumento no uso do chatbot também pode ocorrer devido à ampliação da exposição, ao aumento do número de clientes ou à migração do canal de FAQ existente. Se o mesmo cliente ligar novamente após usar o chatbot, o volume de conversas pode aumentar, enquanto o volume de ligações permanece igual.

### Se a taxa de contenção do chatbot for alta, isso significa que a automação foi bem-sucedida?
É difícil avaliar apenas pela taxa de contenção. Ela também pode aumentar se o botão para falar com um atendente for difícil de encontrar ou se o cliente desistir de resolver o problema. É preciso medir em conjunto a conclusão efetiva da tarefa, a ocorrência de novos contatos, o tempo total de resolução e o esforço do cliente.

### Por que o tempo médio de atendimento pode aumentar após a implementação do chatbot?
Quando a AI cuida das solicitações simples, exceções complexas e reclamações carregadas de emoção podem se concentrar nos atendentes. Devido a essa mudança na composição dos casos, o tempo de atendimento por caso pode aumentar mesmo que o número de ligações diminua.

### O que deve ser incluído em uma boa transferência para um atendente humano?
Devem ser incluídos o objetivo final do cliente, o status da autenticação, os fatos confirmados, as ações realizadas pelo chatbot, a causa da falha, as políticas relevantes e um resumo da conversa. Como o resumo feito pela AI pode conter erros, o atendente também deve poder consultar a conversa original e as evidências.

### Dar à AI autoridade para fazer reembolsos ou cancelamentos resolve o problema?
Algumas jornadas melhoram, mas conceder autoridade ilimitada não é seguro. É preciso contar com verificação de identidade, privilégio mínimo, limite de valor, condições de aprovação, logs de auditoria e procedimentos de recuperação de erros, além de automatizar gradualmente, começando pelas tarefas de baixo risco.

### Ontologia e grafo de conhecimento são absolutamente necessários para um chatbot de atendimento ao cliente?
Não são absolutamente necessários. São úteis ao lidar com relações complexas entre produtos e políticas, mas tarefas simples também podem ser processadas apenas com APIs estruturadas e fluxos de conversa claros. O essencial é perguntar o contexto necessário ou consultá-lo em um sistema confiável.

### Como determinar o momento de transferir para um atendente?
Isso pode ser determinado com base em uma solicitação explícita por um atendente, perguntas repetidas, baixa confiança na resposta, falha na tarefa, sentimento negativo persistente e sinais de alto risco, como contestação de pagamento, invasão de conta ou questões de segurança. Solicitações de alto risco não devem permanecer por muito tempo no chatbot sob o pretexto de reduzir custos.

### Quais métricas devem ser usadas como os principais KPIs do chatbot?
Pode-se priorizar a taxa de conclusão da jornada, a taxa de resolução no primeiro contato, a taxa de novos contatos pelo mesmo motivo, o tempo total de resolução e o número de vezes que o cliente precisa repetir as explicações. Também é preciso verificar a taxa de contato por telefone, o tempo médio de atendimento, a taxa de erros e o custo total por jornada.

### Como verificar se o chatbot reduziu os custos da central de atendimento?
Em vez de comparar apenas o volume total de ligações antes e depois da implementação, é preciso calcular a taxa de contato por telefone ajustada ao número de clientes e ao volume de transações. O adequado é comparar o custo total por jornada, incluindo a taxa de conclusão por tipo de solicitação, novos contatos, tempo de atendimento, custo operacional da AI, revisão humana e custos de recuperação de erros.

## Sources

- [Estrutura de Gerenciamento de Riscos de IA do NIST](https://www.nist.gov/itl/ai-risk-management-framework)
- [Plataforma de IA para Contact Center do Google Cloud](https://cloud.google.com/solutions/contact-center-ai-platform)
- [IBM: O que é uma ontologia?](https://www.ibm.com/think/topics/ontology)
- [Centro de Arquitetura do Microsoft Azure: Humano no circuito](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/guide/human-in-the-loop)

## Images

![Chatbot de IA resolve pedidos simples e encaminha problemas complexos à fila da central de atendimento](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzU5NywicHVyIjoiYmxvYl9pZCJ9fQ==--317ba98209612caa9af6cdc98ef2ee488ef9e21b/ai-97159692.webp)
![Dúvida de cliente encaminhada por chatbot, telefone e e-mail até uma atendente, com painel de análises](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzYwMywicHVyIjoiYmxvYl9pZCJ9fQ==--3ee1a2d62648624b7dfb616c81456a18181d3f5c/ai-6fc792ff.webp)