A conversa sobre agentes de IA no atendimento costuma girar em torno do modelo. Qual é o melhor, quanto custa o token, se ele alucina. É uma discussão confortável porque é técnica e terceirizável. E é a discussão errada.
Uma análise da Forrester sobre o Zendesk Relate 2026 colocou número no que muita gente já sentia na pele. Tom Eggemeier, CEO da Zendesk, apresentou uma métrica que transforma prontidão de conhecimento em algo mensurável: apenas 27% dos artefatos de conhecimento estavam prontos para uso imediato. Outros 28% eram o que ele chamou de resoluções destraváveis, bloqueadas por uma lacuna específica de conhecimento.
Ou seja: quase metade da base não serve para um agente executar. E o restante está fora de alcance por enquanto. Nenhum modelo resolve isso.
Documento para humano ler não é insumo para agente executar
Aqui está o ponto que a maioria dos projetos ignora. A sua base de conhecimento foi escrita para uma pessoa que interpreta ambiguidade. O atendente lê “em casos excepcionais, avalie o histórico do cliente” e sabe o que fazer. O agente de IA lê a mesma frase e não tem o que executar.
A Forrester descreve a disciplina operacional que resolve isso: converter política de forma narrativa para forma codificada, com parâmetros, condições, fallbacks e lógica de exceção especificados em vez de assumidos. Não é escrever melhor. É escrever outra coisa.
Surge um cargo que quase ninguém tem
Se a política precisa virar regra, alguém precisa fazer essa tradução. E esse alguém não é o time de tecnologia, é quem conhece o atendimento. Martin Mason, da Supercell, resumiu a mudança de papel durante o painel de transformação:
Os atendentes humanos estão se tornando engenheiros de serviço, projetando e curando o trabalho que os agentes de IA vão executar.
Martin Mason, Supercell, citado pela Forrester
A conclusão da Forrester é direta: engenharia de conhecimento, e não tecnologia, é hoje a principal restrição para escalar IA com sucesso. E há um recado sobre gente que vale ouvir. O intervalo entre reconhecer essa mudança e contratar para ela é justamente onde os melhores atendentes de primeiro nível ou viram engenheiros de conhecimento, ou vão para uma empresa que já criou o cargo.
| Sinal na sua operação | O que ele indica | Ação |
|---|---|---|
| O agente responde certo, mas resolve errado | A política existe, mas está em forma narrativa | Codificar condições, exceções e fallback |
| Cada exceção vira escalonamento humano | A regra de exceção não foi declarada | Mapear as dez exceções mais frequentes e escrevê-las como regra |
| Duas fontes de verdade se contradizem | Falta curadoria da base | Definir dono e ciclo de revisão por artigo |
| Ninguém sabe dizer quanto da base está pronta | Falta a métrica de prontidão | Medir a base como a Zendesk mediu: pronto, destravável, fora de alcance |
A qualidade pode piorar antes de melhorar
Vale ajustar a expectativa da diretoria. A própria Forrester prevê, nas previsões para 2026 sobre atendimento, que a qualidade do serviço deve cair enquanto as empresas lidam com a complexidade da implantação de IA e com a gestão de mudança que ela exige. Não é pessimismo, é sequência: automatizar um processo mal definido só entrega o erro mais rápido.
Ao mesmo tempo, a direção do mercado é clara. A CRM Buyer destaca a projeção do Gartner de que, até 2029, 80% dos problemas comuns de atendimento serão resolvidos por agentes de IA sem intervenção humana. Quem chegar lá com a base arrumada colhe. Quem chegar com a base bagunçada apenas automatiza o atrito.
Por onde começar sem parar a operação
Não comece pela ferramenta. Comece medindo. Pegue os vinte motivos de contato mais frequentes e classifique cada um em pronto, destravável ou fora de alcance. Os destraváveis são o seu retorno rápido, porque a lacuna é específica e nomeável.
Depois, olhe para os sinais que a operação já dá. Cliente que some sem reclamar é o exemplo mais barato de ignorar e o mais caro de perder, como discutimos em churn silencioso: o cliente que vai embora sem reclamar. E se o objetivo do projeto é reduzir custo por conversa, o raciocínio é o mesmo que aplicamos em como reduzir o custo do atendimento no WhatsApp: sem processo claro, a automação encarece.
Por fim, mantenha o humano no circuito das decisões que afetam o cliente. A confiabilidade dos agentes ainda é o gargalo prático da tecnologia, tema que já tratamos em confiabilidade de agentes de IA. E lembre que receita crescendo não significa base saudável, como mostram os apps de IA que faturam mais e perdem cliente 30% mais rápido.
Perguntas frequentes
Qual é o principal obstáculo para escalar agentes de IA no atendimento?
Segundo a análise da Forrester, é a engenharia de conhecimento, não a tecnologia. A base precisa estar em forma executável, com parâmetros, condições e exceções explícitos, e não apenas bem escrita para um humano interpretar.
O que são resoluções destraváveis?
São atendimentos que o agente de IA poderia resolver, mas que estão bloqueados por uma lacuna específica de conhecimento. No dado apresentado no Zendesk Relate 2026, elas representavam 28% dos artefatos, contra 27% já prontos para uso imediato.
Preciso contratar um cargo novo para isso?
Na prática, sim. O trabalho de traduzir política em regra executável exige alguém que conheça o atendimento a fundo. É o papel que vem sendo chamado de engenheiro de conhecimento ou engenheiro de serviço, muitas vezes ocupado por bons atendentes de primeiro nível.
A qualidade do atendimento cai quando entra IA?
Pode cair no início. A Forrester prevê que em 2026 a qualidade do serviço sofra enquanto as empresas lidam com a complexidade da implantação e com a gestão de mudança. Automatizar um processo mal definido acelera o erro em vez de resolvê-lo.
Por onde começar o diagnóstico?
Pelos vinte motivos de contato mais frequentes. Classifique cada um em pronto, destravável ou fora de alcance. Os destraváveis são o ganho rápido, porque a lacuna é específica e dá para nomear e corrigir.
