À medida que a IA elimina os contatos mais simples, os líderes de experiência do cliente (CX) precisam analisar o TMO o em relação à complexidade das chamadas e à taxa de resolução para entender o que realmente está acontecendo na operação.
A IA está retirando cada vez mais tarefas rotineiras das filas dos centrais de atendimento. Redefinições de senha, atualizações de pedidos, dúvidas simples sobre contas e outras solicitações diretas são cada vez mais atendidas por meio de canais automatizados e de “ autoatendimento ”. Os clientes que ainda entram em contato com um agente tendem a precisar de ajuda com uma exceção, um processo complicado ou um problema que exija julgamento humano.
Para as centrais de atendimento, essa mudança está alterando a lógica por trás das métricas de desempenho já conhecidas. O volume de chamadas pode diminuir, enquanto o trabalho que resta para os atendentes se torna mais complexo. O tempo médio de atendimento (TMO) pode aumentar mesmo quando a automação reduz a demanda e diminui o custo geral do serviço. Esse tempo pode subir ainda mais quando os atendentes precisam lidar com transferências de chamadas com falhas, sistemas desconectados ou fluxos de trabalho que nunca foram projetados com foco no customer journey.
A análise da MetricNet, realizada em setembro de 2026, sobre centrais de atendimento equipadas com IA constatou o mesmo efeito de variação de casos: as operações do quartil superior desviam 58% dos contatos e resolvem 38% sem a intervenção de um agente. À medida que a IA absorve os contatos mais simples e curtos, a carga de trabalho restante dos agentes torna-se mais complexa, e o índice de resolução por agente ( TMO ) pode aumentar.
Para os líderes em experiência do cliente (CX), o aumento do índice de satisfação do cliente ( TMO ) exige agora uma análise mais detalhada do trabalho por trás desses números. A complexidade das chamadas, a resolução no primeiro contato (FCR), os contatos repetidos, a satisfação do cliente (CSAT) e o custo por contato fornecem o contexto necessário para entender se os atendentes estão enfrentando dificuldades ou se estão dedicando mais tempo à resolução das interações que ainda exigem sua intervenção.
Por que o site “ TMO ” pode passar uma mensagem equivocada
Considere um call center que recebe 100 chamadas. Oitenta delas são simples redefinições de senha, com um índice de resolução na primeira interação ( TMO) muito baixo, enquanto as 20 restantes são problemas mais complexos que levam mais tempo para serem resolvidos.
Quando o “ autoatendimento ” elimina a maioria das chamadas relacionadas à redefinição de senha, a média se altera, pois as interações mais curtas não são mais consideradas no cálculo. Os atendentes podem estar lidando com menos chamadas no total, mas o “ TMO ” aumenta porque uma parcela muito maior do trabalho restante leva mais tempo para ser resolvida.
No painel de controle, esse aumento pode parecer um problema de desempenho. Na prática, a operação pode estar funcionando de forma mais eficiente, com a demanda rotineira sendo atendida em outro lugar e os agentes concentrados nas interações que ainda exigem tempo, discernimento e apoio.
O risco surge quando os líderes reagem ao aumento nos números sem compreender o que mudou por trás disso. A pressão para reduzir o número de casos em aberto ( TMO ) pode levar os agentes a agir com pressa justamente nas interações em que a resolução é mais importante.
TMO É fácil de medir. Também é fácil interpretar mal.
A orientação em tempo real deve levar à resolução do problema
Em interações complexas, o orientação em tempo real pode ajudar os atendentes a realizar o trabalho correto durante a interação e reduzir a chance de o cliente precisar entrar em contato novamente.
Um agente pode concluir cinco das nove etapas requerido para resolver uma solicitação. TMO ocorrem interrupções, e a chamada parece eficiente. O cliente ainda assim liga de volta porque uma ação requerido nunca foi realizada ou porque a informação não chegou à equipe seguinte.
As orientações sobre a próxima melhor ação podem ajudar os atendentes a conduzir as jornadas dos clientes que não seguem uma sequência fixa. Um cliente pode entrar na etapa quatro, voltar à etapa dois e, em seguida, avançar para a etapa oito, dependendo do que surgir durante a conversa.
O principal indicador de sucesso é se a interação ajudou o cliente a se aproximar da solução.
Algumas interações exigem um agente com melhor suporte
A COPC Inc. trabalhou recentemente com um cliente do setor de saúde que estava avaliando a possibilidade de automatizar chamadas delicadas relacionadas à “ programação ”. Alguns pacientes estavam em fase terminal e, em alguns casos, um familiar ligava em nome deles.
As chamadas podiam levar 25 minutos, então a eficiência era uma preocupação real. Um uso mais intenso da IA visava apoiar o atendente com um contexto melhor, um fluxo de trabalho mais simplificado e menos etapas para concluir a solicitação. O objetivo era reduzir uma interação de 25 minutos para cerca de 10 ou 12 minutos, mantendo o suporte humano necessário para a situação requerido.
A redefinição de senhas e as atualizações de pedidos são mais fáceis de automatizar. Interações delicadas e de alto risco geralmente exigem mais discernimento humano. Orientações em tempo real podem ajudar os atendentes a lidar com essas conversas de forma mais eficiente, mantendo o foco na resolução do problema.
A métrica precisa evoluir junto com o trabalho
À medida que a IA assume cada vez mais interações rotineiras, o volume de trabalho que chega aos atendentes humanos também muda. TMO pode apresentar variações que pareçam contraintuitivas quando os líderes comparam esses números com referências históricas ou com o desempenho anterior à implantação da IA.
Esse contexto deve ser considerado na estratégia de IA e na discussão sobre o “ ROI ”. Um índice de “ TMO ” mais alto pode significar algo muito diferente depois que a automação remover milhares de contatos curtos e simples da fila. Os líderes precisam entender o que está por trás desse número antes de usá-lo para avaliar se um investimento em IA está melhorando a operação.
Essa mesma disciplina se aplica aos dados de experiência do cliente (CX) de maneira mais ampla. A IA está mudando onde o trabalho é realizado, quais clientes entram em contato com um agente e quais problemas esses agentes são chamados a resolver. A maneira como os líderes interpretam os dados de desempenho deve acompanhar essas mudanças.
###
O apoio aos agentes é apenas uma das cinco áreas-chave nas quais a IA deve comprovar seu valor nas operações de experiência do cliente (CX). Para saber mais, baixe o guia completo da COPC, “Preparando a Experiência do Cliente para o Futuro: Passando do Exagero em torno da IA para Resultados Comerciais Mensuráveis”. Este guia explora o “ marco de trabalho ” da COPC para medir resultados em áreas como desenvolvimento de talentos, interações ao vivo, “ autoatendimento ”, análises e governança.
Jeff Tropeano
Vice-presidente executivo de Consultoria Tecnológica Global da COPC Inc.
Jeff lidera a prática global da empresa, alinhando a estratégia de experiência do cliente com a transformação digital e a inteligência artificial. Conhecido por uma abordagem pragmática e centrada na jornada do cliente, ele se concentra em preencher a lacuna entre a estratégia de alto nível e a execução técnica para que as decisões tecnológicas gerem resultados comerciais mensuráveis. Líder de pensamento dedicado e colaborador do Modelo COPC CX, Jeff defende a simplicidade e a transparência sob o princípio orientador de que a experiência do cliente deve sempre orientar a tecnologia.