Por Jeff Tropeano
As conversas sobre IA costumam começar com uma escala de capacidades, que vai do reconhecimento e geração de padrões até o raciocínio, a autonomia, a orquestração e a adaptação. Essa taxonomia é a forma como Provedores e como a imprensa escreve sobre o assunto. Mas não é a perspectiva mais útil para um profissional da área de experiência do cliente (CX). Saber que uma ferramenta utiliza “raciocínio em cadeia de pensamento” não diz nada sobre se ela ajudará seus clientes.
A pergunta mais pertinente é: qual é o papel da IA na sua operação?
A IA aplicada à experiência do cliente (CX) pode parecer uma simples aquisição de tecnologia, mas, na prática, o trabalho geralmente consiste em uma reformulação do modelo operacional. Isso é especialmente verdadeiro no caso da IA generativa aplicada à experiência do cliente, onde lacunas de conhecimento, diretrizes pouco claras e jornadas de cliente com falhas se tornam evidentes rapidamente.
A tecnologia torna as coisas boas ainda melhores e as ruins ainda piores. Quando a IA aplicada à experiência do cliente (CX AI) é implementada em uma jornada com falhas, em um conhecimento desatualizado ou em uma governança fraca, ela não corrige essas condições. Ela as amplifica.
A COPC Inc. analisa seis domínios de impacto: atrair e desenvolver talentos, auxiliar nas interações ao vivo, capacitar os clientes, analisar dados e extrair insights, garantir a segurança e otimizar as operações, além de um novo domínio emergente: IA incorporada e robótica. Escolha o domínio e, em seguida, pergunte-se como seria a situação ideal nesse contexto. Essa é a estrutura para tudo o que se seguirá nesta série.
Por que a IA aplicada à experiência do cliente (CX) apresenta desempenho abaixo do esperado após o lançamento
A maioria das implementações de IA começa com metas sensatas: atendimento mais ágil, melhor capacidade de direcionamento, cobertura de melhor qualidade, coaching mais consistente e menor custo por atendimento. Nenhuma dessas metas é irracional. O problema surge quando as organizações esperam que a ferramenta alcance esses resultados por conta própria.
Isso raramente acontece.
Na prática, a discrepância entre o que foi prometido e o desempenho real geralmente tem duas origens. Primeiro, a organização não definiu o que seria considerado “bom” na experiência do cliente e do agente. Segundo, a equipe operacional não está preparada para dar suporte à ferramenta assim que ela entrar em operação.
Então, a implementação acaba sendo atribuída à IA, quando o verdadeiro problema é o desenho ferramenta.
Uma demonstração não mostra o modelo operacional
As implantações reais costumam apresentar falhas em pontos que nunca aparecem na demonstração.
Pode ser que exista uma base de conhecimento, mas o conteúdo está desatualizado, incompleto ou inconsistente. O sistema aprende com entradas incorretas e produz respostas incorretas. Após a implantação da IA, muitas organizações descobrem que, na verdade, não possuem nenhuma base de conhecimento utilizável.
Aqui está um caso que parece uma falha tecnológica e, curiosamente, não é! Uma empresa concedeu ao seu chatbot acesso aos contratos dos clientes. Essa foi a decisão certa. Não há motivo para ocultar contratos de um bot destinado a responder a perguntas sobre contratos. Os dados estavam corretos e as respostas eram precisas. O bot explicou corretamente como um cliente poderia cancelar seu contrato. Ele funcionou exatamente como foi programado. A lacuna estava na política de comportamento. Ninguém havia decidido o que o bot deveria ou não fazer, apenas o que ele poderia fazer. A solução tentadora é retirar o acesso do bot aos contratos. Isso não resolve o problema e torna o bot menos eficaz em seu trabalho. A solução é uma diretriz que regule o comportamento: o bot pode explicar um contrato e encaminhar uma solicitação de cancelamento para a equipe de retenção. Dados corretos, resultado correto, mas sem política de comportamento. Dois em cada três casos são incidentes de produção.
Também observamos problemas decorrentes de casos extremos desenho ninguém havia desenho . Uma plataforma desenho pode apresentar um bom desempenho geral, mas enfrentar dificuldades com nomes de marcas, termos de produtos ou linguagem especializada quando colocada em produção. Isso pode parecer um problema menor. Em grande escala, erros de transcrição podem distorcer análises, coaching e decisões de negócios.
Essa é a parte que os líderes precisam testar sob pressão antes de ampliar a aplicação da IA generativa na experiência do cliente.
Os cinco padrões de falha a serem observados
Em todas as iniciativas do COPC, as mesmas questões surgem repetidamente:
- Jornadas e processos interrompidos
- Bases de dados frágeis
- Expectativas e métricas desalinhadas
- A gestão da mudança subestimada
- Lacunas na governança
Essas são as condições que determinam se a IA aplicada à experiência do cliente (CX) melhora as operações ou acrescenta mais uma camada de complexidade.
O que corrigir antes de expandir ainda mais
As equipes que obtêm valor da IA para a experiência do cliente (CX) realizam o trabalho de limpeza logo no início. Elas analisam a jornada do cliente. Elas testam o conhecimento. Elas definem o que é considerado bom para os clientes e agentes. Elas decidem quem analisa os resultados, o que deve ser encaminhado para um nível superior e como o sucesso será medido.
Esse trabalho é importante porque fica mais difícil corrigir a IA depois que ela se torna parte das operações diárias. Conhecimento insuficiente gera respostas insatisfatórias. Jornadas de atendimento com falhas geram mais confusão. Lançamentos apressados fazem com que agentes, supervisores e equipes de qualidade tenham que correr atrás para dar conta da situação.
O modelo operacional em torno da ferramenta é o ponto em que muitos programas de IA para experiência do cliente (CX) ficam estagnados.
Para se aprofundar no assunto, baixe o guia executivo da COPC, “IA na Experiência do Cliente, 2026: Como modernizar a pilha de tecnologias do seu contact center sem perder o controle”, para obter um marco de trabalho prático marco de trabalho avaliar a implantação da IA, a governança, a arquitetura, as funções e as decisões relacionadas ao roteiro de ação.
Jeff Tropeano
Vice-presidente executivo, Consultoria Tecnológica Global
Como vice-presidente executivo de Consultoria Tecnológica Global da COPC Inc., Jeff Tropeano lidera as atividades mundiais da empresa, alinhando a estratégia de experiência do cliente com a transformação digital e a inteligência artificial. Conhecido por sua abordagem pragmática e centrada na jornada, ele se concentra em preencher a lacuna entre a estratégia de alto nível e a execução técnica para assegurar as decisões assegurar gerem resultados comerciais mensuráveis. Líder inovador dedicado e colaborador do COPC CX Standard, Jeff defende a simplicidade e a transparência sob o princípio orientador de que desenho sempre liderar a tecnologia.