Por Ingrid Imanishi*

A inteligência artificial agêntica já ocupa espaço real nas operações das empresas. Porém, criar agentes capazes de conversar com um cliente ou acessar informações já não é o grande desafio.A questão que separa projetos experimentais de aplicações capazes de gerar resultado é outra: esse agente consegue levar uma demanda até a resolução?

A automação que vemos hoje operar no atendimento ao cliente tem como antepassada a automação que respondia perguntas ou conduzia consumidores por fluxos previamente definidos. Com o adventoda IA agêntica, temos sistemas capazes de compreender contexto, manter memória, consultar diferentes fontes de conhecimento e, principalmente, executar ações em sistemas corporativos.

Um cliente que solicita uma segunda via, precisa alterar uma reserva ou quer reagendar um serviço não deveria receber apenas instruções sobre o que fazer. O agente de IA acessa os sistemasnecessários, consulta informações, executa as etapas e conclui a solicitação, o que muda profundamente a lógica da automação. Ou seja, o objetivo é resolver.

Por isso, um dos principais indicadores para avaliar um agente de IA é a sua capacidade de completar uma tarefa. Se o cliente conversa com uma inteligência artificial, mas precisa procurarum atendente depois, repetir informações ou executar sozinho parte do processo, houve automação, mas não necessariamente resolução.

Ponta a Ponta

Uma experiência na qual o consumidor precisa repetir, durante uma mesma interação, informações que já forneceu gera esforço desnecessário, assim como ocorre quando o histórico de contatosanteriores não é considerado. Agentes de IA combinam a memória da interação atual com informações de contatos anteriores e dados disponíveis nos sistemas da empresa, mas memória e capacidade de conversação não bastam.

Para resolver uma demanda de ponta a ponta, esses agentes precisam se conectar às ferramentas que fazem parte da operação, como CRM, ERP, sistemas internos, APIs e plataformas de automação,pois é essa integração que permite sair da conversa para a ação.

Outro desafio está na escolha dos casos de uso, especialmente porque a facilidade crescente para desenvolver aplicações de IA pode levar as empresas a automatizar processos simplesmenteporque a tecnologia permite, um caminho que resulta em desperdício de tempo, esforço e investimento.

Antes de criar um agente, é necessário entender quais demandas realmente representam volume para a operação, quais geram esforço para o cliente, quais apresentam potencial de resoluçãopor meio da tecnologia e qual será o retorno esperado.

Os próprios dados do atendimento ajudam nessa decisão, uma vez que a análise de grandes volumes de interações entre consumidores e atendentes permite identificar assuntos recorrentes,etapas repetitivas e demandas com potencial de resolução automatizada, além de estimar o impacto da automação antes que a empresa priorize um projeto.

Em vez de começar pela pergunta “onde podemos colocar IA?”, as organizações devem partir de outra, muito mais conectada aos desafios reais da operação: “onde existe um problema que aIA resolve?”

Há ainda uma variável que tende a ganhar importância à medida que os agentes de IA avançam nas empresas: o custo de operação. Cada interação pode envolver modelos de linguagem, consultasa sistemas, APIs, processamento de voz e diferentes serviços, enquanto a duração da conversa, a quantidade de consultas e até o modelo utilizado para determinada tarefa interferem diretamente nessa equação.

Por isso, nem sempre faz sentido utilizar a mesma tecnologia para todas as atividades. Diferentes modelos podem ser adotados de acordo com a complexidade e a necessidade de cada tarefa,com atenção a custo, desempenho e tempo de resposta, especialmente porque, quando milhares ou milhões de interações passam por esses sistemas, pequenas decisões de arquitetura têm impacto significativo sobre a viabilidade econômica da operação.

E, se agentes de IA executam ações reais em nome das empresas, monitorá-los torna-se tão importante quanto desenvolvê-los, o que exige acompanhar indicadores de desempenho, tempos deresposta, erros, resolutividade e comportamento das aplicações. Também é necessário testar diferentes cenários antes de colocar um agente em produção e manter a avaliação de seu desempenho após a implementação.

Eficiência, segurança, custo

É possível, por exemplo, simular grandes volumes de interações com pequenas variações na forma como um cliente faz uma solicitação, o que ajuda a identificar como o agente responde a situações diferentes e se os critérios definidos pela organização são cumpridos.

A lógica se aproxima do que as empresas já fazem na gestão da qualidade do atendimento humano, ao estabelecer critérios, avaliar interações e identificar pontos de melhoria. A diferençaé que, com IA, parte relevante desse processo também pode ser automatizada, o que amplia a capacidade de avaliação em escala.

Quanto maior a autonomia concedida a esses sistemas, maior precisa ser a capacidade da organização de acompanhar suas ações, identificar desvios e aprimorar continuamente seu funcionamento.

Estamos, portanto, diante de uma nova etapa da inteligência artificial aplicada à experiência do cliente, na qual a discussão já não está apenas em saber se agentes de IA conseguem conversar com consumidores, porque eles conseguem. A questão é se conseguem compreender uma intenção, acessar os sistemas necessários, executar as ações corretas e conduzir a jornada até uma resolução completa, com segurança, eficiência e um custo que faça sentido para o negócio.

A próxima fase da IA agêntica provavelmente não será definida pela quantidade de agentes que uma empresa consegue criar, mas pela capacidade de colocá-los para trabalhar de forma confiável,governável e integrada à operação. No fim, o agente de IA mais sofisticado não será necessariamente aquele que conversa melhor, mas aquele que consegue resolver.

*Ingrid Imanishi é diretora de Soluções da NiCE para a América Latina