A IA ficou com os casos fáceis. Quem redesenhou o trabalho de quem ficou?

O efeito menos discutido da automação no atendimento começa depois que ela funciona

Imagine, apenas como exercício, duas equipes de atendimento:

• Na primeira, cem clientes entram em contato. Quarenta querem segunda via, status de pedido, alteração simples de cadastro ou uma informação objetiva. Os demais trazem cancelamentos, problemas de cobrança, exceções de processo, falhas que já tentaram resolver, situações que exigem investigação ou algum grau de negociação.

• Na segunda equipe, a empresa automatizou boa parte dos contatos simples. Agora quase ninguém chega até uma pessoa para pedir aquilo que o sistema consegue entregar sozinho. Parece uma boa notícia. E pode ser. Só que os sessenta contatos restantes agora representam uma proporção muito maior daquilo que era difícil no atendimento anterior.

O cliente que chega à pessoa pode vir depois de ter tentado se resolver sozinho. Pode ter passado pelo bot, repetido a pergunta ou chegado a uma exceção que a árvore de decisão não previa. Pode precisar de alguém com autonomia, estar mais irritado ou carregar um problema que atravessa várias áreas.

A empresa automatizou parte da operação, mas, em muitas organizações, continua olhando para o trabalho humano com os mesmos indicadores, treinamento, dimensionamento e expectativas de antes.

Automação não torna o trabalho humano mais complexo por si só. Mas, quando retira uma parcela relevante dos contatos simples e previsíveis, muda a composição da fila que permanece.

É aí que começa um problema curioso: a automação funciona e, justamente por funcionar, faz alguns indicadores humanos parecerem piores. O TMA sobe, a produtividade por pessoa cai, a necessidade de escalonamento aumenta, o atendimento parece menos padronizado ou a conversa demora mais.

A operação pode concluir que as pessoas estão ficando menos eficientes. Talvez não estejam. O trabalho mudou. A média antiga morreu, mas continua no painel.

Tempo Médio de Atendimento é um exemplo fácil. Suponha que, antes da automação, uma pessoa recebesse uma mistura de contatos. Alguns levavam dois minutos, outros cinco e alguns quinze.

Casos simples puxavam a média para baixo. Depois da automação, boa parte dos contatos de dois minutos desaparece da fila humana. A média sobe.

Isso significa que os atendentes ficaram mais lentos? Não necessariamente. Pode significar apenas que a composição da demanda mudou.

É uma diferença importante porque conduz a decisões completamente diferentes.

Se a organização interpreta aumento de TMA como queda de produtividade, pode pressionar pessoas para acelerar conversas que agora exigem mais investigação. Se entende que mudou o mix de casos, a pergunta passa a ser outra: o tempo disponível ainda é compatível com a complexidade que deixamos para o humano?

A mesma distorção pode aparecer em várias métricas. Transferência, escalonamento, recontato, uso de exceções, tempo pós-atendimento, número de consultas a sistemas e até satisfação.

Existe ainda um problema de comparação: depois da automação, a fila humana é uma população selecionada. Os contatos que permaneceram ali não representam necessariamente o mesmo conjunto que compunha a fila anterior.

Se a automação ficou com situações previsíveis e transferiu para as pessoas principalmente aquilo que não conseguiu resolver, comparar diretamente o atendimento humano atual com o atendimento humano anterior pode ser comparar dois trabalhos diferentes com o mesmo nome.

É como retirar de uma prova todas as perguntas fáceis e concluir que os alunos pioraram porque a média caiu. O nome da função permanece.

A composição mudou

Quando se fala em automação, existe uma tendência de tratá-la como simples substituição de tarefas.

A máquina faz algumas; a pessoa continua fazendo outras. Na prática, o efeito pode ser mais profundo. Quando se retiram as situações simples e repetitivas, não sobra apenas um volume menor, pode sobrar um trabalho qualitativamente diferente.

Pense no que normalmente resiste à automação: ambiguidade, exceção, conflito entre regras, informação ausente, cliente que não aceita a resposta padrão, problema que atravessa departamentos, necessidade de julgamento, negociação, vulnerabilidade, reincidência. Situações em que o que está escrito no procedimento não é suficiente para decidir.

Ou seja: exatamente aquilo em que contexto importa.

A automação pode reduzir quantidade e aumentar densidade. Densidade, aqui, significa a concentração de exceções, decisões, investigação, dependências entre áreas e situações emocionalmente mais exigentes dentro de um volume menor de contatos. Menos contatos não significa necessariamente menos trabalho por contato. Ignorar isso é um erro de desenho importante.

A empresa olha para o volume que saiu e calcula eficiência, mas nem sempre mede a complexidade que ficou.

O cargo pode ter mantido o mesmo nome. O trabalho, não necessariamente. Se o trabalho mudou, surge uma segunda pergunta: o perfil profissional mudou junto?

Muitas operações passaram anos recrutando para aderência a procedimento, velocidade, padronização e capacidade de seguir fluxos bem definidos. Isso fazia algum sentido quando grande parte do trabalho era previsível, no entanto, são justamente essas tarefas que tendem a ser mais fáceis de automatizar.

O paradoxo é evidente. A organização automatiza o trabalho que exigia seguir procedimento e deixa para a pessoa os casos em que seguir procedimento não basta.

Depois continua selecionando, treinando e avaliando a pessoa principalmente por sua capacidade de seguir procedimento. Há uma incoerência aí.

Quanto mais a automação absorve a execução padronizada, mais valiosas podem se tornar competências que eram tratadas como complementares:

• interpretação;

• raciocínio sobre contexto;

• capacidade de investigar;

• leitura de risco;

• comunicação;

• negociação;

• tomada de decisão dentro de alçadas;

• capacidade de perceber quando a regra existente não cobre adequadamente o caso.

Isso não significa transformar cada atendente em um especialista sênior. Significa reconhecer que o desenho da função precisa acompanhar o desenho da tecnologia. Isso não é apenas uma agenda de treinamento. Pode exigir redesenho de função, alçada, suporte e até estrutura. Não dá para automatizar o trabalho previsível e exigir que o trabalho imprevisível seja executado com a mesma lógica industrial.

O cliente também chega diferente e há ainda outra mudança menos visível. Os casos não são apenas mais complexos. Às vezes, o cliente também chega em outro estado.

Antes da automação, aquela pessoa poderia ter falado diretamente com alguém, agora talvez tenha tentado o autoatendimento, depois o chatbot. Recebeu uma resposta que não serviu, reformulou. Tentou novamente e só então foi transferida.

Para o painel, o atendimento humano começou naquele momento. Para o cliente, não. A jornada pode ter começado vários minutos — ou vários dias — antes. E isso muda a interação.

A pessoa que finalmente atende não recebe apenas um problema técnico. Pode receber também o saldo daquilo que aconteceu antes. E aqui aparece uma injustiça operacional frequente: a empresa atribui à etapa humana uma satisfação que foi parcialmente destruída antes de o atendente aparecer ou cobra dele a recuperação de uma experiência que outro trecho do desenho deteriorou.

É claro que o humano influencia o resultado, mas uma análise séria precisa separar pelo menos duas coisas: a qualidade do contato humano e a condição em que o cliente chegou a esse contato.

Sem isso, a empresa pode punir a ponta por defeitos de arquitetura. Automação não elimina trabalho emocional.

Existe ainda um tipo de complexidade difícil de enxergar no dashboard: a concentração de casos difíceis altera a carga emocional da operação.

Se antes uma pessoa atendia, ao longo do dia, uma mistura de solicitações neutras, dúvidas, pequenos problemas e reclamações, a alternância entre contatos simples e difíceis também podia produzir algum respiro cognitivo e emocional durante a jornada.

Depois da automação, essa distribuição pode mudar: um caso difícil, outro caso difícil. Uma exceção. Um cliente que já tentou três vezes. Uma cobrança contestada. Uma ameaça de cancelamento. Outra exceção.

Isso não aparece simplesmente na quantidade de chamadas. É concentração. E concentração importa. Duas operações com cem contatos podem exigir esforços completamente diferentes dependendo do conteúdo desses contatos.

É por isso que a discussão sobre automação não deveria terminar na quantidade de posições economizadas. Ela precisa alcançar aquilo que passou a ocupar as posições restantes.

Quando o caso mais difícil vira o caso normal, preparação emocional deixa de ser apenas um tema lateral de treinamento e passa a fazer parte da arquitetura operacional. Autonomia precisa acompanhar complexidade.

Há uma situação ainda pior do que entregar casos difíceis ao humano: entregar casos difíceis ao humano sem poder de decisão. O cliente atravessa o fluxo automatizado porque a situação é uma exceção e chega a uma pessoa. A pessoa entende o problema, porém, não pode fazer nada diferente daquilo que o robô já ofereceu. Precisa abrir uma solicitação. Pedir aprovação. Escalar para outro nível. Consultar supervisão. Transferir.

Nesse momento, a presença humana não representa resolução. Representa uma camada adicional de intermediação. E essa talvez seja uma das perguntas mais importantes no redesenho do atendimento: a complexidade que deixamos para o humano é compatível com a autonomia que damos a ele?

Se não for, a empresa cria especialistas em explicar por que não podem resolver, e nenhum treinamento de empatia corrige isso. Quanto mais difícil o problema, mais importante se torna discutir alçada, acesso à informação, capacidade de exceção e conexão com áreas resolutoras.

A tecnologia muda a fronteira entre aquilo que precisa ser executado e aquilo que precisa ser decidido. A governança precisa mudar junto.

Quatro comparações que eu faria depois de automatizar

Existe uma forma relativamente simples de começar a enxergar esse efeito.

Depois de uma automação relevante, eu não olharia apenas para contenção, redução de volume e economia.

Compararia quatro coisas.

Complexidade dos contatos antes e depois

Separe os casos que chegam a pessoas por tipo, número de etapas necessárias, quantidade de sistemas consultados, necessidade de escalonamento, exceções e recorrência.

O volume humano caiu? Ótimo. Quanto mais complexo ficou o que sobrou? Sem essa resposta, redução de volume conta apenas metade da história.

Tempo humano antes e depois

Se o TMA aumentou, não conclua imediatamente que a eficiência caiu, abra a composição, compare tempos dentro de categorias equivalentes.

Um caso de cobrança complexo antes da automação leva quanto tempo? O mesmo tipo de caso leva quanto agora?

Isso é muito mais útil do que colocar duas médias agregadas lado a lado.

Experiência de quem passou pela automação e de quem chegou direto

Quando possível, diferencie trajetórias.

Um cliente que falou diretamente com uma pessoa avaliou a experiência de uma forma e outro tentou se resolver antes, passou pelo bot e depois foi transferido. A satisfação final pode ser diferente.

Essa diferença não deve ser usada automaticamente para culpar o bot ou o atendente. Ela é um sinal de que a arquitetura merece investigação.

Condição do trabalho humano

O mix de casos mudou? Então verifique se treinamento, alçadas, metas, dimensionamento e suporte também mudaram.

O que não faz sentido é modificar profundamente a entrada da operação e presumir que tudo depois dela pode permanecer igual.

A pergunta que quase nunca entra no business case

Projetos de automação normalmente respondem muito bem a algumas perguntas:

• Quanto volume será automatizado?

• Quanto custa cada contato?

• Qual o investimento?

• Qual o retorno esperado?

• Quanto tempo até o payback?

• Quantas pessoas deixarão de receber determinados tipos de demanda?

São perguntas legítimas.

Mas falta outra: como será o trabalho que restará?

Essa pergunta mexe no business case, porque pode revelar necessidade de treinamento diferente. Pode exigir revisão de cargos, mais autonomia e até alteração de dimensionamento. Pode mudar metas, exigir supervisores tecnicamente mais preparados e demandar mecanismos de apoio à decisão.

Isso não significa que a automação deixou de valer a pena. Significa apenas que economia bruta e desenho operacional não são a mesma coisa.

Uma automação boa não é aquela que simplesmente remove pessoas do fluxo. É aquela que melhora a distribuição entre aquilo que a tecnologia executa bem e aquilo que exige julgamento humano — e prepara ambos os lados para essa divisão.

Talvez a função mais valiosa da IA não seja atender

Existe uma ironia aqui. Quanto mais complexos os contatos humanos se tornam, mais interessante pode ficar um uso de IA que recebe menos atenção do que o chatbot: ajudar quem atende.

Recuperar rapidamente o histórico, resumir interações anteriores, localizar conhecimento, sinalizar informações relevantes, identificar contradições, organizar evidências e mostrar casos semelhantes. Em outras palavras: reduzir o tempo gasto procurando e aumentar o tempo disponível para decidir.

É uma diferença de filosofia.

Em vez de perguntar apenas “o que podemos tirar da pessoa?”, a empresa passa a perguntar “o que podemos tirar do caminho da pessoa?”.

São projetos muito diferentes. Um tenta remover o humano do fluxo. O outro tenta remover trabalho que não precisa consumir capacidade humana.

Em operações complexas, essa distinção pode ser muito mais produtiva.

Há evidência de que apoiar quem atende tem efeito medido. Num estudo com 5.179 atendentes de suporte, uma ferramenta de IA conversacional aumentou em 14% os problemas resolvidos por hora, com ganho de 34% entre os novatos e efeito mínimo entre os mais experientes.[1] A ferramenta também melhorou a percepção dos clientes e aumentou a retenção dos atendentes. O estudo foi feito numa única empresa e não trata do redesenho de função que este texto discute. Mostra que o apoio à pessoa é um caminho com resultado mensurável.[1]

O risco da automação bem-sucedida

O problema deste texto não é a automação ruim. Essa é relativamente fácil de perceber. O cliente reclama, o bot trava, as transferências explodem, a operação reconhece rapidamente que algo não funcionou.

Existe um risco mais silencioso: a automação funcionar exatamente como projetada.

Os contatos simples desaparecem, a contenção melhora, o custo cai e o projeto entrega o business case. Enquanto isso, o trabalho humano vai se transformando sem que ninguém redesenhe a função.

É por isso que, depois de automatizar, eu faria uma pergunta que raramente aparece na apresentação de resultados: o trabalho que deixamos para as pessoas ainda é o trabalho para o qual contratamos, treinamos, dimensionamos e medimos essas pessoas?

Se a resposta for não, há uma segunda transformação pendente. A primeira foi tecnológica e a segunda é operacional e humana.

Para começar na segunda-feira

Pegue uma automação já implantada há algum tempo e não olhe primeiro para contenção.

Pegue cem contatos que hoje chegaram a pessoas e cem contatos humanos de antes da automação.

Classifique os dois grupos por motivo, dificuldade, necessidade de exceção, escalonamento, tempo e estado do cliente.

Não use a comparação para provar causalidade. Ela serve para detectar mudança de composição. Se aparecer diferença relevante, abra por motivo de contato, produto, canal e período antes de atribuí-la à automação.

Depois, coloque os dois grupos lado a lado. Talvez você descubra que a operação não ficou mais lenta. Ficou diferente. O problema pode não ser que as pessoas não acompanharam a tecnologia. A organização mudou o trabalho delas sem perceber.

Automatizar os casos fáceis é uma decisão tecnológica. Decidir o que fazer com a complexidade que sobra é uma decisão de desenho da experiência, da operação e do trabalho.

As duas deveriam acontecer juntas.

[1] BRYNJOLFSSON, E.; LI, D.; RAYMOND, L. Generative AI at Work. Quarterly Journal of Economics, 2025. Versão de trabalho: NBER Working Paper 31161, 2023.