ElevenLabs entrega o suporte a um agente de IA: 22 000 tickets por mês, 65% sem humanos

A ElevenLabs resolve mais de 22 000 chamados por mês com o ElevenAgents, seu próprio produto. Não se trata de uma demo para clientes: é a linha de suporte real da empresa. Segundo a equipe, no último mês o agente levou 65% dos tickets até o fim. O tempo médio da primeira resposta caiu para 60 segundos; antes, eram horas. Das conversas conduzidas pela IA, 70% receberam avaliação positiva, o que coincide com a nota dos atendentes humanos.

O agente trabalha com texto, capturas de tela e PDFs, está integrado à plataforma de tickets, conduz conversas longas, busca dados da conta, executa ações e escala casos para os funcionários. Se os dois números se referem ao mesmo mês, o volume total é de cerca de 34 mil tickets (22 000 com participação de 65%). Esse é um cálculo nosso, não uma declaração da empresa.

SOP como código-fonte do agente

A principal decisão da equipe é pouco glamorosa e, justamente por isso, funciona. O suporte já tinha procedimentos operacionais padrão (SOP) detalhados para cada grande categoria: reembolsos, mudanças de cobrança, dúvidas sobre clonagem profissional de voz. O trabalho de engenharia se resumiu a converter esse conhecimento para um formato que o agente execute de maneira previsível. Para isso, foram necessários dois mecanismos do ElevenAgents:

• Procedures transformam os SOP em fluxos de trabalho repetíveis. Os playbooks do suporte foram migrados para cada categoria principal de ticket.
• Structured Procedures são usadas em operações críticas, como a devolução de dinheiro. Cada etapa é executada de forma determinística, sem improviso do modelo.
• Webhook tools dão ao agente dados atualizados do usuário: plano de assinatura, consumo de créditos, vozes que pertencem a ele. Sem isso, o agente poderia apenas dar conselhos; com isso, resolve o problema por completo.

A fronteira entre o modelo flexível e o procedimento rígido fica onde um erro custa dinheiro. O modelo conduz o diálogo, mas é o roteiro que controla a concessão do reembolso.

Como a qualidade foi validada antes da produção

Antes da ativação e depois de cada mudança de configuração, a equipe usou três ferramentas:

• Channel behavior settings. Quem escreve por e-mail quer a resposta no menor número possível de interações e em formato de correspondência profissional. Já o cliente por voz precisa de um diálogo natural, em tempo real, com mais trocas de fala. Cada canal tem seu próprio padrão.
• Simulation tests. O agente passou por cerca de 50 dos cenários de suporte mais frequentes. Em seguida, o Architect, construtor de agentes em linguagem natural, ajustou o prompt de sistema e os procedimentos até os testes passarem de forma estável. O conjunto é reexecutado após qualquer alteração, para evitar regressões.
• Shadow mode. O agente operou com tráfego real dentro do sistema de tickets, mas as respostas dele não chegavam aos clientes. Quando a equipe ganhou confiança na qualidade das respostas, ele foi ativado em produção.

Architect como ferramenta de análise de causas

Os funcionários do suporte usam o Architect todos os dias para entender onde o agente trava. Uma única consulta em linguagem natural gera a divisão dos tickets pelas principais categorias. Também é possível perguntar por que um caso específico foi para um humano. A causa pode ser uma lacuna na base de conhecimento, uma ferramenta ausente ou uma política interna pouco clara. Ao identificar a causa, o Architect sugere correções.

As mudanças também passam pelo Architect: ele elabora e valida as atualizações, depois cria novos simulation tests e os adiciona ao conjunto geral. Assim, os novos procedimentos são verificados de imediato, e os antigos não quebram sem ninguém perceber. As pessoas continuam no circuito: elas esclarecem as necessidades dos clientes, atualizam as políticas e cuidam para que o agente não fique superajustado a um único tipo de ticket. O restante fica por conta do Architect, o que permite ao suporte acompanhar um portfólio de produtos em expansão.

O que dá para aproveitar desse caso

O esquema geral pode ser replicado em qualquer equipe de suporte:

1. Comece pelos SOP existentes das principais categorias de chamados. Se não há procedimentos, ainda não há o que automatizar.

2. Separe o diálogo livre das ações irreversíveis. Tudo o que envolve dinheiro e permissões de acesso deve ser estruturado em etapas determinísticas.

3. Dê ao agente acesso aos dados da conta por meio de ferramentas; caso contrário, a fatia de tickets totalmente resolvidos esbarra em um teto. 4.

Monte um conjunto de 30–50 cenários típicos e rode-o após cada alteração de prompt ou de procedimento. 5. Lance em modo sombra no fluxo real antes de mostrar as respostas aos clientes.

6. Faça configurações separadas para e-mail, chat e voz: as expectativas quanto ao número de interações e ao tom são diferentes.

A avaliação humana de 70% mostra que a velocidade não foi comprada à custa da qualidade. Já os 65% de resolução de ponta a ponta significam que um terço dos tickets ainda vai para pessoas, e é justamente nessas escalações que está o material para a próxima iteração do agente.

O caso vem a público em meio a uma série de lançamentos da ElevenLabs em torno da plataforma de agentes. Em setembro, chegaram o ElevenAgents no OpenAI Marketplace e o Eleven v4 Turbo dentro do ElevenAgents; em agosto, saiu o ElevenLabs MCP para o Claude. O suporte da própria empresa serve como vitrine da plataforma.