Trocar o suporte pelo ChatGPT derrubou as vendas de 20% para 3%: o que a IA não consegue fazer

Todo gestor de suporte que lança um assistente de IA vê o mesmo quadro. No início a equipe tem medo: «vão me substituir». Depois se acalma: «ele é burro». E quando o bot começa a ajudar de verdade, a ansiedade volta. Vamos ver onde a IA realmente é mais forte que as pessoas, onde ela falha e o que fazer com a equipe.

O que a IA já tomou para si

Uma parte significativa do trabalho da primeira linha não é conversar com o cliente, mas rotear e buscar informações. Aqui a máquina é objetivamente mais rápida. Em uma grande empresa de TI, um assistente reuniu fontes de conhecimento dispersas em uma busca única. Antes, os engenheiros passavam horas vasculhando documentação e arquivos de tickets; agora recebem em minutos as seções necessárias e descrições de problemas semelhantes. O tempo de resposta às solicitações do banco cliente caiu 29%.

Um detalhe importante: a empresa também revisou a motivação dos funcionários. As pessoas foram incentivadas não só a usar a ferramenta, mas também a ampliar a base de soluções padrão. Sem isso, a busca rapidamente esbarra em dados desatualizados.

O mesmo vale para a classificação de solicitações por tema e prioridade, os rascunhos de resposta a perguntas típicas (com revisão humana) e a extração de fatos do histórico de tickets. O agente pode sugerir ao operador durante a própria conversa: «Houve um caso parecido em março, a solução é esta». Se um especialista gasta 60% do tempo com essas tarefas, a IA não tira o trabalho dele, mas libera tempo.

Onde a IA falha

Um experimento revelador: uma equipe de produto substituiu a primeira linha pelo ChatGPT. Cerca de 20% das vendas passavam pelo suporte, onde os gerentes transformavam conversas em pedidos. Após a automação, a participação caiu para 3%. O bot respondia às perguntas, mas não percebia dúvidas, não oferecia alternativas nem contornava objeções. Ele informava, não vendia.

O segundo problema é familiar a quem conectou um LLM ao suporte: o modelo inventa fatos com confiança e quase nunca diz «não sei». Uma solução prática vinda das discussões: escrever explicitamente no prompt «se não encontrou a resposta no contexto, diga que não sabe» e adicionar uma verificação obrigatória da resposta antes do envio. Mas essas regras também são criadas e controladas por uma pessoa.

Há outros pontos fracos:

• Emoções. A frase «entendo a sua frustração» não muda o tom da conversa quando o cliente está no limite.
• Julgamento na incerteza. O bug não se reproduz, dois departamentos dizem coisas diferentes e é preciso decidir se escala ou espera. A IA sugere opções; quem decide é a pessoa.
• Problemas sistêmicos. A IA busca naquilo que lhe deram. A pessoa percebe que é a quinta solicitação desse tipo na semana e inicia uma análise da causa.
• Confiança. Os clientes perdoam o erro de uma pessoa, mas um bot que errou e não admitiu perde a confiança por muito tempo.

O que o gestor deve fazer

O principal risco não é a IA em si, mas a gestão que decidiu que «a IA fará tudo» e cortou o quadro de pessoal. Foi exatamente assim que as vendas via suporte caíram seis vezes.

Passos práticos:

• Mude os KPIs. Se as pessoas são avaliadas pelo número de tickets fechados, elas vão resistir a um bot que os fecha mais rápido. Adicione as métricas «qualidade da base de conhecimento» e «participação de casos resolvidos com o assistente de IA» e reduza o peso da velocidade de resposta nas categorias complexas.
• Reserve cerca de 10% do tempo para melhorar a base e analisar os erros da IA.
• Explique à liderança: a IA acelera a busca, mas não substitui o julgamento.

O autor descreve três trajetórias de crescimento para quem tem suas tarefas assumidas pela IA. O engenheiro de conhecimento escreve instruções, verifica as respostas do modelo e atualiza a base (preparação de 3 a 6 meses). O especialista em casos complexos L2+ investiga causas, lê logs e conduz negociações (6–12 meses). O analista de qualidade do suporte observa o que a IA resolve e o que ela deixa passar, e serve de ponte com o produto (até um ano).

Limitações e conclusão

O artigo se baseia em casos isolados, sem revelar as empresas nem a metodologia, e os números (29%, 20% → 3%) devem ser vistos como ilustrações, não como benchmark. Além disso, o texto termina com a divulgação de um curso e de um webinar, então a ênfase nas «novas profissões» é em parte promocional.

Mas a conclusão prática é sensata: não meça o suporte pela velocidade de resposta por ticket; nessa corrida não se vence a máquina. Dê à IA a busca, a triagem e os rascunhos, e deixe com as pessoas as vendas, as escalações, a busca pelas causas raiz e a responsabilidade pelo que o bot sabe e diz. Ganha quem constrói um sistema em que é preciso responder menos vezes, porque o problema foi resolvido no produto.