Cliente pediu um chatbot de IA, mas quem o salvou foi uma tecnologia bem diferente

Existe uma velha máxima da engenharia: não automatize o caos, primeiro coloque ordem na casa. Uma história publicada no Habr a ilustra com perfeição e mostra, ao mesmo tempo, onde a inteligência artificial realmente pode trazer benefícios e onde ela vira um brinquedo caro que resolve o problema errado.

A situação é dolorosamente familiar: uma empresa procura desenvolvedores com um pedido concreto. Precisa de um chatbot de IA para o suporte ao cliente. Os números na mesa são convincentes: 200 solicitações por dia, quatro atendentes que não dão conta e uma rotatividade eterna de pessoal que derruba a qualidade do serviço. Parece o cenário clássico para um grande modelo de linguagem: treinar o bot com o histórico de conversas, colocar em produção e reduzir a carga sobre as pessoas. É exatamente assim que dezenas de integradores vendem soluções de IA em todo o mercado.

Mas a equipe de desenvolvimento fez diferente. Em vez de subir de imediato a infraestrutura do chatbot, sentou e leu manualmente quinhentos tickets. Não deu uma olhada por cima, nem jogou tudo numa rede neural para classificar rápido: leu com os próprios olhos, mergulhando na essência de cada solicitação.

E o resultado foi um choque de realidade. Descobriu-se que sessenta e oito por cento de todas as solicitações se resolvem com uma simples chamada de API: consultar o status de um pedido, atualizar dados, iniciar um reembolso. São tarefas para as quais não é preciso IA de forma alguma; basta uma interface bem projetada e uma integração com o backend.

Outros catorze por cento das solicitações eram resolvidos por um formulário em formato de assistente, um fluxo passo a passo em que o cliente responde a uma série de perguntas e obtém o resultado sem a participação de um atendente.

Em outras palavras, mais de oitenta por cento da carga do suporte existia não porque as tarefas fossem complexas, mas porque os clientes não tinham uma ferramenta prática de autoatendimento. O problema não era a falta de inteligência artificial, e sim a falta de automação básica. É uma diferença fundamental, e muito fácil de perder de vista na onda de hype em torno dos modelos generativos.

Mas a história não termina aqui, e é justamente neste ponto que fica realmente interessante. Quando a rotina foi deixada de lado, as solicitações restantes, as complexas, fora do padrão e que exigem atenção humana, passaram por uma clusterização com IA. E o modelo encontrou algo que nem os atendentes nem os gerentes tinham notado: um grupo estatisticamente significativo de reclamações apontando para um lote defeituoso de produtos. O problema ainda não era massivo: as reclamações isoladas se perdiam no fluxo geral, e nenhum atendente, analisando os tickets um a um, conseguia enxergar o padrão. Mas o algoritmo de clusterização, ao processar os dados em conjunto, destacou a anomalia e, na prática, alertou a empresa sobre uma crise iminente.

Esse caso é valioso porque inverte a lógica habitual de adoção de IA nos processos de negócio. O mercado está hoje literalmente obcecado por chatbots baseados em grandes modelos de linguagem. Empresas gastam centenas de milhares em soluções que, no fundo, fazem o mesmo que uma página de FAQ bem escrita com barra de busca. Enquanto isso, a verdadeira força do aprendizado de máquina, a capacidade de encontrar padrões não óbvios em grandes volumes de dados, fica sem uso porque ninguém chega até ela, atolado na automação da rotina.

Num contexto mais amplo, isso faz parte de uma tendência que ganha força no setor. Cada vez mais profissionais dizem que a adoção bem-sucedida de IA começa não pela escolha do modelo nem pela escrita de prompts, mas pela auditoria dos processos. Antes de perguntar «qual rede neural vamos conectar», vale perguntar «o que exatamente está quebrado e por quê». Muitas vezes a resposta é prosaica: o que está quebrado não é a inteligência do suporte, mas o roteamento das solicitações, a estrutura da base de conhecimento ou a simples ausência de um botão «consultar status do pedido» na área do cliente.

A história do lote defeituoso também é um argumento de que a IA é mais eficaz não como substituta de pessoas, mas como amplificadora. Um atendente de suporte fisicamente não consegue manter na cabeça milhares de solicitações e identificar anomalias estatísticas entre elas. Mas é perfeitamente capaz de tomar uma decisão quando o sistema destaca um problema. O valor real nasce dessa combinação de análise automatizada e julgamento humano, e não da tentativa de substituir um atendente de carne e osso por um modelo generativo que às vezes alucina.

A conclusão é simples e incômoda para quem vende soluções de IA «chave na mão»: às vezes, o melhor que uma equipe de desenvolvimento pode fazer é dizer com honestidade ao cliente que ele não precisa de um chatbot. E depois mostrar onde a inteligência artificial de fato vai mudar as regras do jogo.