A IA vai substituir as pessoas no atendimento… ou vai apoiar?
Minha resposta (honesta) é: vai fazer as duas coisas, dependendo da tarefa, do nível de maturidade da operação e do quanto você está disposto a mudar o modelo.
E, se você lidera Qualidade/CX, essa discussão não é filosófica. É operacional.
1) “Substituir humanos pela IA”: onde isso já está acontecendo
Existe uma parte do trabalho que é repetitiva, volumosa e previsível. Nela, a IA não “ajuda”, ela assume a tarefa integralmente.
Pense em:
• triagens e direcionamentos de situações recorrentes
• respostas para perguntas frequentes
• coleta de dados e validações básicas
• resumos e classificações de contatos
• geração de rascunhos e scripts em tempo real
O movimento de automação não é pequeno. Projeções de mercado apontam que uma parcela relevante das interações de atendimento será automatizada nos próximos anos (por exemplo, projeções citadas por Gartner para automação via IA conversacional até 2026).
O ponto importante aqui: quando a tarefa é commodity, a competição vira custo e velocidade. Se você mantiver 100% humano aquilo que já virou “mecânico”, alguém vai entregar parecido e mais barato.
2) “Apoiar humanos com IA”: onde a IA entrega mais valor do que substituir
Agora vem a parte que muita gente subestima: a IA também eleva o trabalho humano.
Em vez de “trocar pessoas”, você usa IA para:
- reduzir tempo gasto com tarefas de baixo valor (procurar informação, preencher sistemas, resumir conversas)
- sugerir a próxima melhor ação (next best action)
- apontar riscos de compliance em tempo real
- identificar padrões invisíveis para uma análise manual
E isso tem impacto direto em produtividade. A McKinsey estimou que aplicar GenAI em funções de customer care pode gerar ganhos equivalentes a 30–45% do custo atual da função (em potencial econômico/produtividade).
Na prática: IA bem aplicada vira impulsionador do atendimento e não um substituto puro e simples.
3) O “elefante” da Qualidade: amostragem, viés e falsa sensação de controle
Vamos falar do que dói. A maior parte das áreas de qualidade ainda opera em um modelo de amostragem: ouvir/ler uma fração pequena das interações, preencher scorecards, dar feedback.
Só que “pequena” é realmente pequena. É comum operações monitorarem algo como 1–3% das interações, com acuracidade abaixo de 80% e com dias (ou semanas) entre o atendimento e a análise de qualidade.
E aí surge a pergunta que ninguém gosta:
Que confiança você tem nos seus indicadores de qualidade… se 97–99% do atendimento não foi analisado?
Além da amostragem, existe outro problema: variabilidade humana.
- critérios interpretados de forma diferente por analistas (dois analistas avaliam o mesmo atendimento e o resultado é totalmente diferente. É raro mas acontece muito.)
- fadiga e falha na repetição da tarefa de análise
- viés humano (cada pessoa interpreta de uma forma diferente com base em sua experiência)
- inconsistência entre turnos, células e unidades
- informações passam despercebidas
A IA não elimina viés automaticamente (isso é mito). Mas ela reduz a variabilidade do processo quando você padroniza critérios e audita a própria IA, e isso muda o jogo.
Até porque o tema “viés em IA” é real e precisa de governança: vieses de dados e de modelagem podem distorcer resultados se ninguém cuidar.
4) Onde a otimização de custos realmente acontece (e onde ela falha)
Sim, a conversa de IA passa por custo. Mas o erro clássico é buscar “corte” sem redesenhar o trabalho.
O que funciona:
- tirar pessoas de tarefas repetitivas
- aumentar cobertura (mais interações analisadas, mais rápido)
- acelerar feedback e coaching
- reduzir retrabalho e escalonamentos
- prevenir não conformidades antes de virarem incidente
O que dá errado:
- automatizar em cima de processos ruins
- usar IA como “pintura nova” para dados bagunçados
- medir sucesso por volume de automações, não por impacto em CX/risco/receita
- liderança despreparada para atuar de forma mais estratégica e menos operacional
Gartner, por exemplo, também fala do conceito de “connected rep” e projeta ganhos de eficiência relevantes quando tecnologia e talento trabalham juntos (não só automação).
5) Minha leitura (bem direta) sobre o futuro do trabalho em Qualidade
A pergunta não é “IA vs humanos”.
E sim: Quais tarefas precisam de julgamento humano? E quais tarefas deveriam ser tratadas como ciência de dados?
Porque:
- humano é excelente em empatia, exceções, negociação, contexto
- IA é excelente em escala, consistência, repetição, detecção de padrões, comparação de grandes volumes
Quem lidera Qualidade vai precisar virar também um pouco “líder de sistema”: critérios, calibração, governança, dados, métricas acionáveis.
E aqui vai a provocação final:
Se a sua qualidade hoje depende de planilha, amostra pequena e “sensação” do que está acontecendo… você não tem um programa de qualidade. Você tem um ritual.
Se você é líder de Qualidade/CX: em quais tarefas você acha que a IA vai substituir primeiro e em quais ela vai ampliar o potencial do seu time?
