Como funciona o atendimento com IA feito por um agente?

Chatbot de regras, chatbot com IA e agente de atendimento: o que muda

Os três podem conviver no mesmo canal. O que muda é o que cada um resolve sem uma pessoa e o que precisa estar pronto antes de entrar no ar.

Como o agente responde com os dados da empresa (RAG)

RAG (retrieval-augmented generation, ou geração aumentada por recuperação) é a técnica que faz o modelo responder a partir dos documentos da empresa, e não do que aprendeu no treino. Ela reduz respostas inventadas, desde que a base esteja certa e em dia.

1. Base de conhecimento: Políticas, catálogo, perguntas frequentes e histórico de tickets, divididos em trechos e indexados para busca.
2. Busca: A cada pergunta, o sistema recupera os trechos mais relevantes, muitas vezes combinando busca por significado (embeddings) e por palavra-chave.
3. Resposta: O modelo redige a partir desses trechos, cita a fonte e diz que não sabe quando a base não cobre o assunto.
4. Atualização: Quando uma política muda, o trecho muda na base, e a próxima resposta já sai com a regra nova.

No Contas Casal, produto próprio da Master Timm, o assistente responde com os dados da conta do usuário em um RAG estruturado: roteamento de intenção, 10 ferramentas de consulta em paralelo e cache semântico.

Integração com sistemas: consultar um pedido, abrir um chamado

O que separa um agente de um chatbot é a ação. Cada sistema vira uma ferramenta que o agente pode chamar, com permissão definida, e o modelo decide quando usá-la.

• Consultas: Status do pedido, segunda via de boleto, prazo de entrega, situação de um chamado.
• Ações com regra clara: Atualizar um cadastro, abrir um chamado ou reagendar uma entrega, dentro de limites.
• Ações sensíveis: Reembolso, cancelamento ou exceção à política pedem aprovação humana ou ficam com o time.
• Identificação: Antes de mostrar dados de um pedido, o agente confirma quem é o cliente, como o atendimento humano faria.

Instruções escondidas em uma mensagem podem tentar desviar o agente, o chamado prompt injection. Por isso cada ferramenta recebe a permissão mínima de que a tarefa precisa, e a saída do modelo é validada antes de chegar ao sistema.

Transbordo para uma pessoa, com contexto

Um bom agente sabe a hora de parar. O transbordo segue regras definidas com o time, e o cliente não precisa repetir o que já disse.

• Gatilhos: O cliente pede uma pessoa, a confiança da resposta é baixa, o tema está na lista de assuntos sensíveis ou a mesma pergunta volta várias vezes.
• Contexto: O atendente recebe o resumo da conversa, os dados já confirmados e o motivo do transbordo, na ferramenta de atendimento que já usa.
• Fora do horário: O agente registra o pedido, abre o chamado e informa ao cliente quando o time vai responder.
• Revisão: As conversas transferidas são lidas toda semana, porque mostram o que o agente ainda não resolve.

Métricas que mostram se o atendimento com IA funciona

Contar quantas mensagens o agente respondeu diz pouco: um agente que responde tudo pode estar errando com segurança. As métricas olham resultado, qualidade e custo juntos.

• Resolução: Conversas encerradas sem uma pessoa e sem o cliente voltar com o mesmo problema.
• Transbordo: Quantas conversas foram para o time e por quê; um motivo que se repete aponta o próximo ajuste.
• Qualidade: A nota do agente em um dataset de avaliação com tickets reais e casos-limite, a cada mudança de instrução, base ou modelo.
• Satisfação: A avaliação do cliente ao fim da conversa, comparada com a do atendimento humano.
• Custo por conversa: Tokens, chamadas a ferramentas e tempo de resposta de cada atendimento, registrados em traces.

A régua vem do seu próprio atendimento. Medir as conversas de hoje, antes de ligar o agente, é o que permite comparar depois sem chute.