Chatbots de IA estão se tornando parte essencial do atendimento ao cliente. Mas, antes de implementar um, é difícil saber o que esperar na prática: quais perguntas ele responde bem, como os clientes reagem às respostas geradas por IA e em quais situações o atendimento humano continua sendo indispensável.
Fizemos um experimento de três semanas com nosso próprio chatbot de suporte para responder a essa pergunta. Foram 2.498 chamados reais, feedback direto dos clientes e avaliação manual de cada resposta por um agente. Confira a análise completa: os resultados, exemplos de chamados reais e nossas conclusões sinceras para equipes que estão considerando a mesma decisão.
- O tempo de primeira resposta caiu de 1–2 dias para 2–5 minutos
- 89% das respostas da IA continham informações úteis
- 17% dos tickets foram totalmente resolvidos pela IA (sem acompanhamento de um agente)
- Apenas 5% das respostas estavam incorretas ou não foram úteis
- A IA se destaca ao responder dúvidas informativas (preços, GDPR e solução de problemas)
O que os dados de resolução revelam
A primeira pergunta de quem avalia um software de chatbot de IA para atendimento ao cliente é: ele funciona de verdade? Veja o que descobrimos com 2.498 chamados.
Os números principais
Implementamos um chatbot com IA em todos os chamados recebidos pelo suporte da Elfsight e avaliamos a qualidade em duas etapas: feedback direto dos clientes por meio de botões de CTA e análise manual dos chamados em que os clientes não responderam.
89% das respostas da IA continham informações úteis. Em nove de cada dez interações, o chatbot deu ao cliente algo que ele podia aproveitar — uma resposta direta, um passo a passo para solucionar o problema ou uma explicação relevante.
17% dos chamados foram resolvidos totalmente pela IA. Para contextualizar, uma pesquisa da Gartner constatou que apenas 14% dos problemas de atendimento ao cliente são resolvidos totalmente por meio do autoatendimento em diferentes setores — portanto, 17% está acima da média do mercado. Os números divulgados pelos fornecedores são maiores (a média da Intercom é de 41%), mas geralmente refletem implantações empresariais com bases de conhecimento mais desenvolvidas.
Apenas 5% das respostas estavam incorretas ou não foram úteis. A IA interpretou mal a pergunta, deu uma orientação inadequada ou não entendeu o ponto principal.
A mudança no tempo de resposta
Até mesmo as equipes de suporte mais “inovadoras” levam, em média, 30 minutos para resolver um chamado, enquanto as mais lentas podem demorar mais de 36 horas. – Relatório de benchmarks da Freshworks de 2025.
Antes do chatbot, os clientes recebiam uma resposta automática genérica (“Recebemos sua solicitação e entraremos em contato em breve”) e esperavam de 1 a 2 dias úteis por uma resposta — algo comum para uma equipe de SaaS com um catálogo amplo de produtos, mas nada ideal para clientes com problemas urgentes.
Após a implementação, o tempo até a primeira resposta útil caiu para 2–5 minutos. Não era a primeira confirmação de recebimento, mas a primeira resposta relevante e personalizada para a dúvida específica do cliente. Essa mudança acabou sendo mais importante do que a taxa de resolução.
Para garantir cobertura fora do horário de atendimento, defina quais perguntas podem ser respondidas com o conteúdo disponível e quais solicitações exigem alguém com acesso à conta ou autoridade para tomar providências. O After-Hours Support oferece um modelo de plano de cobertura para registrar esses limites e definir quem dará sequência a cada solicitação.
Como o Chatbot de Suporte com IA funciona na prática
Antes de entrar nos detalhes, veja como funciona um chatbot de IA típico para atendimento ao cliente — usando nossa implementação como exemplo prático.
A experiência do cliente
Um cliente envia um ticket de suporte. Em vez de receber uma resposta automática genérica, ele recebe em poucos minutos uma resposta personalizada, baseada na base de conhecimento da empresa. Nada de respostas prontas ou listas de links: a resposta aborda exatamente o que ele perguntou.
No nosso caso, o chatbot orienta, mas não executa ações — isso é papel dos agentes de IA. Ele pode explicar um plano de preços, ajudar a resolver um problema técnico ou esclarecer opções de privacidade de dados. Quando o problema exige uma ação, a IA explica a situação, informa quais dados a equipe de suporte precisa e encaminha a conversa.
O que ele não pode fazer: processar reembolsos, alterar assinaturas, acessar contas ou diagnosticar problemas de exibição específicos do site (ele não consegue investigar o código do seu site)
A base de conhecimento: o que pode fazer toda a diferença
A qualidade das respostas de um chatbot com IA depende quase totalmente da documentação usada para alimentá-lo. Isso vale independentemente do modelo utilizado: um LLM poderoso com uma base de conhecimento fraca vai gerar respostas que parecem confiantes, mas não ajudam.
Na nossa implementação, a base de conhecimento tem duas camadas:
A primeira abrange assuntos frequentes: preços, assinaturas, reembolsos, GDPR e navegação — dúvidas que representam boa parte da fila e têm respostas padronizadas.
O segundo aprofunda a documentação específica do app: guias do construtor com capturas de tela anotadas e documentos de solução de problemas que abordam problemas conhecidos, limitações técnicas e casos específicos comuns.
A diferença de qualidade é enorme. No início, alguns arquivos-base eram basicamente páginas de produtos reescritas, com listas de recursos e textos de marketing. As respostas da IA baseadas nesses arquivos eram vagas e genéricas. Os arquivos que realmente funcionavam eram escritos por pessoas que haviam lido centenas de chamados de suporte e conheciam as dúvidas que os clientes de fato têm.
Transparência e supervisão humana
Duas escolhas de design são essenciais na implementação de qualquer chatbot de atendimento ao cliente: os clientes devem saber que estão conversando com uma IA, e os atendentes humanos devem sempre ter a palavra final.
Na nossa configuração, toda resposta da IA começa com um aviso claro e termina com três opções de feedback: “Tudo certo — encerrar o chamado”, “Ajudou, mas ainda preciso de suporte” e “Não ajudou — falar com o suporte”. Os agentes continuam analisando todos os chamados — a IA adianta o trabalho na fila, mas não substitui os agentes. Seja o problema já resolvido, parcialmente solucionado ou completamente fora de contexto, uma pessoa sempre acompanha o atendimento.
A base de conhecimento também não é estática. Ela é atualizada sempre que os agentes identificam respostas incorretas ou quando o produto muda. Sem supervisão, um modelo de linguagem pode preencher lacunas com informações sem sentido, mas que parecem plausíveis. Uma base de conhecimento atualizada e bem cuidada ajuda a manter a IA no caminho certo.
Crie seu próprio Chatbot de IA no construtor interativo ↓
O que os chatbots de suporte com IA fazem bem — e onde deixam a desejar
Nem todas as dúvidas de suporte são iguais. Entender quais tipos de pergunta a IA consegue responder bem e quais ainda exigem ajuda humana é essencial para definir expectativas realistas.
| Tipo de pergunta | Cobertura da IA | Por quê |
|---|---|---|
| Preços e detalhes dos planos | ✅ Sim | Respostas claras e padronizadas na base de conhecimento |
| GDPR / processamento de dados | ✅ Sim | Baseado em políticas e bem documentado |
| Solução de problemas do produto | ✅ Sim | Soluções passo a passo disponíveis na base de conhecimento |
| Configuração e ajustes | ✅ Sim | Fluxos de trabalho documentados com instruções claras |
| Alterações de cobrança e assinatura | ❌ Agente | Requer acesso aos sistemas de cobrança e aos dados da conta |
| Reembolsos e retenção | ❌ Agente | Exige análise e processamento manual |
| Problemas de exibição específicos do site | ❌ Agente | Exige analisar o ambiente real do cliente |
| Ações na conta (transferências, recuperação) | ❌ Agente | Exige operações manuais nas ferramentas de administração |
Em que os chatbots de IA têm melhor desempenho
O padrão é claro: quando a dúvida de um cliente é “me explique isso” ou “me ajude a configurar”, e a resposta está na base de conhecimento, o Chatbot de IA dá conta. É nas perguntas informativas, com respostas claras e documentadas, que a IA mostra seu valor.
Em nossos dados, as maiores taxas de sucesso apareceram em dúvidas sobre GDPR e processamento de dados, preços e detalhes dos planos, além de problemas específicos do produto relacionados a recursos bem documentados. O ponto em comum é que são perguntas específicas e recorrentes, com respostas padronizadas.
Por que os agentes humanos ainda são indispensáveis
As limitações são igualmente consistentes — e se aplicam a qualquer chatbot de IA para suporte ao cliente, não apenas ao nosso. São situações em que a tarefa exige acesso a sistemas, julgamento humano ou investigação — coisas que a IA simplesmente não consegue fazer.
A lógica por trás disso se aplica a muitos casos: se a resposta é uma informação, a IA dá conta. Se exige uma ação, ainda é preciso contar com uma pessoa.
Como é o suporte ao cliente com IA na prática
Os dados são úteis, mas ver as interações reais torna o impacto concreto. A seguir, confira exemplos de chatbot para atendimento ao cliente — chamados reais do nosso experimento: dois em que a IA resolveu totalmente o problema e um em que não conseguiu, mas ainda assim ajudou.
Quando a IA resolve o problema por completo
Exemplo 1: “Por que minha nova avaliação do Google não está aparecendo?”
Dados dos clientes anonimizados. Resposta da IA resumida para facilitar a leitura.
Customer: "I got a new 5 star review Monday or Tuesday (today is Thursday) that is already showing on my Google Profile. How come it isn't pulling into the widget?"
AI Assistant: The most likely reason your new 5-star review isn't showing yet is our update (cache) interval. Our Google Reviews widget doesn't pull new reviews in real time — reviews in the widget are refreshed every 72 hours. There is no way to clear or refresh the cache manually from your side, because updates run automatically.
If more than 72 hours have passed and the review is still not visible, please check in your widget editor: make sure you're not excluding reviews accidentally via filters on the Settings tab, and confirm the minimum rating is not set higher than 5.
If everything looks correct and it's been more than 72 hours, please reply to this email and our Support Team will take a closer look.
Customer feedback: "Yeah the AI response was epic! Thanks sir."Uma pergunta como essa teria ficado na fila por um ou dois dias até que um agente desse praticamente a mesma resposta. Em vez disso, o cliente recebeu uma explicação clara em poucos minutos.
Exemplo 2: “O Facebook não conecta e as avaliações do Tripadvisor não aparecem”
Dados dos clientes anonimizados. Resposta da IA resumida para facilitar a leitura.
Customer: "Setting up a new all in one reviews widget for a client who already has reviews on several sites. Google Reviews came right in, but Facebook won't connect and TripAdvisor hasn't brought any in."
AI Assistant: For your All‑in‑One Reviews widget, Google is working as expected, so the installation itself is fine. The issue is likely with how the Facebook and TripAdvisor sources are added.
Facebook: make sure you're using just the base page URL (without /reviews), that only .com domain links are used, and that the page is fully public with no visibility restrictions.
TripAdvisor: add a direct link to the business's listing page, not a search results page. The widget may need a few minutes to connect and fetch data after you add the source.
Also check your widget filters — make sure "Show only reviews with photos" is disabled and the minimum rating filter isn't hiding results.
Customer feedback: "Yes, the reviews are loading now. I did need to take the 's' off the https:// page URL so it would connect. And finally after a couple of hours, the TripAdvisor displayed. Thank you for your helpful AI response system with extra troubleshooting."Quando a IA não resolve, mas ainda ajuda
Nem todo ticket pode ser resolvido por um chatbot. Mas isso não significa que a IA não agregue valor. Em muitos casos, o mais útil que ela faz não é responder à dúvida — é preparar o ticket para a pessoa da equipe que vai assumir o atendimento.
Exemplo 3: “Não consigo entrar, mas a cobrança da assinatura continua no meu cartão”
Dados dos clientes anonimizados. Resposta da IA resumida para facilitar a leitura.
Customer: "I used this to help out an older client. I no longer work for the company, and don't have access to my company email to sign in. I need to be able to sign in and cancel the subscription, change the payment account, or just change it to the free plan so that I'm not personally charged."
AI Assistant: When you can't access the email tied to your Elfsight account, our Support team will need to help with account recovery. To locate the right account faster, please reply with: the login email you think was used, a bank/card statement showing the Elfsight charge, and a direct link to the page where the widget is installed.
Customer: Provided every piece of requested information in their next reply — email, payment proof, widget URL — all organized in one message.Mesmo nos 78% dos chamados que a IA não conseguiu resolver por completo, ela sempre fez as perguntas certas para esclarecer a situação — solicitando informações e contexto relevantes, como um agente humano faria. Isso se deve à forma como a base de conhecimento foi escrita: os guias de solução de problemas naturalmente incluem seções como “se isso não resolver, veja o que compartilhar com o suporte”, e a IA identificou esse padrão.
Como medir a qualidade do suporte com IA
Uma das principais lições que aprendemos é que medir o desempenho de um chatbot de IA é mais difícil do que parece — e confiar em uma única métrica pode levar a conclusões equivocadas.
O problema da falta de feedback
Apenas 12% dos clientes clicaram em um botão de feedback depois de receber uma resposta da IA. Os outros 88% não interagiram (66%) ou responderam por e-mail, sem usar os botões (22%).
Isso não é uma falha na nossa configuração — é um padrão conhecido. Uma análise de mais de 170.000 conversas de atendimento ao cliente encontrou praticamente o mesmo resultado: apenas 16,2% dos clientes deixaram feedback. Ao estimar a satisfação provável da maioria silenciosa, os pesquisadores descobriram que mais da metade estaria insatisfeita. Isso significa que os botões de feedback tendem a representar em excesso as reações extremas.
Dos 12% que clicaram:
- 33% escolheram “Tudo certo”
- 25% disseram: “Ajudou, mas ainda preciso de mais ajuda”
- 42% clicaram em “Não foi útil”
Esses 42% parecem alarmantes até você perceber que representam 42% dos 12% que responderam por iniciativa própria — um grupo com muito mais clientes insatisfeitos, que têm maior motivação para clicar.
Por que a revisão por agentes é importante
Por isso, adicionamos uma segunda etapa de avaliação. Agentes de suporte analisaram manualmente 1.685 chamados em que os clientes não haviam dado sua opinião. Resultado: 17% foram totalmente resolvidos, 78% foram úteis, mas precisaram de acompanhamento de um agente, e 5% estavam incorretos.
Isso representa uma taxa de 95% de respostas úteis ou melhores entre as pessoas que sabem reconhecer uma boa resposta de suporte. Somados aos dados de CTA dos clientes, esses resultados levaram ao índice geral de 89% de respostas úteis.
- Duas camadas de avaliação: feedback dos clientes (botões de CTA) + análise especializada dos atendentes
- Período de análise: 3 semanas consecutivas
- Total de tickets: 2,498 processados, 515 excluídos por serem irrelevantes, 1,983 analisados
- Lição principal: considerar apenas o feedback dos clientes tende a distorcer os resultados para o lado negativo. Sempre complemente-o com uma avaliação especializada.
Se você está implementando um chatbot com IA, inclua desde o início várias formas de medir a qualidade. Uma única nota de satisfação do cliente ou taxa de resolução não vai mostrar o cenário completo. Para saber mais sobre as métricas mais importantes, confira nosso guia de KPIs para chatbots.
Limitações importantes para conhecer antes de implementar
Nenhuma ferramenta é perfeita, e exagerar nas capacidades de um chatbot de atendimento ao cliente é pior do que apresentá-las com cautela. Veja o que esperar de forma realista.
A carga de trabalho dos agentes provavelmente não vai diminuir
Na nossa implementação, os atendentes ainda analisam todos os chamados. A IA atua como consultora: fornece informações, mas não toma nenhuma ação. Por isso, a carga de trabalho diária da equipe de suporte não diminuiu de forma significativa. A melhoria está inteiramente do lado do cliente: respostas iniciais mais rápidas e melhores.
Esse é um cenário comum em implementações de suporte com IA em estágio inicial. Para reduzir a carga de trabalho dos agentes, a IA precisa poder fazer coisas — processar alterações, acionar fluxos de trabalho e atualizar registros — e não apenas dizer coisas. Isso exige um nível diferente de confiança e integração.
A “faixa intermediária” de 78% é o cenário mais comum
No nosso caso, a maioria dos tickets atendidos pela IA — 78% — fica em uma zona intermediária: a resposta ajuda, mas não basta por si só. O cliente ainda precisa de um agente para concluir o atendimento. Se você espera que um chatbot de IA resolva a maioria dos tickets sem qualquer intervenção ou supervisão humana, vai se decepcionar. Mas, se espera que ele dê aos clientes um ponto de partida útil enquanto sua equipe se organiza, vai ficar satisfeito.
Enquanto a solicitação estiver em aberto, informe claramente ao cliente o que você já sabe, quais serão os próximos passos e quando ele receberá uma resposta. Useful Support Updates traz exemplos de respostas comentados e um roteiro em branco para estruturar essa conversa.
Manter uma base de conhecimento de qualidade gera custos contínuos
Um chatbot só é tão bom quanto a documentação que o alimenta, e essa documentação precisa de manutenção contínua. Cada atualização do produto, novo caso específico ou resposta incorreta sinalizada por um agente exige uma atualização da base de conhecimento. Não é um custo de configuração pontual — é um compromisso operacional contínuo.
Inclua essa verificação no próprio processo de atualização. O Support Answer Maintenance orienta você a confirmar uma informação alterada, encontrar versões antigas, atualizar a fonte do chatbot e refazer a pergunta que um visitante faria.
Perguntas frequentes
O que é um chatbot de atendimento ao cliente?
Quais recursos devo procurar em um chatbot de IA para atendimento ao cliente?
Quais são os benefícios de usar um chatbot no atendimento ao cliente?
Como posso medir o desempenho do chatbot de atendimento ao cliente?
Como adicionar um Chatbot de IA para atendimento ao cliente ao meu site?
Em resumo
Um chatbot de IA não vai substituir sua equipe de suporte — mas vai mudar a experiência dos clientes nos primeiros minutos, que são decisivos, depois que entram em contato. Nos nossos dados, a mudança do silêncio que durava dias para uma resposta útil em menos de cinco minutos foi mais importante do que o número de tickets que a IA conseguia resolver sozinha.
O ponto é que nada disso funciona sem uma base de conhecimento bem mantida. Documentação genérica gera respostas genéricas; guias de solução de problemas para situações específicas, criados com base em padrões de chamados reais, geram respostas em que os clientes realmente confiam. Isso exige dedicação contínua, não é algo que se configura uma vez e pronto.
Se a expectativa é receber respostas iniciais mais rápidas e encaminhar aos agentes chamados com mais informações, um chatbot de IA entrega. Mas, se você espera reduzir pela metade o volume de chamados da noite para o dia, vai precisar rever as expectativas em menos de um mês. O maior argumento a favor de implementar um chatbot de atendimento ao cliente talvez nem seja a resolução dos problemas, mas a triagem: mesmo quando a IA não consegue resolver uma questão, ela acelera a busca por uma solução.
