Atendimento ao cliente: o que é, onde a IA ajuda e um roteiro de 5 passos para a PME

Atendimento ao cliente é o conjunto de contatos em que a empresa responde a dúvidas, pedidos e problemas de quem já compra ou pensa em comprar. Essa é a definição de trabalho da CGLC, e ela inclui o canal, a pessoa que responde, a regra que decide o que ela pode resolver e o que acontece quando o cliente reclama.

Este guia explica o que é atendimento ao cliente, onde a inteligência artificial ajuda, como começar em cinco passos e o que seis estudos revisados por pares examinaram, inclusive três resultados que pedem cautela: o ganho medido com um assistente de IA foi desigual entre atendentes, avisar que o interlocutor é um robô reduziu compras em um experimento de vendas por telefone, e dar traços humanos ao chatbot teve efeito negativo com cliente irritado. O que for método da casa vem marcado no texto.

Na nossa prática: na PME, o atendimento costuma ser a conversa de WhatsApp que ninguém desenhou. Quem responde é quem estiver com o celular na mão, a mesma pergunta chega dez vezes por semana e a resposta muda conforme a pessoa. Antes de pensar em robô, o que falta é um combinado do que o time responde e até onde decide.

O que é atendimento ao cliente e o que ele não é

Leitura da CGLC: atendimento ao cliente tem quatro partes que precisam andar juntas: o canal por onde o cliente chega, a pessoa ou sistema que responde, a regra que define o que pode ser resolvido na hora e o caminho da reclamação. Quando falta uma delas, a conversa vira só resposta de mensagem. A tabela separa tipos de contato que costumam ser misturados.

Tipo de contato	Exemplo	Quem deveria resolver (critério da CGLC)
Dúvida de rotina	Prazo de entrega, horário, forma de pagamento	Resposta padrão, de pessoa ou de assistente, a partir de uma base única
Pedido com decisão	Troca, segunda via, mudança de plano	Pessoa com alçada definida, apoiada por rascunho de resposta
Problema técnico	Sistema que não abre, produto que falha	Atendente com base de conhecimento; escalar quando passar da alçada
Reclamação	Cobrança errada, atraso, promessa não cumprida	Pessoa, com alçada para compensar e tempo para ouvir
Venda ativa	Ligação ou mensagem oferecendo produto	Pessoa ou assistente, com a identidade de quem fala combinada de antemão

A distinção importa porque os estudos abaixo examinam situações diferentes: suporte técnico por chat, venda ativa por telefone, chatbots de atendimento (uma base real de telecomunicações e experimentos) e tratamento de reclamações em serviços.

O guia geral de inteligência artificial para empresas traz o quadro mais amplo, e a escolha da primeira tarefa está em casos de uso de IA.

O que a pesquisa examinou

Estudo	Desenho e cenário	O que os autores relatam	Limite do estudo
Brynjolfsson, Li e Raymond (2025)	Introdução escalonada de um assistente de IA conversacional, 5.172 agentes de suporte, chat técnico de uma empresa de software dos Estados Unidos	Aumento médio de 15% em problemas resolvidos por hora, com forte heterogeneidade entre os agentes	Um cenário de suporte técnico; as PMEs aparecem como clientes atendidos, e não como empresas que adotam a IA
Luo et al. (2019)	Experimento de campo, mais de 6.200 clientes, ligações de venda ativa muito estruturadas, de chatbots ou de pessoas	Chatbots sem identificação tiveram eficácia de compra igual à de vendedores proficientes; revelar o robô antes reduziu a taxa de compra em mais de 79,7%	Venda ativa por telefone, desfecho de compra; não é suporte nem reclamação
Crolic et al. (2022)	Cinco estudos: uma base real de uma empresa internacional de telecomunicações e quatro experimentos	Com cliente irritado, traços humanos no chatbot afetaram negativamente satisfação, avaliação da empresa e intenção de compra	Sem efeito para quem não chegou irritado
Orsingher et al. (2010)	Meta-análise de 60 estudos independentes sobre satisfação com o tratamento da reclamação	Mais afetada pela justiça distributiva, depois pela interacional e só fracamente pela procedimental	A satisfação com a reclamação não mediou o efeito da justiça sobre satisfação geral e intenção de retorno
Gelbrich e Roschk (2011)	Meta-análise de um modelo: resposta da organização, justiça percebida, satisfação, lealdade e boca a boca	Modelo confirmado, com justiça e satisfação como mediadoras	As relações dependem de moderadores como público, setor e tipo de reclamação
de Matos, Henrique e Rossi (2007)	Meta-análise do paradoxo da recuperação em serviços	Efeito positivo e significativo sobre satisfação	Não significativo sobre intenção de recompra, boca a boca e imagem; resultados individuais mistos

IA ao lado do atendente: o ganho é desigual

Brynjolfsson, Li e Raymond (2025) estudaram a introdução escalonada de um assistente conversacional baseado em IA generativa, com dados de 5.172 agentes de suporte ao cliente. O acesso ao assistente aumentou a produtividade, medida em problemas resolvidos por hora, em 15% em média.

Os autores relatam que o efeito variou bastante entre os agentes. Os trabalhadores menos experientes e menos habilitados melhoraram velocidade e qualidade. Os mais experientes e habilitados tiveram ganho pequeno de velocidade e pequena queda de qualidade. Os autores também relatam que há evidência de que o assistente facilita o aprendizado, que os ganhos foram maiores em problemas moderadamente raros e que os clientes ficaram mais educados e menos propensos a pedir para falar com um gerente.

O 15% é uma média de problemas resolvidos por hora em suporte técnico por chat. Não é “15% de produtividade” da empresa, e o estudo mede problemas resolvidos por hora, e não custo.

Leitura da CGLC: o achado mais útil para a PME é a desigualdade. Em equipe pequena, o atendente novo é quem tende a se beneficiar de um assistente de IA, e o experiente é quem precisa de liberdade para ignorar a sugestão. O desenho de uso deveria prever isso.

Robô falando direto com o cliente: depende de quem, quando e em que estado

Luo et al. (2019) fizeram um experimento de campo com mais de 6.200 clientes, sorteados para receber ligações de venda ativa muito estruturadas, feitas por chatbots ou por pessoas. Segundo os autores, os chatbots que não se identificavam foram tão eficazes quanto vendedores proficientes e quatro vezes mais eficazes que vendedores inexperientes para gerar compras.

Quando a identidade do robô era revelada antes da conversa, a taxa de compra caiu em mais de 79,7%. Os autores relatam que o robô revelado foi percebido como menos conhecedor e menos empático, e que o efeito negativo foi atenuado pela revelação tardia e pela experiência prévia do cliente com IA.

Esse número vale para venda ativa por telefone, com compra como desfecho. Não permite dizer que avisar o cliente de que ele fala com um robô derruba o atendimento em 80%, e o estudo não é sobre suporte nem reclamação.

Crolic et al. (2022) examinaram a humanização do chatbot em cinco estudos, entre eles uma base real de uma empresa internacional de telecomunicações e quatro experimentos. Quando o cliente entrava na conversa irritado, dar traços humanos ao chatbot teve efeito negativo sobre a satisfação, a avaliação da empresa e a intenção de compra posterior. Para clientes sem irritação, os autores relatam que não foi assim. O mecanismo proposto são expectativas infladas sobre a eficácia do robô, que a conversa frustra.

Leitura da CGLC: nenhum dos dois estudos foi feito em PME brasileira nem em WhatsApp. O que se pode tirar é uma regra de desenho: quem entra irritado deveria encontrar uma pessoa, ou um caminho curto até ela, antes de encontrar um robô com nome e rosto.

Reclamação: resultado, tratamento e processo pesam diferente

Orsingher et al. (2010) reuniram 60 estudos independentes para testar como a satisfação com o tratamento da reclamação varia com três dimensões de justiça. A satisfação foi mais afetada pela justiça distributiva, ligada ao resultado recebido, depois pela interacional, ligada ao tratamento pessoal, e só fracamente pela procedimental, ligada ao processo.

Os autores relatam que essa satisfação mediou o efeito da justiça sobre o boca a boca, mas não mediou o efeito sobre a satisfação geral e a intenção de retorno, ao contrário da crença comum. Ou seja, o estudo não permite dizer que tratar bem a reclamação, por si só, faz o cliente voltar.

Gelbrich e Roschk (2011) testaram um modelo em que as respostas da organização, entre elas compensação, comportamento dos funcionários e procedimentos, levam, no modelo testado, a percepções de justiça, depois à satisfação pós-reclamação e, por fim, a intenções de lealdade e de boca a boca. Os autores relatam que o modelo se confirmou, com justiça e satisfação como mediadoras.

Os próprios autores chamam de surpreendente o seguinte resultado: a justiça distributiva só é o fator principal para a satisfação específica da transação. Para a satisfação cumulativa, que os autores descrevem como o principal antecedente da lealdade, a justiça interacional pesou ligeiramente mais. Eles indicam atenção à justiça interacional quando a falha não é monetária ou ocorre em serviços, e à distributiva quando os reclamantes são estudantes.

de Matos, Henrique e Rossi (2007) examinaram o chamado paradoxo da recuperação, a ideia de que o cliente cuja falha foi bem corrigida pode ficar mais satisfeito do que se não tivesse havido falha. A meta-análise relata efeito positivo e significativo sobre a satisfação e efeito não significativo sobre intenção de recompra, boca a boca e imagem da empresa. Os autores observam que desenho do estudo, tipo de participante e categoria de serviço influenciam o efeito sobre a satisfação.

Na nossa prática: o paradoxo da recuperação não é motivo para tolerar falhas. O paradoxo aparece só sobre a satisfação, e não sobre as demais medidas.

Onde a IA ajuda no atendimento da PME

Leitura da CGLC: a tabela abaixo cruza as tarefas do atendimento com o que os estudos examinaram. É critério da casa, e não resultado de pesquisa. A regra geral é começar pela IA que apoia o atendente, que tem o único estudo desta lista com IA ao lado do atendente, e deixar a IA que fala sozinha com o cliente para depois, com regra de transferência.

Tarefa	Risco (critério da CGLC)	Apoio na pesquisa
Sugerir rascunho de resposta ao atendente	Baixo: a pessoa revisa antes de enviar	Brynjolfsson, Li e Raymond (2025): assistente conversacional de IA ao lado do atendente, em suporte técnico por chat
Buscar a resposta na base de conhecimento	Baixo, se a base estiver atualizada	Nenhum dos estudos mede esse uso isoladamente
Resumir a conversa antes de transferir	Baixo	Nenhum dos estudos mede esse uso isoladamente
Responder dúvidas de rotina sozinho	Médio: depende de combinar o aviso e a saída para uma pessoa	Nenhum dos estudos mede esse uso isoladamente
Tratar reclamação sozinho	Alto: o cliente irritado pede alçada e escuta	Crolic et al. (2022); meta-análises de reclamação sobre justiça percebida

Para o time comercial, o artigo sobre IA para vendas traz o outro lado do contato com o cliente.

Roteiro de atendimento ao cliente com IA em cinco passos

Leitura da CGLC: o roteiro abaixo é método da casa, montado a partir das distinções que os estudos examinaram: apoio ao atendente, identidade de quem responde, estado do cliente e justiça percebida na reclamação. Os cinco passos não são resultado de pesquisa.

1. 1. Mapear os contatos

   Listar por duas semanas as perguntas que chegam, por canal e por tipo

2. 2. Separar rotina de reclamação

   Rotina pode ter resposta padrão; reclamação e pedido com decisão vão para pessoa

3. 3. Apoiar o atendente

   Começar por rascunho de resposta e busca na base, com revisão humana

4. 4. Definir a saída para uma pessoa

   Combinar quando o robô transfere, o que ele diz de si e quem assume

5. 5. Medir por 30 dias

   Problemas resolvidos por hora, retorno do mesmo cliente e satisfação, antes e depois

Passo 1: mapear os contatos

Antes de escolher ferramenta, anote por duas semanas o que chega: canal, assunto, quem respondeu e quanto tempo levou. Na nossa prática: a planilha costuma revelar que poucas perguntas respondem pela maior parte do volume.

Passo 2: separar rotina de reclamação

Dúvida de rotina pode ter resposta padrão. Reclamação e pedido com decisão pedem pessoa com alçada. As meta-análises de reclamação separam resultado, tratamento e processo como dimensões distintas. Na nossa prática: um atendente sem poder de compensar só consegue oferecer tratamento.

Passo 3: apoiar o atendente

O único estudo desta lista com a IA apoiando atendentes é o de Brynjolfsson, Li e Raymond (2025). A empresa estudada era de software dos Estados Unidos, e as PMEs eram os clientes atendidos. Comece por um rascunho de resposta que o atendente revisa e uma busca na base de conhecimento. Na nossa prática: deixe o atendente experiente livre para ignorar a sugestão, já que o estudo relata ganho pequeno de velocidade e pequena queda de qualidade para esse perfil.

Passo 4: definir a saída para uma pessoa

Se um assistente conversa direto com o cliente, combine antes quando ele transfere (cliente irritado, pedido de reembolso, pedido explícito por uma pessoa) e o que ele diz de si. Luo et al. (2019) e Crolic et al. (2022) examinam duas variáveis desse combinado, a revelação da identidade e o grau de humanização, em cenários que não são o da sua PME.

Passo 5: medir por 30 dias

Use a mesma medida que o estudo principal usou: problemas resolvidos por hora. Some a taxa de retorno do mesmo cliente com o mesmo problema e uma pergunta de satisfação ao fim da conversa. Compare com as duas semanas anteriores.

Erros comuns no atendimento com IA

• Automatizar a reclamação primeiro. Leitura da CGLC: é o contato em que o cliente mais precisa de alçada e de escuta, e onde o robô com traços humanos teve efeito negativo em Crolic et al. (2022), para quem chegou irritado.
• Prometer que o robô vende como uma pessoa. Luo et al. (2019) relatam equivalência com vendedores proficientes só para chatbots que não se identificavam, em venda ativa estruturada.
• Esperar que boa reclamação vire lealdade. Orsingher et al. (2010) relatam que a satisfação com a reclamação não mediou o efeito da justiça sobre a intenção de retorno, e de Matos, Henrique e Rossi (2007) relatam efeito não significativo do paradoxo sobre a intenção de recompra.
• Medir só a velocidade. Brynjolfsson, Li e Raymond (2025) relatam pequena queda de qualidade entre os mais experientes. Medir só a velocidade esconderia isso.
• Treinar o assistente com resposta velha. Na nossa prática: a base de conhecimento desatualizada costuma ser uma das causas mais comuns de resposta errada em assistente de PME, e o dono só descobre quando o cliente reclama.

Como saber se o atendimento está melhorando

Indicador (método da CGLC)	Como medir	O que costuma esconder
Problemas resolvidos por hora	Contatos encerrados com solução, divididos pelas horas de atendimento	Velocidade sem qualidade, se não houver o indicador seguinte
Retorno pelo mesmo problema	Clientes que voltam em 7 dias com o mesmo assunto	Resposta rápida que não resolveu
Pedido para falar com uma pessoa	Transferências por pedido do cliente, por tipo de contato	Onde o assistente frustra em vez de ajudar
Satisfação ao fim da conversa	Uma pergunta de 1 a 5 enviada ao fim	Cliente irritado que não responde

O primeiro indicador é o que o estudo de Brynjolfsson, Li e Raymond (2025) usou como medida principal. Os outros três são escolha da CGLC e servem para cobrir o que a velocidade esconde. Quando os resultados vierem, leia como termômetro, e não como prova. Na nossa prática: com poucas dezenas de contatos por semana, a variação de uma semana para outra pode ser só ruído.

Perguntas frequentes

O que é atendimento ao cliente?

Na definição de trabalho da CGLC, é o conjunto de contatos em que a empresa responde a dúvidas, pedidos e problemas do cliente, com canal, responsável, regra do que pode ser resolvido na hora e caminho para a reclamação. Sem a regra de decisão, a conversa vira só resposta de mensagem.

A IA melhora o atendimento ao cliente?

Brynjolfsson, Li e Raymond (2025) relatam aumento médio de 15% em problemas resolvidos por hora entre 5.172 agentes de suporte que passaram a usar um assistente de IA, com efeito desigual: os menos experientes melhoraram, e os mais experientes tiveram ganho pequeno de velocidade e pequena queda de qualidade. Leitura da CGLC: o dado é de suporte técnico por chat de uma empresa de software dos Estados Unidos, e não de PME brasileira.

Devo avisar o cliente de que ele fala com um robô?

Luo et al. (2019) relatam que revelar a identidade do chatbot antes da conversa reduziu a taxa de compra em mais de 79,7%, em ligações de venda ativa muito estruturadas, e que a revelação tardia atenuou o efeito. Leitura da CGLC: o estudo não é sobre suporte nem reclamação, então a decisão deve considerar o seu contexto e a transparência com o cliente.

Chatbot com nome e rosto humano é uma boa ideia?

Crolic et al. (2022) relatam que, quando o cliente entra na conversa irritado, dar traços humanos ao chatbot teve efeito negativo sobre satisfação, avaliação da empresa e intenção de compra posterior, e que isso não ocorreu com clientes sem irritação. Leitura da CGLC: com reclamação, o caminho curto até uma pessoa pesa mais que o rosto do assistente.

Resolver bem uma reclamação faz o cliente voltar?

Não necessariamente. Orsingher et al. (2010) relatam que a satisfação com o tratamento da reclamação não mediou o efeito da justiça sobre satisfação geral e intenção de retorno, e de Matos, Henrique e Rossi (2007) relatam efeito não significativo do paradoxo da recuperação sobre intenção de recompra. Leitura da CGLC: trate a reclamação bem por ela mesma, sem contar com a fidelização como retorno garantido.

Outros artigos relacionados

• IA para empresas: o que é, onde aplicar e por onde começar
• Casos de uso de IA: o que são, como escolher o primeiro e o que evitar
• Piloto de IA: o que é, como conduzir e como decidir se ele vira rotina
• Agentes de IA: o que são e onde eles funcionam na PME
• IA para vendas: o que é, onde ela funciona e como aplicar no time comercial

Fontes e referências

• Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044
• Crolic, C., Thomaz, F., Hadi, R., & Stephen, A. T. (2022). Blame the bot: Anthropomorphism and anger in customer-chatbot interactions. Journal of Marketing, 86(1), 132-148. https://doi.org/10.1177/00222429211045687
• de Matos, C. A., Henrique, J. L., & Rossi, C. A. V. (2007). Service recovery paradox: A meta-analysis. Journal of Service Research, 10(1), 60-77. https://doi.org/10.1177/1094670507303012
• Gelbrich, K., & Roschk, H. (2011). A meta-analysis of organizational complaint handling and customer responses. Journal of Service Research, 14(1), 24-43. https://doi.org/10.1177/1094670510387914
• Luo, X., Tong, S., Fang, Z., & Qu, Z. (2019). Frontiers: Machines vs. humans: The impact of artificial intelligence chatbot disclosure on customer purchases. Marketing Science, 38(6), 937-947. https://doi.org/10.1287/mksc.2019.1192
• Orsingher, C., Valentini, S., & de Angelis, M. (2010). A meta-analysis of satisfaction with complaint handling in services. Journal of the Academy of Marketing Science, 38(2), 169-186. https://doi.org/10.1007/s11747-009-0155-z

A CGLC (Centro de Gestão e Liderança Contemporânea) é um laboratório de cocriação de soluções que apoia empresas e líderes no desenvolvimento de lideranças, cultura de inovação e gestão de pessoas.