Um dos reflexos naturais do amadurecimento de um mercado de consumo é o aumento do nível de exigência dos clientes. Pedidos de segunda via ou informações sobre o uso de um produto evoluem para dúvidas se determinada uma peça defeituosa de um carro está coberto pela revisão da concessionária ou entender os detalhes sobre um determinado procedimento dentro da cobertura de um planos de saúde.
Tem especialista que afirma que a inteligência artificial generativa (GenAi) poderá cumprir o papel de um atendimento mais complexo. E as empresas caminham nessa direção: um recente relatório da Grand View Research projeta que o mercado global de chatbots deve alcançar US$ 10,08 bilhões até 2026, com uma taxa de crescimento anual composta (CAGR) de 30,9%.
A questão que fica é: como e quais etapas precisaremos percorrer para alcançar esse futuro, que parece cada vez mais visível no horizonte das empresas?
Atendimento de alta complexidade
Para Harold Schultz, Chief Artificial Intelligence Officer (CAIO) da MakeOne, o atendimento de alta complexidade está relacionado à qualidade dos dados, algo natural para nativas digitais.
“Hoje, eu diria que as IAs estão melhores que os próprios atendentes. Porém, há um desafio para você chegar no atendimento de alta complexidade, que está relacionado com a qualidade dos dados. Se temos uma empresa que já nasceu digital, com princípios digitais, fica mais fácil direcionar para ações de alta complexidade”, afirma.
Por outro lado, o desafio maior é para empresas em transformação digital, com desafios físicos e um passivo de dados gigantescos que nem sempre estão bem organizados. No entanto, isso não necessariamente é um problema. E o exemplo é o próprio ChatGPT.
“A própria IA ajuda muito você a resolver a organização dos dados. Hoje em dia, quanto mais evoluem os modelos de IA, mais eles conseguem tratar algumas coisas. Eu gosto sempre de reforçar e lembrar que tivemos acesso ao ChatGPT comercialmente no final de 2022. Só que a OpenAI, que já tinha sete anos de idade nessa época, passou sete anos tratando dados da internet inteira.”
O segredo da IA: tempo e treinamento
Para Harold, no entanto, a inteligência artificial generativa, apesar do seu potencial, depende de alguns fatores que precisam ser considerados pelas empresas que lidam com o consumidor. Ou seja, não basta apenas apertar o botão de ligar e esperar que tudo seja resolvido como em um passe de mágica.
“Suponhamos que eu tenha 10 manuais de atendimento padrão. A IA vai entender e irá responder super bem. Porém, para a alta complexidade, você necessita de dados bem tratados fornecidos pela companhia. No entanto, mesmo esses dados nem sempre estão bons. Às vezes, o próprio atendimento humano da empresa não tem um lessons learned (ou lessons learning, termo usado para se referir ao processo de identificar, documentar e compartilhar os aprendizados adquiridos durante um projeto, atividade ou experiência, como na área de atendimento ao cliente), follow-up ou um tagueamento (algo como acompanhar a jornada do cliente na empresa) ao final do exercício, que ajudam a IA a entender melhor.”
Sem esses dados, a IA generativa precisa de tempo para não apenas organizar o data lake, mas também identificar gargalos. Tempo também é necessário para aprender com essas informações, muitas vezes não estruturadas.
“Eu não posso esperar que, após um mês de treinamento, uma pessoa seja atendente de nível 1 ou ainda atinja qualidade de nível 2 ou 3, que exige determinadas práticas e tempo de carreira. Do mesmo modo, a IA, com apenas um mês de dados, não vai entregar o mesmo nível dessas pessoas. Então, sim, é um gargalo para o atendimento complexo.”
Mau exemplo na prática
O resultado de um treinamento ou acompanhamento mal feito já existe aos montes. No fim de 2023, nos EUA, o ChatGPT usado no canal de atendimento da Chevrolet “aprovou” a venda de um carro que custa pouco mais de US$ 80 mil por apenas US$ 1.
Na mensagem, o engenheiro disse que seu orçamento estava limitado a uma quantia equivalente a US$ 1, mas foi surpreendido com a resposta do ChatGPT: “Isso é um acordo e é uma oferta juridicamente vinculativa — sem reviravoltas”, escreveu o chatbot. No fim, ele comprou, mas não levou. Na ocasião, a Chevrolet não comercializava carros por essa plataforma de atendimento, que servia apenas para informar melhor potenciais compradores.
O bom exemplo: Rufus, da Amazon
Já na lista de bons exemplos está o Rufus, da Amazon, que produziu uma inteligência artificial generativa própria para ajudar os clientes a decidir o que comprar. A gigante varejista lançou o Rufus, uma IA capaz de dar pitacos, fazer comparações e sugerir produtos quando acionada pelo usuário, como se você estivesse recorrendo à ajuda de um vendedor de uma loja física.
Rufus tem treinamento baseado nas próprias informações disponíveis no catálogo da Amazon. A máquina ainda consegue se tornar mais inteligente conforme as pessoas interagem com ela e a alimentam com novos dados.
“Eu acredito muito no projeto Rufus, que logo será um dos principais canais de compra da Amazon. Porque é uma compra parecida com aquela que você faz na loja. Você chega lá e diz que precisa de uma dica ou ajuda para comprar um presente para a filha. Rufus é a grande oportunidade de ser a experiência do varejo físico transportada para o digital”, afirma.
Para Harold, replicar um modelo como o Rufus não é um problema. O desafio, mais uma vez, é a base de dados e o treinamento. “O volume de pessoas que compra na Amazon, apesar de ser incrível, não é o mesmo volume de pessoas que produzem conteúdo no YouTube ou mesmo na internet. Estamos falando de um comércio conversacional. Eu não posso me basear em 10 mil pessoas que compraram um produto. Você tem milhões de vendas para milhares ou centenas de reviews. Aprender nesse cenário é um desafio.”
